AI predikce poptávky: méně odpadu v gastronomii

Restaurace vyhodí víc jídla, než si většina lidí připouští. A nejde jen o „pár porcí na konci dne“. V praxi to často znamená vyhozené suroviny z přípravy, neprodané pečivo, přebytky ze špatně naplánovaných směn i přeobjednané položky, které v lednici „přežijí“ už jen na papíře. Když se k tomu přidají prosincové výkyvy (firemní večírky, svátky, nepravidelné rezervace), je z toho drahý chaos.

Zajímavé je, že právě predikce – ne chatovací robot – dnes dělá v potravinářství největší službu. To potvrzuje i zpráva o startupu ClearCOGS, který v dubnu 2025 získal seed financování 3,8 milionu dolarů na AI software pro předpovídání poptávky v restauracích. Jejich příběh je dobrý odrazový můstek pro širší téma našeho seriálu „Umělá inteligence v zemědělství a potravinářství“: AI má největší dopad tehdy, když pomáhá rozhodovat konkrétně – kolik připravit, kolik objednat, kolik lidí postavit na směnu – a když zkracuje cestu od dat k akci.

Proč je AI predikce poptávky pro gastro tak zásadní

AI predikce poptávky je v gastronomii nejrychlejší cesta ke snížení odpadu, protože řeší příčinu: špatný odhad budoucího prodeje. Suroviny se nekazí proto, že by kuchaři neuměli vařit. Kazí se proto, že systém neumí spolehlivě říct, co se bude prodávat zítra v 12:30.

Tradiční plánování stojí na kombinaci zkušenosti, tabulek a „pocitu“. To funguje do chvíle, než:

• přijde sezónní špička (prosinec, léto, festivaly),
• změní se počasí nebo doprava,
• marketing spustí akci, kterou kuchyně nezachytí včas,
• změna cen surovin ovlivní nákupní mix,
• nebo se mění chování zákazníků (objednávky přes rozvoz vs. na místě).

Predikční modely (time-series forecasting, strojové učení) umí tyto signály kombinovat a hlavně: učí se z historie v detailu podle pobočky, dne v týdnu, denní hodiny a položek menu.

Provozní realita: manažeři nechtějí „AI zážitek“, chtějí odpověď

Na příběhu ClearCOGS je sympatické hlavně jedno zjištění: pokusy o rozhraní typu „zeptejte se AI bota“ narazily. Ne technicky – lidsky. Operátor restaurace nechce hrát dialogovou hru. Chce vědět:

• Kolik kuřete připravit na oběd?
• Dojde mi pečivo v 17:00?
• Kolik lidí potřebuju na zítřejší směnu?

A chce to dostat jednoduše: v e-mailu, v reportu, v POS integraci. Tahle lekce je důležitá i pro zemědělství a potravinářství: nejde o to mít nejhezčí AI rozhraní, ale dodat rozhodnutí ve chvíli, kdy má hodnotu.

Co nám financování ClearCOGS říká o trhu (a proč to zajímá i zemědělce)

Seed investice 3,8 milionu dolarů do predikčního softwaru pro restaurace není jen „startupová zpráva“. Je to signál, že investoři i provozovatelé hledají AI, která snižuje náklady a odpad v reálném světě.

ClearCOGS staví hodnotu na dvou věcech:

1. Proprietární data a doménové know-how – ne na „obecném“ jazykovém modelu.
2. Denní operativní otázky – místo obecné analytiky v dashboardu.

A to je přesně ta spojnice „od farmy po vidličku“:

• Na poli řešíte: kolik zalít, kdy sklízet, jaký bude výnos.
• Ve výrobě řešíte: kolik vyrobit, jak plánovat šarže, jak snížit zmetkovitost.
• V logistice řešíte: kam co poslat, aby se minimalizovalo zkažení.
• V restauraci řešíte: kolik připravit a objednat, aby se nevyhazovalo.

Všude jde o totéž: predikovat poptávku / výnos / spotřebu a podle toho optimalizovat rozhodnutí.

Jak funguje AI forecasting v praxi: od dat k „připrav 42 porcí“

Dobrá AI predikce v gastronomii není magie. Je to disciplína v datech a provozu.

1) Jaká data mají skutečnou hodnotu

Nejužitečnější bývají data, která už existují, jen nejsou propojená:

• prodeje z POS po položkách a čase (15–60min intervaly),
• skladové pohyby (příjem, výdej, odpisy),
• receptury a normování (kolik suroviny na porci),
• rezervace a obsazenost (včetně skupin a eventů),
• akce a promo kampaně,
• kalendářní vlivy (svátky, prázdniny, lokální akce).

Důležité: kvalita predikce neroste lineárně s množstvím dat. Roste s jejich čistotou a konzistencí.

2) Modely, které dávají smysl pro provoz

V potravinářství a gastro nejčastěji vyhrává kombinace:

• časových řad (sezónnost, trend, denní rytmus),
• strojového učení (nelinearity, vliv promo, počasí, výpadky),
• a provozních pravidel (minimální dávky, trvanlivost, kapacita kuchyně).

Silný systém umí kromě „kolik prodáš“ rovnou dopočítat:

• kolik připravit (prep plan),
• kolik objednat (order suggestions),
• kolik lidí naplánovat (staffing).

3) Dodání výsledku je půl úspěchu

Tady se hodně projektů rozbije. Pokud výstup skončí v hezkém dashboardu, který nikdo neotevře, odpad neklesne.

Funguje, když se doporučení:

• posílají denně ve stejný čas (např. 06:00),
• jsou krátká a akční (3–10 rozhodnutí),
• jsou napojená na nástroje, které už tým používá (POS, sklad, plánování směn),
• a mají „proč“ jen tam, kde to pomůže důvěře.

Zapamatujte si jednu větu: nejlepší AI je ta, která manažerovi ušetří dvě rozhodnutí denně – každý den.

Co si z toho může vzít české gastro a potravinářský řetězec

AI predikce poptávky se v Česku často prodává jako „digitalizace“. Já to vidím jinak: je to řízení rizika zkažení. A to je v roce 2025 – při cenách energií, mzdách a tlaku na marže – tvrdá ekonomika.

Rychlé winy (30–60 dní), které dávají smysl téměř všude

• Top 20 položek: začněte s nejprodávanějšími a nejkazivějšími surovinami (pečivo, čerstvé maso, mléčné).
• Denní rytmus: plánujte zvlášť oběd, odpoledne, večeři. Jedna denní predikce nestačí.
• Měření odpadu: bez jednotného „odpisového“ procesu nemáte co optimalizovat.
• Jednoduchý report: i bez plné AI lze zlepšit provoz tím, že se manažerům pošle přehled odchylek (včera vs. průměr).

Co se typicky pokazí (a jak tomu předejít)

• Špatné receptury a normy → bez nich predikce neví, kolik suroviny je v jedné porci.
• Nezachycené promo akce → model pak „nechápe“ špičku a přestřelí.
• Neřešené substituce (došlo kuře → prodával se jiný produkt) → data je potřeba interpretovat.
• Nedůvěra provozu → pomáhá pilot na 2–3 pobočkách a porovnání proti kontrolní skupině.

„Od farmy po vidličku“: proč forecasting v restauraci zlepší i upstream

Když restaurace přesněji plánuje, stane se zajímavá věc: zlepší se plánování u dodavatelů.

• stabilnější objednávky → méně expresních závozů,
• lepší odhad spotřeby → menší tlak na „bezpečnostní“ přebytky ve výrobě,
• nižší odpisy → možnost platit férověji za kvalitu, ne za objem.

A to je přesně linie našeho seriálu: AI v zemědělství a potravinářství není jen o dronových snímcích polí. Je to o tom, aby se méně pěstovalo, vyrábělo a vozilo naslepo.

Praktický mini-návod: jak začít s AI predikcí bez velké sázky

Nejrozumnější start je pilot, který je měřitelný a nevyžaduje přestavbu celé firmy.

1. Vyberte 2–5 provozoven / linek s podobným profilem a jednou kontrolní.
2. Definujte metriky: odpad v Kč, odpad v kg, stockouty (kolikrát „došlo“), food cost %, přesčasy.
3. Zajistěte datovou hygienu: jednotné kódy položek, receptury, odpisy.
4. Nastavte rytmus rozhodnutí: kdo dostane doporučení, kdy a jak ho potvrdí.
5. Vyhodnoťte po 6–8 týdnech: porovnání vs. kontrolní skupina + sezónní korekce.

Pokud tohle zvládnete, máte pevný základ pro další AI optimalizaci: dynamické objednávky, plánování směn, optimalizaci menu podle marže a zbytků.

Co čekat v roce 2026: méně „AI chatu“, víc automatizovaných rozhodnutí

Směr je jasný: v potravinářství se prosadí řešení, která:

• běží na vlastních datech firmy a dodavatelského řetězce,
• automatizují rutinní rozhodnutí (ne jen vizualizují),
• a umí vysvětlit odchylky způsobem, který provoz akceptuje.

Jazykové modely budou užitečné hlavně jako „obal“ – pro shrnutí, komentář, interní podporu. Hodnota ale zůstane v predikci a plánování.

Pokud přemýšlíte, kde začít s AI v zemědělství a potravinářství tak, aby to mělo rychlý dopad na náklady a udržitelnost, AI predikce poptávky a spotřeby je sázka na jistotu.

A teď ta otázka, kterou si stojí za to položit před novým rokem: Které tři každodenní provozní rozhodnutí u vás dnes vznikají „od boku“ – a kolik vás to měsíčně stojí na odpadu a přesčasech?