AI předpoví, kdy dojde kuře: lekce pro celý řetězec

V dobře fungující kuchyni se většina problémů nepozná podle toho, že nastanou, ale podle toho, že se jim včas předešlo. Jenže realita v gastronomii je často opačná: v pátek večer dojde kuřecí, v sobotu ráno dorazí dodávka, která „nějak nesedí“, a v neděli končí část surovin v odpadu. Největší ztráty nevznikají z drahých surovin, ale z nepřesného plánování.

Právě na to míří trend, který je pro náš seriál Umělá inteligence v zemědělství a potravinářství zásadní: AI přestává být jen „analytika v reportech“ a stává se každodenním parťákem v provozu. Příkladem je beta funkce, kdy se prediktivní systém pro řízení restaurace propojuje s jazykovým modelem (ChatGPT). Manažer se pak neproklikává tabulkami – místo toho se zeptá přirozenou češtinou (nebo angličtinou) a dostane odpověď typu: „Mám 9 kg kuřecího, jaká je šance, že dnes dojde?“

A teď to nejdůležitější: tohle není „jen“ restaurace. Je to malý dílek stejné skládačky, kterou řeší zemědělci, zpracovatelé i retail – předpověď poptávky, plánování zásob, omezení plýtvání a stabilita dodávek. Z kuřete se velmi snadno stane pšenice, mléko nebo brambory.

Co se v praxi mění, když se predikce spojí s ChatGPT

Klíčová změna je jednoduchá: otázky se překládají na rozhodnutí rychleji. Prediktivní nástroj už dřív dokázal forecastovat prodeje a spotřebu surovin. Nové je rozhraní – konverzace v přirozeném jazyce. V provozu to znamená, že data nejsou „někde v systému“, ale jsou dostupná v momentě, kdy je potřeba jednat.

Typické dotazy, které mají okamžitý dopad na peníze i kvalitu:

• „Jaké položky se tento týden prodávají nejvíc a jaký je trend?“ (plán nákupů, plán směn)
• „Mám jen X kg kuřete. Vydrží to do zavíračky?“ (objednat expres / upravit menu)
• „Které suroviny nejčastěji končí v odpadu a proč?“ (změna objednávek, receptur, gramáží)
• „Co se stane se spotřebou, když zvednu cenu o 5 %?“ (cenotvorba, promo)

Proč je konverzační vrstva víc než „pěkné UX“

Můj pohled je jasný: v potravinářství se nerozhoduje podle toho, kdo má nejvíc dat, ale kdo je dokáže použít včas. Konverzační rozhraní snižuje bariéru – manažer nemusí být analytik. A to je přesně to, co dlouhodobě brzdilo digitalizaci v menších a středních provozech.

Navíc to podporuje disciplinu: když se na stejné věci ptáte každý den, systém se rychle stane „řídicí věží“ provozu. Bez toho forecasty často končí jako jednorázový projekt.

„Dojde kuře“ je stejný problém jako „dojde krmivo“

Z pohledu zemědělství a potravinářství je restaurace jen poslední článek řetězce, kde se potkává poptávka s realitou. Princip je ale stejný napříč odvětvími: nejistota + časové zpoždění + omezená kapacita skladování.

Paralela s precizním zemědělstvím

V precizním zemědělství používáme AI na:

• předpověď výnosu (yield forecasting),
• plánování závlahy a hnojení,
• detekci stresu plodin (drony, satelit),
• optimalizaci logistiky sklizně.

V restauraci je to podobné, jen se místo hektarů řeší porce:

• předpověď prodejů podle historie, počasí, akcí v okolí,
• plánování zásob a objednávek,
• minimalizace odpadu (waste analytics),
• řízení kapacit (směny, příprava).

Společný jmenovatel: rozhodování na základě pravděpodobnosti, ne pocitu. A to je pro celý potravinový řetězec zásadní. Pokud umíme přesněji řídit „poslední míli“ (restaurace), získáváme čistší signál pro to, co má dělat výroba a distribuce.

Proč na tom záleží v prosinci 2025

Konec roku je tradičně období, kdy se v gastro i retailu míchají:

• firemní večírky a eventy,
• sezónní nabídky,
• výkyvy v dostupnosti některých surovin,
• tlak na marže (energie, práce, vstupy).

V takových týdnech se nejrychleji ukáže, jestli máte prediktivní plánování zásob nebo jen „zkušeného vedoucího, co to má v oku“. Zkušenost je skvělá – ale neškáluje, neudrží konzistenci napříč směnami a špatně se předává.

Jak AI předpovědi reálně snižují odpad a zvyšují dostupnost

Největší přínos predikce je dvojí: méně vyprodání a méně přebytků. Obě chyby jsou drahé.

• Vyprodání = ztracené tržby + naštvaní hosté + tlak na personál + improvizace.
• Přebytky = odpisy + znehodnocení kvality + plýtvání + horší cashflow.

Co musí mít model „v hlavě“, aby fungoval

Aby AI predikce nebyla jen hezký graf, musí pracovat s kontextem:

1. Historie prodejů a sezónnost (den v týdnu, svátky, výplatní termíny).
2. Externí signály (počasí, lokální akce, sportovní přenosy).
3. Menu a receptury (kolik suroviny se reálně spotřebuje na porci).
4. Dodavatelské časy (lead time, minimální objednávky, výpadky).
5. Provozní omezení (kapacita kuchyně, sklad, personál).

Když se tenhle „mix“ přepíše do jednoduché otázky v chatu, získáte rychlé rozhodnutí: objednat / neobjednat, připravit víc / míň, nahradit položku / stáhnout ji z nabídky.

„Nejpřesnější forecast je ten, který se promění v nákupní objednávku dřív, než začnou hořet pánve.“

Praktický scénář z provozu (a proč je důležitý i pro výrobu)

Představte si bistro, které prodává kuřecí bowl. V pátek mezi 11:00–14:00 bývá špička. AI vidí, že:

• poslední tři pátky byl prodej o 18–25 % vyšší,
• dnes je v okolí akce (např. vánoční trhy / firemní event),
• zásoba kuřete je jen na 70 očekávaných porcí.

Manažer se zeptá: „Když nechám nabídku beze změny, dojde kuře před 14:00?“ Systém odpoví pravděpodobnostně (např. „70 %“) a navrhne opatření:

• posunout objednávku (expres),
• dočasně zvýraznit alternativní položku,
• upravit mise-en-place (předpřípravu) a směny.

Proč to patří do našeho AI seriálu o zemědělství? Protože takový signál poptávky, když se agreguje napříč provozy, je čisté zlato pro plánování výroby a logistiky. Ať jde o drůbež, zeleninu nebo pečivo.

Co si z toho mohou vzít farmáři a potravináři

Lekce z restaurací je překvapivě přenosná: data mají hodnotu až ve chvíli, kdy jsou snadno „dotazovatelná“. Ve výrobě a zemědělství často sbíráme spoustu dat (senzory, ERP, sklady, laboratoře), ale otázky typu „Kolik toho budeme potřebovat za 10 dní?“ nebo „Který odběratel nám rozbíjí plán?“ zůstávají složité.

5 konkrétních aplikací „ChatGPT vrstvy“ v agri-food

1. Plánování sklizně a expedice
   • „Které parcely mají nejvyšší riziko ztráty kvality do 72 hodin?“
2. Řízení krmiv a zásob ve živočišné výrobě
   • „Při současné spotřebě, kdy dojde siláž pro skupinu A?“
3. Výrobní plán v potravinářství
   • „Když přidáme směnu v úterý, o kolik snížíme backlog objednávek?“
4. Kontrola kvality a reklamace
   • „Jaké šarže mají podobný profil reklamací jako ta poslední?“
5. Nákup a vyjednávání s dodavateli
   • „Které suroviny nám nejvíc kolísají v ceně a kde máme alternativy?“

Můj názor: nejrychlejší návratnost má AI tam, kde se denně rozhoduje o nákupu, výrobě nebo alokaci kapacity. Hezké prezentace jsou fajn, ale cashflow řeší provoz.

Na co si dát pozor: přesnost, odpovědnost a „halucinace“

Konverzační AI nesmí být věštírna. Musí být rozhraním nad ověřenými daty. V praxi to znamená tři zásady:

1) Odpovědi musí být dohledatelné

U každého doporučení má být jasné „proč“: jaká data, jaké období, jaká logika. Bez toho se ztratí důvěra personálu.

2) Práce s pravděpodobností

Otázka „dojde kuře?“ nemá binární odpověď. Správná odpověď je ve stylu: „S 70% pravděpodobností dojde do 13:30, pokud zůstane tempo prodejů jako minulý pátek.“ To je použitelný výstup.

3) Role člověka zůstává

AI navrhne, člověk rozhodne. A to je v pořádku. V potravinářství i zemědělství je pořád spousta „měkkých“ faktorů: kvalita dodávky, počasí, personál, reputace.

Jak začít, když chcete podobný přístup i ve svém provozu

Začít jde i bez velkého projektu. Doporučuju postup, který funguje v restauracích i u výrobců:

1. Vyberte 2–3 rozhodnutí, která děláte denně (objednávky, výroba, expedice).
2. Zmapujte data, která k tomu už máte (POS/ERP, sklad, receptury/BOM, dodací lhůty).
3. Zaveďte jednoduché metriky: vyprodání, odpad, přesnost forecastu, ztracené tržby.
4. Postavte „otázkový katalog“: 20 nejčastějších dotazů, které se mají dát položit v chatu.
5. Otestujte na pilotu 4–6 týdnů a porovnejte před/po.

Tohle je přesně typ implementace, který generuje leady přirozeně: když vidíte čísla a dopad, chcete to rozšířit.

Kam to směřuje: od kuchyně k prediktivnímu potravinovému řetězci

AI pro řízení zásob v restauracích je „poslední míle“ precizního plánování potravin. Jakmile poslední míle začne posílat kvalitní signály zpět, celý řetězec se stabilizuje: výroba plánuje přesněji, logistika vozí méně vzduchu a suroviny nekončí tak často v koši.

V rámci našeho seriálu Umělá inteligence v zemědělství a potravinářství mě na tom baví jedna věc: nejde o futurismus. Jde o rutinu. O to, aby se lidé v provozu mohli zeptat na správnou věc ve správný čas – a dostali odpověď, která se dá hned použít.

Až budete příště řešit, že „něco došlo“, zkuste si to přeložit do jedné věty: kde v procesu jsme ztratili schopnost předpovědi? Právě tam má AI nejrychlejší dopad.