AI v čerstvých potravinách: méně odpadu, víc čerstvosti

Když americký řetězec Albertsons nasadil AI systém pro objednávání a řízení zásob čerstvého zboží do více než 2 200 prodejen během sedmi měsíců, nebyla to jen technologická zajímavost. Je to praktická ukázka toho, kam dnes míří umělá inteligence v potravinářství: od „chytré tabulky“ k rozhodování, které každý den ovlivňuje, kolik ovoce a zeleniny skončí v koši a kolik na talíři.

V Česku řešíme totéž, jen v menším měřítku: nestabilní ceny energií, tlak na marže, výkyvy poptávky (před Vánoci a po Vánocích to zná každý nákupčí) a zároveň rostoucí očekávání zákazníků, že salát bude křupavý a banány nebudou ani zelené, ani hnědé. Realita? U čerstvých potravin je plánování tvrdá disciplína.

A přesně tady má AI řízení zásob smysl – ne jako „magie“, ale jako dobře postavená predikce poptávky, která bere v úvahu prodejní data, sezónnost, dodací rytmus i lokální specifika prodejny.

Co přesně udělala Afresh a proč je to pro potravinářství důležité

Afresh nasadila u Albertsons platformu pro prediktivní objednávání a inventory management čerstvých potravin (zejména ovoce a zeleniny). Pointa je jednoduchá: obchodní tým má v ruce doporučení, kolik kusů objednat, aby byly regály plné, ale zároveň se minimalizoval odpad.

Zajímavé nejsou jen algoritmy, ale i rychlost implementace. V retailu bývají změny systémů běh na dlouhou trať – často roky. Tady šlo o měsíce. To je signál pro celý sektor: AI projekty v dodavatelském řetězci už nejsou nutně „nekonečné transformace“, pokud jsou dobře ohraničené a zaměřené na konkrétní problém.

Jedna z nejpraktičtějších definic, kterou v praxi používám: AI v řízení čerstvých potravin je systém, který dělá lepší rozhodnutí o objednávce, než člověk stihne udělat ručně – a umí své rozhodnutí opakovat konzistentně každý den.

Proč je čerstvé zboží tak těžké plánovat (a proč v tom AI vítězí)

Čerstvé zboží je nevyzpytatelné. Ne proto, že by lidé neměli rádi jablka, ale protože poptávku ovlivňuje víc proměnných, než se vejde do hlavy jedné směny.

Krátká trvanlivost a ztráty, které bolí dvojnásob

U trvanlivých potravin se chyba „rozpustí“ v čase. U čerstvých potravin ne. Pokud objednáte o 20 % víc jahod, velmi pravděpodobně se to projeví:

• vyššími odpisy,
• vyšší pracností (přebírání, překládání, zlevňování),
• horší prezentací (přeplněný regál paradoxně snižuje prodej),
• a často i horším vnímáním kvality.

Lidské rozhodování je dobré, ale nekonzistentní

Zkušený vedoucí úseku ovoce/zelenina dokáže odhadnout spoustu věcí. Problém je, že:

• střídají se směny,
• mění se dodavatelé a dodací okna,
• přichází akce, svátky, výkyvy počasí,
• a do toho se hromadí mikrochybky v datech.

AI je v tomhle neúprosná: pokud má kvalitní vstupy, umí držet konzistenci a učí se z odchylek.

Sezónnost: prosinec je jiný sport

Konec roku je pro čerstvé zboží specifický. V prosinci roste poptávka po citrusových plodech, některých typech zeleniny do salátů, a mění se i nákupní chování (větší nákupy, méně návštěv). Po 25.12. přichází propad a jiné preference. AI predikce poptávky má výhodu: pokud má historii a signály (akce, kalendář, lokální prodej), umí tyto zlomy zachytit rychleji než ruční „pocit“.

Jak AI systém pro objednávky funguje v praxi (bez marketingové mlhy)

AI v řízení zásob čerstvých potravin stojí na třech stavebních kamenech: data, predikce a exekuce.

1) Data: prodeje, odpady, dodávky, akce

Aby doporučení dávala smysl, systém typicky pracuje s:

• denními prodeji po položkách (SKU),
• skladovou dostupností a inventurami,
• dodacími cykly a minimálními odběry,
• promoakcemi a cenami,
• záznamy o odpadu / odpisu,
• parametry trvanlivosti a „rychlosti prodeje“.

Nejde o to mít „big data“. Jde o to mít správná data na správné rozhodnutí.

2) Predikce: kolik se prodá do další dodávky

Cíl predikční části je praktický: odhadnout poptávku do dalšího dodacího okna tak, aby zásoba neklesla pod určitou hladinu, ale zároveň nepřetekla do odpadu.

Dobře navržený systém navíc umí pracovat s nejistotou. Neříká jen „objednej 34 ks“, ale implicitně optimalizuje riziko:

• riziko výpadku (ztracený prodej, nespokojený zákazník),
• riziko přebytku (odpis, znehodnocení kvality).

3) Exekuce: jednoduché nástroje pro lidi v prodejně

Tady se láme chleba. Pokud je ovládání složité, prodejna to obejde. Afresh zdůrazňuje „easy-to-use ordering tools“ – a to je správně.

V praxi nejlépe funguje:

1. systém doporučí objednávku,
2. vedoucí ji rychle zkontroluje (výjimky, lokální akce),
3. potvrzení se propíše do objednávkového toku.

AI není autopilot bez dozoru. Je to kopilot, který šetří čas a snižuje chyby.

Co si z příběhu Albertsons může vzít český retail, výrobce i zemědělci

Albertsons je retailový gigant, ale poučení je přenositelné. A co víc: týká se celého řetězce „pole–sklad–prodejna“.

Pro retail: méně odpadu a stabilnější dostupnost

Retail díky AI řízení zásob získá hlavně:

• nižší potravinový odpad u čerstvého sortimentu,
• vyšší pravděpodobnost, že zákazník najde to, co hledá,
• méně hektiky na prodejně (objednávky nejsou každodenní improvizace),
• lepší plánování práce (přebírání, doplňování, zlevňování).

A důležitý detail: Albertsons veřejně mluví o cíli nulového odpadu na skládky do roku 2030. Takové cíle se nedají splnit jen „motivací“. Potřebujete systém, který drží proces.

Pro výrobce a dodavatele: lepší signál poptávky

Když obchod plánuje přesněji, zlepší se i upstream:

• stabilnější objednávky,
• méně urgentních doobjednávek,
• lepší plánování výroby a expedice,
• méně vratů a reklamací kvůli kvalitě.

To je přímé propojení na naši sérii Umělá inteligence v zemědělství a potravinářství: AI není jen o dronu nad polem. Stejně silný dopad má AI ve chvíli, kdy řeší distribuci a dostupnost potravin.

Pro zemědělce: odhad odbytu a tlak na kvalitu

U čerstvých produktů se kvalita a logistika potkávají v ostrém provozu. Pokud retail díky AI zpřesní objednávky, zemědělec a balírna dostanou:

• čitelnější poptávkový plán,
• motivaci držet stabilní kvalitu a třídění,
• tlak na sdílení dat (šarže, sklizeň, doba cesty).

Dlouhodobě to vede k tomu, že se „precizní zemědělství“ propojí s „precizní logistikou“.

Jak poznat, že AI projekt pro čerstvé zboží dává smysl (a na čem často shoří)

Nejrychlejší cesta k výsledkům je začít tam, kde je největší bolest: čerstvé kategorie s vysokým odpisem a vysokou variabilitou.

Praktický checklist před startem

• Máte spolehlivá data prodeje a odpisu alespoň za 12–24 měsíců?
• Umíte popsat dodací cyklus (kdy, jak často, jaké min. množství)?
• Má prodejna jednoduchý proces inventury (aspoň orientační)?
• Je jasné, kdo schvaluje výjimky a proč?

Když tohle chybí, AI bude „počítat“, ale nebude mít z čeho.

Tři nejčastější chyby, které vídám

1. Přepálené očekávání: AI nevyřeší špatné procesy na prodejně.
2. Chybějící vlastník projektu: bez jasného odpovědného člověka to sklouzne do IT úkolu bez dopadu.
3. Ignorování výjimek: lokální akce, změny otevírací doby, výpadky dodavatele – systém musí mít „nouzový režim“.

Mini-Q&A: otázky, které padnou vždy

Funguje AI objednávání i pro menší sítě a farmářské distribuce?

Ano, pokud existuje dostatek transakčních dat a pravidelný dodavatelský rytmus. U menších hráčů bývá výhoda v rychlejší změně procesů.

Je cílem nahradit lidi v prodejnách?

Ne. Cílem je z lidí sundat rutinu a dát jim prostor řešit kvalitu, vystavení a práci se zákazníkem. U čerstvého sortimentu to přímo zvyšuje prodej.

Jak rychle se dá čekat návratnost?

U čerstvých kategorií bývá návratnost typicky rychlejší než u „velkých“ ERP projektů, protože odpisy jsou vidět okamžitě. Konkrétní číslo ale závisí na vstupním odpadu, disciplíně procesů a kvalitě dat.

Co udělat teď, pokud řešíte odpad a dostupnost čerstvého zboží

AI řízení zásob čerstvých potravin je dnes jedna z nejpraktičtějších aplikací umělé inteligence v potravinářství. Dává výsledky, protože míří na konkrétní každodenní rozhodnutí: kolik objednat, kdy a kam.

Pokud jste retail, výrobce nebo zemědělský podnik, který dodává do řetězců, navrhoval bych začít jednoduše:

1. Vyberte 1–2 kategorie s nejvyšším odpadem (typicky ovoce/zelenina, pečivo, chlazené).
2. Zmapujte objednávkový proces a nejčastější výjimky.
3. Srovnejte data (prodej, odpis, dodávky) a stanovte baseline.
4. Nastavte pilot na omezeném počtu prodejen a měřte: odpis, dostupnost, práci.

Naše série Umělá inteligence v zemědělství a potravinářství stojí na jednoduché myšlence: největší přínos AI často není v „wow efektu“, ale v tom, že zlepší rozhodování v místech, kde každý den vznikají tisíce malých ztrát. Čerstvé potraviny jsou přesně takové místo.

Kde podle vás v českém potravinářském řetězci vzniká nejvíc zbytečného odpadu – na poli, ve skladu, nebo až v prodejně?