AI predikce v gastro: méně odpadu, jistější výroba

V dubnu 2025 získal startup ClearCOGS 3,8 milionu dolarů na software, který restauracím předpovídá poptávku a pomáhá s přípravou jídla, objednávkami i personálem. Číslo samo o sobě není to nejdůležitější. Důležité je, proč investoři sázejí právě na predikce: protože nejdražší „ztrátou“ v potravinovém řetězci bývá často to, co se vyhodí.

Když v prosinci plánujete sváteční menu, firemní večírky a nárazovou poptávku po rozvozech, chyba v odhadu se neodpouští. Přebytek znamená odpis surovin a práce. Nedostatek znamená zklamané hosty, špatné recenze a ztracené tržby. A přesně tady se potkává naše série „Umělá inteligence v zemědělství a potravinářství“ s realitou gastronomie: AI predikce poptávky v restauracích je poslední (a často nejviditelnější) článek optimalizace potravinového řetězce.

Níže rozebírám, co je na přístupu ClearCOGS podstatné, proč „AI chatbot“ často selže v provozu, a hlavně jak si z toho vzít praktický návod pro české gastro, výrobu potravin i dodavatele.

Proč je predikce poptávky v restauraci tvrdý oříšek

Poptávka v restauracích není jen o počasí a víkendech. Je to směs lokálních událostí, sezónnosti, výplatních termínů, školních prázdnin, marketingových akcí, dostupnosti personálu a drobných provozních detailů (třeba že nový kuchař dělá porce o 10 % větší).

V praxi to často končí tak, že manažer používá:

• historická data z POS systému,
• vlastní „sedlácký odhad“,
• a tabulku v Excelu, kterou někdo upravil naposledy před lety.

Přesně takový moment stál u zrodu ClearCOGS: během pandemie si zakladatel všiml, že i provoz s velkou značkou jede predikce v „deset let starém“ Excelu. To je překvapivě běžné i u nás.

Co dělá AI predikci jinou než hezčí dashboard

Smysl predikčního systému není v grafech, ale v rozhodnutí. V provozu nepotřebujete dvacet metrik. Potřebujete odpovědi typu:

1. Kolik porcí zítra připravit a v kolik hodin začít s preppem.
2. Kolik objednat kuřete, salátu a pečiva, aby se nevyhodilo.
3. Kolik lidí postavit na směnu (a kde hrozí úzké hrdlo).

Tohle je klíčový „bridge“ do potravinářství: když se sníží odpad v restauraci, klesá i tlak na výrobu a logistiku. Méně přebytků na konci řetězce znamená méně zbytečně vyrobených a přepravených potravin.

Co si vzít z příběhu ClearCOGS: LLM nejsou řešení pro provoz

Jedna z nejpraktičtějších částí příběhu ClearCOGS je upřímná zkušenost s rozhraním přes velké jazykové modely (LLM). Testovali „AI bota“, který by manažerům odpovídal na otázky.

A reakce provozu? Ve zkratce: „Nechci si povídat s botem. Pošlete mi odpověď.“

Tohle je zásadní poučení pro každého, kdo zavádí AI do potravinářství nebo agra:

V provozu vyhrává jednoduchost doručení výsledku, ne sofistikovanost rozhraní.

„Pošlete mi to“ jako produktová strategie

ClearCOGS se odlišuje tím, že netlačí uživatele do další aplikace. Namísto toho doručuje rozhodnutí připravené k akci (třeba e-mailem nebo přes integrace do systémů, které už restaurace používá).

V českém kontextu to znamená: pokud chcete, aby AI opravdu fungovala, vyhrajete spíš tím, že:

• napojíte predikce na stávající POS/ERP,
• automatizujete objednávky u dodavatelů,
• a vedoucímu směny pošlete jasný „plán dne“.

Chat okno je často jen „bonus“. Ne jádro.

Jak AI predikce snižuje plýtvání: konkrétní mechanika

Plýtvání v gastro vzniká hlavně špatným načasováním a špatným množstvím. AI predikce poptávky řeší obojí.

1) Přesnější nákup a výroba (prep) po položkách

Nejde o to vědět, že „zítřek bude silný“. Jde o to vědět, že:

• burgerů bude o 18 % víc než průměr čtvrtku,
• ale vegetariánských variant jen o 3 %,
• a polévka pojede hlavně mezi 11:00–13:00.

To vede k menšímu převisu surovin s krátkou trvanlivostí (saláty, mléčné produkty, čerstvé pečivo).

2) Lepší personální plánování

Food waste není jen o surovinách. Když máte málo lidí, nestíháte, zhorší se kvalita a část produkce se vyhodí kvůli chybám nebo zpoždění.

Dobrá predikce umí převést poptávku na směny a role:

• kolik lidí do kuchyně,
• kolik na výdej,
• kolik na rozvoz.

3) „Včasná varování“ pro manažera

V praxi fungují krátké, opakované signály:

• „Dnes hrozí vyprodání kuřete kolem 19:30.“
• „Objednávka pečiva je o 25 % nad očekáváním, uprav nákup.“
• „Zbytkovost rajčat roste třetí den, uprav prep.“

Tohle jsou věty, které vedoucí provozu opravdu použije.

Od restaurace zpět k farmě: proč je to stejné téma

Mnoho lidí bere restaurace jako „koncový svět“ oddělený od zemědělství. To je omyl. Restaurace jsou jeden z největších generátorů signálů o skutečné poptávce. A když tyhle signály umíte zachytit, získává z toho celý řetězec.

Kde se potkává AI v gastro s AI v zemědělství

• Predikce poptávky v restauraci dává lepší vstupy pro objednávky.
• Lepší objednávky stabilizují plánování u výrobců potravin.
• Stabilnější výroba zjednoduší logistiku (chladicí řetězec, rozvozy, sklady).
• A nakonec se to propíše i do zemědělství: menší výkyvy, menší přebytky, méně tlaku „něco rychle prodat“.

V ideálním světě je to uzavřená smyčka. V reálném světě to začíná jedním jednoduchým krokem: zvednout kvalitu predikce na straně odběratele.

Jak zavést predikční AI v českém gastro (a nevyhořet)

Nejrychlejší cesta je začít úzkým, měřitelným případem použití. Pokud chcete AI pro snížení odpadu, vyhněte se „AI transformaci“ jako projektu na rok. Jděte po týdnech.

Doporučený postup (6 kroků)

1. Vyberte 10–20 položek s největším odpadem
   • typicky čerstvé suroviny a přílohy, které nejdou snadno „přetočit“.
2. Srovnejte data z POS, skladů a nákupů
   • bez mapování položek (SKU vs. menu item) predikce nebude sedět.
3. Zaveďte jeden „denní briefing“
   • e-mail / report: co připravit, co objednat, kde je riziko vyprodání.
4. Změřte 3 KPI po 4 týdnech
   • zbytkovost (kg nebo Kč), vyprodání (počet situací), food cost (%).
5. Nastavte pravidla pro výjimky
   • akce, svátky, uzavírky, lokální eventy – a kdo je potvrzuje.
6. Teprve pak automatizujte objednávky
   • automat bez kontroly často jen zrychlí chyby.

Nejčastější chyby, které vídám

• Příliš mnoho metrik: nikdo je nebude číst.
• Složitý onboarding: provoz nemá kapacitu na týden školení.
• Chybějící „vlastník rozhodnutí“: AI něco doporučí, ale nikdo není odpovědný za změnu objednávky.

Co znamená investice 3,8 mil. USD pro trh (a proč by vás to mělo zajímat)

Takové investice jsou signál, že prediktivní analytika v potravinách přestává být „nice to have“. Stává se z ní standard, protože tlak na marže a udržitelnost roste.

Z pohledu potravinářství je nejzajímavější myšlenka zakladatele ClearCOGS:

„LLM jsou komodita. Hodnotu dělají vlastní data a schopnost dodat byznysový výsledek.“

Přeloženo do češtiny: kdo bude mít nejlepší model, není tak důležité. Důležité je:

• jak kvalitní máte data (menu, prodeje, receptury, odpady),
• jak rychle se výstup promění v akci,
• a jestli to jde měřit v korunách.

Co z toho plyne pro rok 2026: méně odpadu, víc jistoty

AI predikce v gastro není „technologická hračka“. Je to praktický způsob, jak snížit potravinový odpad, zklidnit nákupy a stabilizovat celý řetězec od dodavatelů až po výrobu. A v zimní sezóně, kdy poptávka skáče podle akcí a svátků, se rozdíl mezi dobrým a špatným odhadem násobí.

Pokud řešíte AI v zemědělství a potravinářství, restaurace berte jako zdroj signálu. Kdo zvládne posledních 200 metrů (výdej, sklad, směny), ten získá data a disciplínu, které se pak dají přenést i do výroby a nákupu surovin.

Chcete snížit odpad v provozu už během několika týdnů? Začněte jedním reportem denně a deseti položkami. Až to bude fungovat, můžete přidávat automatizaci. Který článek vašeho řetězce dnes nejvíc trpí špatnou predikcí – nákup, výroba, nebo směny?