AI roboti v provozu: lekce z nemocnic pro agrifood

15 % času sester může získat zpět automatizace rutinních úkonů. To není marketingová pohádka, ale konkrétní odhad z analýz pracovního zatížení ve zdravotnictví. A právě proto dává smysl zpráva, že Bear Robotics jde do nemocnic přes partnerství se Sodexo: nejde „jen“ o roboty na rozvoz jídel. Jde o to, jak se AI a robotika dají zapojit do provozu tak, aby lidé dělali to, co má nejvyšší hodnotu.

A teď ten důležitý přesah pro náš seriál „Umělá inteligence v zemědělství a potravinářství“: nemocniční kuchyně a logistika jsou extrémně náročné prostředí podobně jako potravinářská výroba nebo velké farmy. Hodně pravidel, vysoké nároky na hygienu a bezpečnost, časová okna, tlak na náklady, nedostatek personálu. Kdo zvládne automatizaci tady, má obvykle dobrý recept i pro farm-to-table řetězec.

V tomhle článku beru partnerství Bear Robotics × Sodexo jako praktickou případovou studii a převádím ji do jazyka agrifood: co si z toho odnést, kde dávají roboti nejrychlejší návratnost a jak připravit data, procesy i lidi, aby to fungovalo i u nás.

Proč jsou nemocnice tak dobrý „testovací polygon“ pro AI logistiku

Nemocnice jsou pro provozní automatizaci tvrdá škola. Když robot zvládne nemocnici, často zvládne i potravinářský závod nebo velký sklad surovin.

Provoz je kombinace detailu a stresu

Nemocniční stravování není „jeden oběd“. Je to mix dietních režimů, alergií, omezení (např. bezlepková, diabetická, low-sodium), přesných časů výdeje a dohledatelnosti. Logistika navíc běží paralelně s úklidem, převozem materiálu a provozem na chodbách.

V agrifoodu to známe: receptury, šarže, alergeny, HACCP, teplotní řetězec, rozvoz na rampy, fronty na váze, krátká okna na nakládku. Princip je stejný: správná věc, správnému člověku/místu, ve správný čas, se správným záznamem.

Nedostatek personálu se neřeší náborem ze dne na den

Ve zdravotnictví se očekává růst odvětví o 16 % (2020–2030) a tlak na kapacity je dlouhodobý. V potravinářství a zemědělství je situace podobná: sezónnost, fyzicky náročná práce, fluktuace, náročné směny.

Moje zkušenost z provozních projektů: když je personál napjatý, nejrychlejší úleva nepřijde z „větší kontroly“, ale z odstranění zbytečných kilometrů a čekání. Robot je v praxi často „stroj na rušení chůze“ – a to je překvapivě velká část nákladů.

Co přesně dělají servisní roboti a kde je skutečná AI

U servisních robotů je snadné sklouznout k představě, že jde o „chytrý vozík“. Realita: největší hodnota je v kombinaci tří vrstev – navigace, orchestrace úkolů a provozní data.

1) Autonomní pohyb je jen základ

Robot musí bezpečně jezdit mezi lidmi, vyhýbat se překážkám, zvládat výtahy a dveře, orientovat se v měnícím se prostředí. To je technicky náročné, ale z hlediska byznysu je to „nutná podmínka“.

2) Orchestrace úkolů rozhoduje o úsporách

Hodnota vzniká, když robot není nasazen „ad hoc“, ale je součástí plánování:

• Kdy vyrazit, aby stihl časové okno
• Jak spojit více rozvozů do jedné trasy
• Jak reagovat na špičku (např. po výdeji)
• Jak přepnout mezi režimy (jídlo, materiál, prádlo)

Tady se dostává ke slovu AI v tom smyslu, který je užitečný i v agrifoodu: predikce zatížení, optimalizace tras, prioritizace úkolů.

3) Data z provozu jsou palivo pro zlepšování

Jakmile robot dělá pravidelné úkony, vzniká datová stopa: časy, zdržení, kolize, čekání u dveří, neefektivní trasy, přetížení konkrétních míst. V potravinářství tohle miluju: najednou se z „pocitového“ řízení stává řízení podle faktů.

Jednovětá definice, která se hodí i do výroby: Robotika není o náhradě lidí, ale o standardizaci a měření rutiny.

Paralela s agrifood: od nemocničních vozíků k „harvest cart“

Když se řekne AI v zemědělství, většina lidí si představí drony a satelitní snímky. To je důležité. Ale nejrychlejší návratnost často leží v logistice a manipulaci – tam, kde dnes lidé tlačí vozíky, převážejí přepravky, hledají palety nebo čekají na uvolnění trasy.

Kde to dává smysl v potravinářství

Nemocniční rozvoz jídel se překvapivě dobře mapuje na vnitropodnikovou logistiku:

• Převoz surovin ze skladu do výroby (šarže, FIFO/FEFO)
• WIP logistika mezi pracovišti (polotovary, obaly)
• Hotové výrobky na expedici (časová okna, rampy)
• Zpětná logistika (vratné obaly, přepravky)

AI přidaná hodnota se typicky ukáže ve dvou metrikách: zkrácení průběžné doby a snížení „neproduktivních přesunů“.

Kde to dává smysl v zemědělství

Na farmě je analogie ještě přímočařejší:

• Převoz sklizně z pole na okraj farmy nebo do chladírny
• Rozvoz krmiva, steliva, materiálu v živočišné výrobě
• Obsluha skleníků: převozy sadby, přepravek, odpadu

A stejně jako v nemocnici platí: nejdřív rutina, potom rozšíření. Kdo začne hned „autonomním traktorem na všechno“, obvykle narazí na realitu variability. Kdo začne interní logistikou a standardními trasami, získá rychle stabilitu i data.

Partnerství jako šablona pro zavádění AI: proč model Sodexo funguje

Mnoho firem chce AI, ale nechce být systémovým integrátorem. A tady je klíčový moment: Sodexo je provozní partner, který má kapacitu řešit implementaci, školení, procesy a SLA. Bear Robotics přináší technologii.

V agrifoodu je tohle přesně ten model, který urychluje adopci:

• technologický dodavatel (robotika/AI)
• provozní integrátor (facility/logistika/outsourcing)
• zákazník (výroba/farma), který definuje cíle a hlídá data

Co si z toho vzít, pokud jste výrobce nebo zemědělský podnik

1. Nekupujte roboty jako „hardware“. Kupujte výkon: počet doručených úkolů, ušetřené minuty, splněná okna.
2. Trvejte na měření před/po. Bez baseline dat neprokážete návratnost.
3. Řešte odpovědnost za změnu procesu. Technologie sama o sobě proces nezlepší.

Praktický checklist: jak připravit provoz na roboty a AI (bez chaosu)

Nejčastější důvod neúspěchu není technologie. Je to špatně zvolený use case a nepřipravené prostředí. Tohle je krátký checklist, který bych si dal na stůl ještě před pilotem.

1) Vyberte úlohu s jasnou rutinou

Hledejte procesy, které jsou:

• opakované (denně/na směnu)
• měřitelné (čas, vzdálenost, počet jízd)
• bezpečné (nízké riziko škody)
• s minimem výjimek

Příklad z potravinářství: rozvoz obalů z jednoho skladu na dvě balicí linky v pravidelných intervalech.

2) Zmapujte překážky a „úzká hrdla“

• dveře a přístupové systémy
• výtahy, rampy, prahy
• místa s hustým provozem (šatny, jídelny, úklid)
• hygiena a zónování (čisté/špinavé)

3) Připravte data a napojení (stačí minimum)

Pro první pilot často stačí:

• jednoduchý seznam úkolů a priorit
• časová okna (kdy má být co kde)
• mapy tras a zakázané zóny

Později dává smysl integrace na WMS/MES/ERP a plánování výroby. Ale nezačínejte integracemi jako první krok, pokud nemáte jasno v procesu.

4) Nastavte KPI, které mají smysl i pro lidi v provozu

Doporučené KPI pro „logistické“ roboty:

• počet jízd/úkolů za směnu
• průměrná doba úkolu a její variabilita
• procento úkolů včas
• ušetřené kroky/minuty personálu
• počet incidentů a důvody (dveře, překážky, čekání)

5) Udělejte z pilotu nástroj změny, ne demonstraci

Pilot má být krátký, ale poctivý. Ideální cíl je během 6–10 týdnů odpovědět na tři otázky:

1. Kde je reálná úspora času?
2. Co je největší brzda (proces vs. infrastruktura)?
3. Jaká je škálovatelnost na další trasy a směny?

Nejčastější otázky z praxe (a moje stručné odpovědi)

„Nebude to znamenat propouštění?“

Většinou ne. V prostředí, kde chybí lidé, roboti typicky umožní udržet služby a kvalitu bez toho, aby se tým „utavil“. Reálný přínos je, že se člověk přesune z přenášení na dohled, kontrolu kvality, práci s klientem nebo obsluhu stroje.

„Kdy to dává ekonomicky smysl?“

Jakmile máte stabilní rutinu a měřitelné přesuny. Pokud robot nahradí desítky kilometrů chůze týdně a zlepší dodržení časových oken, ROI bývá rychlejší, než si lidé myslí.

„Co když je prostředí moc proměnlivé?“

Pak je potřeba začít v části provozu, která je nejvíc standardizovaná. V agrifoodu to bývá sklad–výroba–expedice. Na farmě typicky areálové trasy mezi fixními body.

Co to znamená pro AI v zemědělství a potravinářství v roce 2026

Na konci roku 2025 je vidět jeden trend: AI se prosazuje tam, kde umí zlepšit provozní spolehlivost, ne tam, kde jen hezky vypadá na prezentaci. Partnerství typu Bear Robotics a Sodexo ukazuje, že robotika se posouvá z „novinky“ do standardního nástroje pro služby a logistiku.

Pro zemědělství a potravinářství z toho plyne jednoduchá rada: pokud chcete AI, nezačínejte vizí „chytré továrny“. Začněte tím, že si vezmete jednu rutinu, změříte ji, zautomatizujete a pak škálujete. Většina firem, které to udělají poctivě, zjistí, že největší zisk není jen v ušetřených hodinách, ale v menším chaosu.

Pokud přemýšlíte, kde u vás dává smysl pilot AI robotiky v logistice potravin nebo jak připravit data pro optimalizaci výroby a dodavatelského řetězce, napište si interně tři procesy, kde lidé nejvíc „převážejí vzduch“. A zkuste si představit, jak by to vypadalo, kdyby tyhle kilometry dělal stroj a lidé řešili kvalitu, bezpečnost a výstup.

Která část vašeho provozu dnes nejvíc trpí zbytečnými přesuny – sklad, výroba, nebo expedice?