AI proti plýtvání jídlem: co učí příběh Anina

Plýtvání potravinami není „jen“ etický problém. Je to tvrdá matematika: vyhozené suroviny znamenají zbytečně vyrobené emise, zbytečně spotřebovanou vodu a zbytečně zaplacenou práci v celém řetězci od pole po obchod. Často se cituje, že emise spojené s potravinovým odpadem tvoří přibližně 7 % globálních skleníkových plynů – a to je číslo, které by mělo bolet každého, kdo dělá v zemědělství, potravinářství nebo retailu.

A teď ta nepříjemná část: velká část odpadu nevzniká proto, že by jídlo bylo špatné, ale proto, že nevypadá „správně“. U některých trhů se uvádí, že až třetina produkce končí jako ztráta kvůli estetice. To je čistý paradox: chceme udržitelnost, ale v regálu pořád vítězí dokonalý vzhled.

Izraelský startup Anina tenhle paradox bere doslova jako surovinu. Vyrábí hotová jídla v „podech“ (porcovaných kapslích), jejichž obal vzniká z rostlinných „laminátů“ — tenkých, pružných plátů zpracované zeleniny — a do výroby záměrně zapojuje i tzv. „ošklivé“ kusy. Příběh Aniny je skvělá případová studie pro náš seriál Umělá inteligence v zemědělství a potravinářství, protože ukazuje, jak se dá propojit potravinářská inovace, R&D a datové myšlení. A hlavně: kde přesně může AI přidat nejvíc hodnoty.

Od „ošklivé“ zeleniny k produktu, který chutná jako doma

Anina nestaví na marketingu „zachraňujeme jídlo“. Staví na tom, že zákazník dostane chuť a texturu, které připomínají domácí vaření — a zároveň pohodlí hotového řešení.

Základ tvoří rostlinné pláty (lamináty), které firma tvaruje, plní a uzavírá do podu. Klíčová je kontrola toho, kdy a jak se pod během vaření rozpadá: vnější vrstva se vaří po celou dobu, zatímco náplň uvnitř jen část času. Výsledek není „všechno měkké stejně“, ale více textur, protože různé ingredience dostanou různé tepelné zacházení.

„Lidé nechápou technologii, ale řeknou: chutná to jako domácí, jako by každá ingredience měla vlastní způsob vaření.“

Tahle věta je pro potravinářství zásadní. Spotřebitel nekupuje proces, kupuje zážitek. A to je důvod, proč inovace v jídle často vyhrává až ve chvíli, kdy senzoři a vývoj chutí doženou technologii.

Kde do toho zapadá AI v potravinářství

Anina je primárně potravinářská a materiálová inovace, ale její logika je datová. Aby se z „nepěkné“ suroviny stal konzistentní produkt, potřebujete:

• klasifikaci a třídění surovin (kvalita, zralost, poškození)
• predikci trvanlivosti (jak rychle se surovina zhorší)
• optimalizaci receptur (chuť vs. náklady vs. dostupnost)
• řízení variability (každá šarže zeleniny je jiná)

A přesně tady má AI v potravinářství největší návratnost: ne v „wow“ demu, ale v každodenním rozhodování.

AI jako motor: třídění, detekce odpadu a predikce kvality

Nejrychlejší cesta ke snížení potravinového odpadu je jednoduchá: zachytit problém dřív, než se stane odpadem. To v praxi znamená změnit způsob, jak hodnotíme suroviny.

Počítačové vidění pro třídění „neperfektní“ produkce

Pokud je důvodem vyřazení estetika (tvar, velikost, skvrny), je to pro počítačové vidění ideální úloha. Kamera + model dokáže:

1. roztřídit suroviny do kategorií (pro čerstvý prodej vs. pro zpracování)
2. odhadnout poškození a riziko hniloby
3. stabilizovat kvalitu tím, že do zpracování posílá podobné profily surovin

Praktický dopad pro výrobce hotových jídel nebo zpracovatele:

• méně ruční práce a reklamací
• lepší plánování výroby (kolik „zachráněné“ suroviny bude zítra)
• vyšší využití suroviny (méně odpadu, více produktu)

Predikce trvanlivosti (a konec vaření „naslepo“)

V potravinářství často platí, že nejdražší je nejistota. Když nevíte, jak rychle se surovina kazí, držíte větší bezpečnostní zásoby, děláte konzervativní rozhodnutí a víc vyhazujete.

Modely predikce trvanlivosti pracují s kombinací dat:

• teplota a čas v logistice
• typ odrůdy, zralost, obsah vody
• historie dodavatele a sezónní výkyvy

U konceptu typu Anina to umožní dělat chytrou věc: posílat surovinu, která by v regálu „už neprošla“, do výrobku, kde je dána smysluplná druhá šance.

„Stejný produkt, jiný talíř“: proč je lokalizace receptur datový problém

CEO Aniny popisuje zkušenost, která bude povědomá každému, kdo někdy uváděl potravinu na více trhů: rozdíly nejsou jen v chuti, ale i v tom, jak lidé čtou instrukce a co považují za „normální“.

V jejich testech se ukázalo něco zajímavého:

• kulinární preference jsou lokální (např. řepa v Singapuru „divná“, pro někoho naopak top)
• instrukce pro vaření se liší (slova vs. piktogramy, přesný čas vs. rozmezí)
• u mileniálů a Gen Z jsou chutě často podobnější napříč státy díky sociálním sítím

Jak může AI zrychlit vývoj receptur

V praxi to znamená, že firma potřebuje rychle iterovat. AI pomůže ve dvou směrech:

• Analýza zákaznické zpětné vazby: automatické třídění komentářů z testů (chuť, textura, pálivost, porce, instrukce). Ne „pocitově“, ale v číslech.
• Optimalizace receptury na omezení: dostupnost surovin, cena, alergeny, výživové cíle, lokální preference.

Já jsem opakovaně viděl, že nejlepší potravinářské týmy berou recept jako „živý systém“: mění se podle sezóny, dodavatelů a dat. Kdo recept „zafixuje“ a doufá, že trh se přizpůsobí, většinou prohraje.

Škálování potravinářské inovace: co je těžší než nápad

Anina už prodává v Izraeli (primárně online) a plánuje růst přes piloty a partnerství. To je realistický přístup: v potravinářství je škálování mnohem víc o výrobě a dodavatelském řetězci než o samotném produktu.

B2B joint venture vs. značka: dvě různé strategie

Jejich „go-to-market“ dává smysl i pro evropský kontext:

• USA: cesta přes partnery pro rychlé uvedení značky a distribuci
• další trhy: B2B joint venture, kde Anina přináší proces, R&D a know-how, partner přináší lokální trh, spotřebitele a supply chain

Proč je to důležité pro AI v zemědělství a potravinářství? Protože AI projekty často selžou na tom, že nejsou navázané na reálnou operativu. Pokud nemáte partnera, který umí logistiku, výrobu a kvalitu, budete mít modely… a zároveň prázdné regály nebo přebytky.

Kde se AI nejčastěji zaplatí ve škálování

Pokud bych měl vybrat tři oblasti, které firmám v roce 2026 přinesou nejrychlejší ROI, jsou to:

1. Plánování výroby a poptávky (forecasting pro krátké expirace)
2. Kontrola kvality v reálném čase (senzory, kamerové systémy, anomálie)
3. Optimalizace logistiky (teplota, trasy, minimalizace ztrát)

U produktů využívajících „imperfect produce“ je navíc benefit v tom, že získáváte surovinu, která by jinak byla ztráta — ale musíte umět zvládnout její variabilitu. AI je v tomhle stabilizátor.

Co si z Aniny může odnést české zemědělství a potravinářství

Česko řeší podobné napětí jako jiné trhy: tlak na cenu, nároky na kvalitu, přísné standardy a zároveň rostoucí očekávání udržitelnosti. Příběh Aniny naznačuje, že cesta ven není moralizování spotřebitele, ale přesměrování toků surovin.

5 konkrétních kroků, které dávají smysl hned

1. Zmapujte, kde vzniká odpad podle důvodů (estetika, expirace, logistika, procesní ztráty). Bez toho AI nepomůže.
2. Zaveďte „druhé použití“ pro B-kvalitu: zpracování do polotovarů, hotových jídel, pyré, sušených směsí.
3. Nasazujte kamerové třídění tam, kde lidé rozhodují „očima“. Získáte konzistenci.
4. Přidejte predikci trvanlivosti do plánování: co dnes vypadá jako „horší“, může být zítra nejlepší surovina pro zpracování.
5. Testujte produktové koncepty s uživateli brzy (domácí testy, krátké dotazníky, iterace obalu a instrukcí). Anina tohle dělala od prvních měsíců.

A jedna poznámka na rovinu: pokud se vám do toho nechce, protože „AI je složitá“, začněte bez AI — ale začněte. Třeba jen tím, že oddělíte esteticky nevyhovující produkci do zpracovatelské větve a budete ji měřit. Data si pak o AI sama řeknou.

Co bude dál: potraviny jako systém, ne jako produkt

Anina ukazuje, že s potravinovým odpadem se dá bojovat tak, že vytvoříte produkt, který lidi chtějí jíst, a současně přesměrujete suroviny, které systém neumí prodat „krásné“. V kontextu umělé inteligence v zemědělství a potravinářství je to jasný signál: největší přínos AI není v jednom modelu, ale v tom, že propojí pole, sklad, výrobu a spotřebitele do jednoho řiditelného toku.

Pokud dnes řešíte potravinový odpad ve výrobě, v retailu nebo v zemědělské kooperaci, vyplatí se položit si jednoduchou otázku: Které rozhodnutí děláme naslepo a kolik nás stojí? Tam obvykle začíná nejrychlejší projekt s měřitelným dopadem.

Chcete-li to uchopit prakticky, doporučuju začít malým pilotem: vyberte jednu komoditu, jednu výrobní linku nebo jednu kategorii odpadu, nastavte měření a teprve potom vybírejte nástroje. V roce 2026 vyhrají ti, kdo budou mít proces + data + odvahu měnit zaběhlé normy.