AI a chytré zpracování odpadu: co učí růst Mill

Číslo, které stojí za pozornost: 20 milionů dolarů tržeb za posledních 12 měsíců v kategorii, kde většina projektů skončí u pilotu a jedné tiskové zprávy. Startup Mill, známý domácím „recyklátorem“ zbytků jídla, letos na jaře oznámil nejen tento milník, ale i vstup do firemního prostředí s variantou Mill for Workplace.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to víc než příběh o pěkném růstu hardwaru. Je to praktická ukázka toho, jak se dá z „neviditelného“ problému – potravinového odpadu – udělat měřitelný tok dat, který pak lze řídit automatizací a časem i umělou inteligencí. A přesně tady se potkává kancelářská kuchyňka s výrobou potravin, logistikou i zemědělstvím.

Proč je růst Mill důležitý pro potravinářství a zemědělství

Klíčová pointa: odpad je surovina, když ho umíte stabilně sbírat, popsat a nasměrovat. Většina potravinových podniků dnes odpad řeší jako náklad (odvoz, poplatky, reputace). Mill to staví opačně: odpady se nejdřív standardizují (zmenší objem, omezí zápach, zjednoduší manipulace) a teprve pak se z nich dá dělat něco užitečného.

V kontextu EU regulací a ESG reportingu to není detail. Podniky v Česku i celé EU už dnes cítí tlak na:

• měření a snižování odpadu v provozech,
• dohledatelnost a reportování dopadů,
• hledání úspor energií, vody a materiálů.

A právě tady se otevírá prostor pro AI: jakmile je tok odpadu stabilní, dá se predikovat, optimalizovat a automatizovat.

Od „koše“ k datovému produktu

Mill podle zveřejněných informací staví na dvou věcech: zařízení (hardware) a služba (opakované platby, logistika, zpracování). Tenhle model je pro potravinářství důležitý, protože připomíná moderní průmyslové systémy:

• stroj sbírá data v reálném čase,
• software je vyhodnocuje,
• služba zajišťuje provozní „poslední míli“.

Pro firmy je to často přijatelnější než jednorázová investice: měsíční poplatek se lépe obhajuje než velké CAPEX. A navíc – pokud systém funguje – přichází i přímé úspory v odpadech a logistice.

Mill for Workplace: proč dává firemní varianta smysl

Nejjednodušší vysvětlení: v práci vzniká odpad pravidelně a ve velkých dávkách, takže se technologie dostane rychleji do „ekonomiky měřítka“. Kanceláře, kantýny, kampusy, vývojová centra – tam všude máte:

• jasné špičky (obědy, meetingy),
• opakující se skladbu odpadu,
• potřebu čistoty a hygieny,
• tlak na udržitelnost a interní reporting.

Mill už byl podle dostupných informací nasazen i ve známých firmách. Ať už je konkrétní zákazník jakýkoli, platí obecné pravidlo: B2B prostředí je ideální pro sběr kvalitních dat, protože procesy jsou standardizované (výdej jídel, úklid, odvoz).

Fleet management jako „nenápadný“ základ pro AI

Zaujala mě zmínka o správě flotily (fleet management). To je přesně ta část, která laikovi připadá nudná, ale pro škálování rozhoduje.

Jak vypadá cesta k AI v praxi?

1. Monitoring zařízení (naplnění, provozní režimy, chybovost, údržba).
2. Optimalizace svozu (kdy odvézt, co odvézt, jak naplánovat trasu).
3. Predikce vzniku odpadu (podle počtu lidí, kalendáře akcí, sezónnosti).
4. Doporučení pro kuchyni (co upravit v menu/nákupu, aby se odpad snížil).

Tohle je stejná logika, jakou dnes vidíme v precizním zemědělství: nejdřív senzory, potom dashboardy, až pak modely.

Kde se do toho opře AI: 5 konkrétních scénářů použití

Podstatné sdělení: AI není „kouzlo“, ale násobič dobrých dat a disciplíny. U potravinového odpadu to platí dvojnásob, protože bez měření se firmy často hádají jen podle dojmů.

1) Predikce odpadu podle provozu (a počasí, a sezóny)

V potravinářských provozech i firemních jídelnách jde odpad často ruku v ruce s poptávkou. AI modely umí využít:

• historické prodeje,
• obsazenost kanceláří (hybridní režim),
• kalendář akcí,
• sezónní vlivy (prosinec = večírky, leden = „dietní“ menu),
• cenové akce.

Výsledek má být pragmatický: připravit o 8 % méně jedné položky a o 5 % více jiné. I malá čísla dělají ve velkém provozu tisíce porcí ročně.

2) Automatická kategorizace odpadu (bez ručního „třídění“)

Většina firem by chtěla vědět, co přesně vyhazuje. Jenže ruční třídění je drahé a lidé to nesnáší. V praxi se proto nabízí kombinace:

• vážení,
• jednoduché vstupy od personálu,
• případně kamerové systémy a počítačové vidění tam, kde to dává smysl.

Pro zemědělství a potravinářství je to zásadní: když víte, že největší podíl odpadu tvoří třeba pečivo, zelenina nebo přílohy, dá se upravit nákup i výroba.

3) Optimalizace logistiky a tras (menší náklady, menší emise)

„Svoz odpadu“ zní banálně, ale logistika bývá nejdražší část. AI (nebo i pokročilá optimalizace bez deep learningu) umí:

• plánovat trasy podle naplnění,
• snižovat počet výjezdů,
• předcházet přetížení kapacit.

V zimě 2025 to navíc dává ekonomický smysl: náklady na energie a dopravu jsou pořád citlivé téma a firmy hledají rychlé úspory.

4) Prediktivní údržba zařízení

U hardwaru je realita jednoduchá: poruchy zabíjejí důvěru zákazníka. Senzory a provozní logy umožní modelům odhadnout, kdy se zvyšuje riziko závady (motor, zahřívání, vlhkost, zanesení). Výsledek:

• méně výpadků,
• levnější servis,
• delší životnost zařízení.

5) Uzavření smyčky směrem k zemědělství

Mill je známý tím, že zpracované zbytky mohou sloužit jako vstup do dalších řetězců (např. krmivo). Pro zemědělství je klíčové jediné: stabilní kvalita a bezpečnost.

AI zde může pomoci v kontrole:

• konzistence vstupní suroviny (co do směsi přichází),
• detekce kontaminantů a odchylek,
• plánování dávkování a skladování.

Jestli má cirkulární ekonomika fungovat ve velkém, musí být „nudně spolehlivá“. A to je doména dat a automatizace.

Co si z toho může odnést český agro a potravinářský provoz

Jádro je jednoduché: začněte tam, kde odpad vzniká, a udělejte z něj metriku. Nemusíte hned kupovat sofistikovaný systém. Ale potřebujete proces.

Rychlý checklist pro podnik (1–2 týdny)

• Zaveďte vážení odpadu aspoň na úrovni směny nebo dne.
• Rozlišujte minimálně 3 kategorie: příprava, nevydané porce, talířový odpad.
• Stanovte jednu odpovědnou osobu (bez toho se data rozpadnou).
• Vyberte 2–3 KPI: např. kg odpadu / 100 porcí, náklady na odvoz / měsíc.

Co řešit při výběru technologie (a kde bývá past)

Most firem to podcení v těchto bodech:

1. Hygiena a zápach – pokud zařízení smrdí, projekt končí.
2. Chování lidí – systém musí být jednodušší než „hodím to do koše“.
3. Integrace dat – bez exportu do reportingu/ERP je to slepá ulička.
4. Celkové náklady – počítejte svoz, servis, spotřebu energie, školení.

A jedna moje zkušenost z provozů: když se KPI ukazují jen „na poradě“, efekt je malý. Když ale kuchař nebo vedoucí směny vidí číslo denně, zlepšení přijde rychleji, než čekáte.

Tvrdá otázka: je to hlavně hardware, nebo hlavně služba?

U Millu (a podobných řešení) je ekonomika postavená na mixu zařízení a opakované služby. Pro B2B zákazníka je dobré si vyjasnit:

• kolik platíte za zařízení vs. za službu,
• co je zahrnuto (svoz, servis, software),
• jaké jsou SLA a reakční doby,
• co se stane s daty, když službu ukončíte.

Z pohledu škálování je pro mě nejdůležitější tohle: bez opakovaných příjmů se z odpadu stane jen drahá hračka. Se službou a softwarem z toho naopak může být stabilní infrastruktura.

Co čekat v roce 2026: od „udržitelnosti“ k tvrdé ekonomice

Když se dívám na to, kam se posouvá trh, myslím si, že v roce 2026 bude potravinový odpad stále méně „PR téma“ a stále víc téma controllingu. Firmy budou chtít:

• jasný návrat investice,
• auditovatelná data pro ESG,
• méně rizik v dodavatelském řetězci.

AI do toho zapadne přirozeně – ne jako módní nálepka, ale jako nástroj, který umí předpovídat a doporučovat změny v nákupu, výrobě i logistice.

„Potravinový odpad se snižuje až ve chvíli, kdy ho přestanete brát jako odpad a začnete ho řídit jako proces.“

Pokud řešíte v zemědělství nebo potravinářství data, automatizaci a reálné úspory, tenhle příběh je dobrý signál: škálování je možné, když se spojí hardware, software a disciplína v provozu.

Chcete si ověřit, kde vám vzniká největší ztráta a jak by šla řídit pomocí dat a AI? Začněte malým auditem odpadu a nastavte 2–3 metriky, které budete opravdu sledovat. A pak si položte jednu otázku: který krok ve vašem provozu by nejvíc zlevnilo, kdybyste ho uměli spolehlivě předpovědět?