AI řízení čerstvých potravin: méně odpadu, víc marže

Rychlost, s jakou se kazí čerstvé ovoce a zelenina, je v praxi nemilosrdná. A když se přidá proměnlivá poptávka, akce konkurence, výkyvy počasí a zpoždění v logistice, i zkušený vedoucí úseku občas „střílí od boku“. Výsledek známe: buď prázdné regály, nebo plné kontejnery.

Jeden konkrétní signál, že se to dá dělat jinak, přišel z USA. Společnost Afresh nasadila systém pro prediktivní objednávání a řízení zásob čerstvých potravin do více než 2 200 prodejen skupiny Albertsons (včetně řetězců jako Safeway). A podstatné je ještě něco: implementace proběhla zhruba během sedmi měsíců – v retailu, kde podobné změny běžně trvají roky.

Pro náš seriál Umělá inteligence v zemědělství a potravinářství je to důležité proto, že retail je poslední, ale velmi hlasitý článek řetězce. Když se prodejna naučí objednávat přesněji, začne to měnit chování celého „farm-to-shelf“ systému – od balíren přes distributory až po zemědělce.

Proč je „čerstvé“ tak těžké řídit (a proč na tom záleží i farmářům)

Čerstvé potraviny se nedají řídit jako trvanlivé zboží. U rýže vám nevadí, že přijde o paletu víc. U malin to znamená odpis ještě dřív, než je vyložíte.

V praxi se potkávají čtyři nepříjemné vlastnosti:

• Krátká doba prodeje (trvanlivost a kvalita padají rychle, často nelineárně).
• Vysoká variabilita poptávky (svátky, výplaty, akce, počasí, sportovní události).
• Nerovnoměrná kvalita dodávek (stejná položka, jiné šarže, jiné parametry).
• Lidský faktor v objednávkách (zkušenost je cenná, ale škáluje špatně – a nový kolega se učí měsíce).

Tohle není jen problém obchodů. Pokud řetězce objednávají „na jistotu“ a pak vyhazují, tlak se přelévá zpátky do výroby: víc natrhaného zboží, víc třídění, víc přeprav, víc ztrát. Když se objednávky zpřesní, typicky se zlepší i plánování sklizně a balení – a zemědělec dostane stabilnější odběr.

Co přesně dělá AI systém pro objednávání a zásoby (a v čem je rozdíl)

AI v řízení zásob čerstvých potravin není o „kouzelném tlačítku“, které vše vyřeší. Je to disciplína, kde algoritmus spojuje více signálů najednou a překládá je do jednoduchého doporučení: kolik kusů/kil objednat, kdy a pro jakou prodejnu.

Prediktivní objednávky: od odhadu k řízené pravděpodobnosti

Běžná objednávka se opírá o minulý prodej a intuici. AI přidává:

• sezónnost (týdny v roce, předvánoční špičky),
• lokální chování zákazníků (každá prodejna je jiná),
• promo akce a slevy,
• logistická omezení (dodací dny, minimální odběry),
• a v lepších případech i informace o kvalitě a zbytkové trvanlivosti.

Výsledek není jen „průměr“, ale model, který pracuje s nejistotou. A to je u čerstvého zásadní. Neobjednáváte „správné číslo“, objednáváte nejlepší kompromis mezi rizikem vyprodání a rizikem odpadu.

Řízení zásob v reálném čase: méně tabulek, víc rozhodnutí

Afresh v komunikaci zdůrazňuje „snadno použitelné nástroje“ pro vedoucí oddělení a práci s real-time vhledy. To je v praxi klíčové: pokud systém vyžaduje složité zadávání, skončí jako další ikona, na kterou nikdo nekliká.

Dobré nasazení má jednoduchý cíl:

1. Zjednodušit práci (objednávka na pár kroků).
2. Vysvětlit doporučení (proč právě tolik).
3. Učit se z reality (co se skutečně prodalo, co se zkazilo, co dorazilo pozdě).

AI v čerstvém sortimentu není „autopilot“. Je to kopilot, který drží systém ve správném pásmu – i když se podmínky mění každý den.

Co nám říká nasazení do 2 200 prodejen: škálování, které stojí za pozornost

Nejzajímavější zpráva není jen počet prodejen. Je to kombinace měřítka a rychlosti. Nasadit in-store systém v tisících poboček znamená vyřešit školení lidí, integrace na pokladny/ERP, datovou kvalitu i provozní návyky.

V článku zaznívá i realistický kontext: podobné transformace obvykle trvají roky. Pokud se to podařilo v řádu měsíců, stojí za tím typicky tři věci:

1) Jasně vymezený „use case“

Ne „AI pro všechno“, ale velmi konkrétní problém: objednávání a plánování zásob čerstvé zeleniny a ovoce.

2) Procesy v prodejně, které se dají standardizovat

Čerstvé úseky jsou často řízené lokálně. Když ale dostanou společnou logiku (a pořád prostor pro lokální úpravy), jde to škálovat.

3) Management, který to bere jako provozní prioritu

Když o tom mluví i role typu „Chief Sustainability and Transformation Officer“, je jasné, že to není vedlejší experiment.

Zazněl také konkrétní cíl: nulový potravinový odpad na skládce do roku 2030. A i když je to ambiciózní, dává to firmě ostrý KPI, ke kterému se dá AI přivázat.

Dopad na udržitelnost a ekonomiku: odpad není jen „eko“, je to peníze

Čerstvé potraviny jsou jedním z největších zdrojů ztrát v prodejnách. Každý odpis má dvojí cenu:

• nákupní cenu zboží,
• náklady na manipulaci a likvidaci,
• a často i ztrátu důvěry zákazníka, když je regál jednou prázdný a podruhé přebraný.

AI řízení zásob míří na dvě metriky současně:

1. Snížit odpad (méně zboží končí v odpisech).
2. Zvýšit dostupnost (méně vyprodáno, stabilnější prodej).

A tohle spojení je praktické: obchod nechce „šetřit odpadem“ tak, že bude mít poloprázdné regály. Správně nastavený model drží kvalitu i dostupnost.

Sezónní realita konce roku (prosinec 2025)

V prosinci obchody typicky řeší špičky v ovoci (citrusy, exotika), čerstvé bylinky, saláty, a zároveň tlak na ceny. Před Vánoci je navíc víc impulzních nákupů a více „návštěvních“ domácností.

V takové sezoně je AI nejvíc vidět: modely, které umí pracovat se svátečními anomáliemi a lokálními zvyklostmi, mají náskok. A obchod, který to zvládne, si odnese nejen nižší odpisy, ale i lepší reputaci („u nich to čerstvé fakt vypadá dobře“).

Jak si z toho vzít lekce pro české zemědělství a potravinářství

Afresh cílí retail, ale dopady jsou end-to-end. Pokud jste pěstitel, balírna, distributor nebo potravinářský výrobce, stojí za to sledovat, jaké datové signály retail začne vyžadovat a co bude považovat za standard.

Co může udělat dodavatel už teď

1. Zpřesnit data o šaržích a kvalitě

   • jednotné značení,
   • konzistentní kalibrace,
   • jednoduché předání parametrů (velikost, třída, původ).

2. Zkrátit zpětnou vazbu

   • co se prodalo, co se vrátilo, kde byly reklamace,
   • pravidelný „kvalitativní report“ mezi prodejnou a dodavatelem.

3. Plánovat flexibilněji

   • menší, častější závozy u citlivých položek,
   • lepší práce s předobjednávkami na promo období.

Co může udělat retailer nebo síť prodejen v ČR

Pokud uvažujete o AI pro objednávání čerstvého, držel bych se této posloupnosti:

1. Vyčistit data (prodeje, odpady, skladové pohyby).
2. Vybrat 1–2 kategorie (např. banány + rajčata) a udělat pilot.
3. Změřit dvě metriky: odpisy a vyprodání.
4. Školit na reálných situacích (před svátky, během akcí).
5. Teprve pak škálovat.

Tady mám jedno nepopulární pozorování z praxe digitálních projektů: když se AI nasadí na špinavá data, výsledkem nebude „trochu horší model“. Výsledkem bude nedůvěra lidí. A bez důvěry je systém mrtvý.

Nejčastější otázky, které padnou při zavádění AI do čerstvého

„Nahradí to vedoucí úseku?“

Ne. V dobrém nastavení AI bere rutinu (počty, trendy, výkyvy) a člověk řeší výjimky: kvalitu dodávky, vystavení, lokální akce, komunikaci se zákazníky.

„Co když model doporučí blbost?“

Musí existovat „guardrails“: limity, schvalování u vybraných položek, vysvětlitelnost doporučení a rychlé učení z chyb. Jednorázový výstřel se stane; systém se hodnotí podle trendu a procesní reakce.

„Je to jen pro obří řetězce?“

Ne nutně. Menší hráči často vyhrávají tím, že mají kratší rozhodovací řetězec a mohou rychleji upravit proces. Klíč je vybrat úzký problém a dát mu měřitelné KPI.

Co si z příběhu Afresh odnést (a co udělat dál)

Nasazení AI pro objednávání a řízení zásob čerstvých potravin ve více než 2 200 prodejnách ukazuje jednu věc: optimalizace čerstvého sortimentu už není laboratorní téma. Je to provozní disciplína, kterou lze škálovat – pokud se opře o data, jednoduché workflow a jasné cíle.

Pro zemědělství a potravinářství z toho plyne přímá výzva: čím přesněji budou data a tok informací fungovat mezi polem, balírnou, distribucí a regálem, tím méně se bude vyrábět „do odpadu“.

Pokud řešíte, kde u vás dává AI nejrychlejší smysl (na farmě, ve výrobě, nebo v distribuci), začněte jednou otázkou: Kde dnes vzniká nejvíc ztrát kvůli špatnému odhadu poptávky – a jaké data by ten odhad zpřesnily už během 30 dnů?

---

Poznámka k seriálu: Tento článek patří do série Umělá inteligence v zemědělství a potravinářství. V dalších dílech navážeme tím, jak stejné principy predikce poptávky a optimalizace fungují už na úrovni sklizně, plánování výroby a predikce výnosů.