Rostou prodeje rostlinného masa v gastro: kde pomůže AI

Prodeje rostlinného masa v americkém gastro segmentu dosáhly podle reportu Good Food Institute (GFI) v roce 2022 historického maxima, zatímco maloobchodní prodeje zůstaly zhruba na stejné úrovni. Tenhle rozdíl je pro potravinářství důležitější, než se na první pohled zdá.

V praxi totiž říká: „Lidé si to v restauraci klidně dají, ale domů si to pravidelně nekupují.“ A přesně v tomhle napětí mezi impulzem v restauraci a rutinou v domácnosti vzniká prostor pro umělou inteligenci v potravinářství – od plánování menu přes předpověď poptávky až po optimalizaci výroby a logistiky.

V rámci série Umělá inteligence v zemědělství a potravinářství beru tuhle zprávu jako signál, že alternativní proteiny už nejsou jen „trend pro pár nadšenců“. Jsou to data. A data jsou prostředí, kde AI dává největší smysl.

Proč rostlinné maso roste v restauracích, ale ne v retailu

Rychlá odpověď: V restauraci zákazník kupuje zážitek a pohodlí, v obchodě kupuje jistotu, cenu a zvyk. A rostlinné maso v retailu často naráží právě na cenu a očekávání.

Ve food service (restaurace, řetězce, kantýny) funguje rostlinná alternativa jako:

• volba bez rizika (když to nebude ono, příště si dám něco jiného)
• součást menu (nemusím přemýšlet, jak to připravit)
• impulzní rozhodnutí (lákavý popis, fotka, limitovaná nabídka)

V retailu se ale hraje jiná hra. Zákazník porovnává:

• cenu za porci
• chuť vs. klasické maso
• složení (ultra-zpracovanost je pro část lidí citlivé téma)
• použitelnost (co z toho vlastně uvařím?)

A pak je tu sezónnost. V prosinci 2025 (kdy tenhle článek čtete) se v Česku řeší domácí rozpočty, „výhodné balení“, sváteční menu a návrat do rutiny po Vánocích. Retailové inovace se v tomhle okně prosazují hůř než například v jarní „restart“ náladě. Gastro má výhodu: umí udělat z novinky událost.

Co z toho plyne pro výrobce a gastro provozy

Jedna věta, kterou si napište na tabuli: Když roste poptávka v gastro, tlak se přesune na dodávky, stabilitu kvality a plánování.

A to jsou disciplíny, kde se bez dobré analytiky a automatizace snadno dostanete do kolotoče:

• jednou zboží dojde → položka se stáhne z menu → prodeje spadnou
• jindy se vyrobí moc → expirace a odpisy
• nedaří se držet chuť a texturu napříč šaržemi → negativní recenze

AI tohle neumí „vyřešit kouzlem“. Umí ale výrazně zlepšit rozhodování, protože spojí signály, které člověk v tabulce neuvidí.

AI pro předpověď poptávky: méně výpadků, méně odpadu

Rychlá odpověď: AI modely pro forecasting dokážou spojit prodeje, počasí, lokální akce, ceny a skladové zásoby – a z toho odhadnout, kolik rostlinných položek se skutečně prodá.

V gastronomii je poptávka „rozbitá“ – závisí na dni v týdnu, čase, lokalitě, akcích a často i na jedné fotce na sociálních sítích. Klasické plánování (minulý týden + 10 %) tady selhává.

Jaká data má smysl sbírat (a většinu už máte)

Pro AI plánování poptávky po rostlinném mase se typicky hodí:

• POS data: prodeje podle položek, variant, hodin a poboček
• sklad a odpady: expirace, vrácené porce, zmetkovitost
• ceny a promo akce: vlastní i konkurence (když jsou dostupné)
• lokální signály: akce v okolí, školní prázdniny, sportovní zápasy
• počasí: teplota, srážky (u některých kategorií překvapivě silné)

Praktický efekt: Když model vyhodnotí, že v pátek večer v centru půjde lépe rostlinný burger než rostlinné „kuře“ v wrapu, objednáte správný mix surovin a nastavíte prep v kuchyni tak, aby se netvořily fronty.

KPI, které stojí za sledování

Aby AI projekt nezůstal jen „hezký dashboard“, dejte si cíle:

1. Míra výpadků (stockout rate) u rostlinných položek
2. Odpisy a potravinový odpad (kg a Kč) v této kategorii
3. Přesnost predikce (např. MAPE) pro top položky
4. Hrubá marže u plant-based položek po započtení odpadu

Tohle jsou metriky, které zajímají provoz i finance. A hlavně: dají se zlepšovat po týdnech, ne po letech.

AI v menu engineeringu: jak rostlinné položky opravdu prodávat

Rychlá odpověď: AI pomáhá najít kombinaci názvu, ceny, umístění v menu a receptury, která maximalizuje prodeje bez snižování kvality.

Maloobchodní prodeje rostlinného masa mohou stagnovat, ale gastro roste, protože umí produkt „zarámovat“. Menu je marketingový nástroj. A AI může být jeho analytická páteř.

Co umí fungovat v praxi (a není to magie)

• Predikce prodejnosti novinky: ještě před nasazením do celé sítě (A/B test na vybraných pobočkách)
• Doporučení bundlů: k rostlinnému burgeru jiná příloha než ke klasice (zvedne spokojenost i marži)
• Dynamická dostupnost: když hrozí vyprodání, AI doporučí „přepnout“ komunikaci na alternativu
• Analýza recenzí: NLP nad komentáři odhalí, jestli lidem vadí chuť, textura, cena, nebo velikost porce

Dobrá rostlinná položka není „bezmasá“. Je to plnohodnotná volba, která se prodává sama, protože dává smysl.

V českém kontextu často vidím jednu chybu: rostlinná varianta je v menu jako omluva, ne jako tahák. AI vám to ukáže tvrdě – nízká konverze, vysoká cenová citlivost, časté stížnosti na „suché“ nebo „bez chuti“.

Konkrétní postup na 30 dní

1. Vyberte 2 rostlinné položky s největším potenciálem (marže + recenze).
2. Udělejte 2 varianty popisu a 2 cenové hladiny (malý rozdíl).
3. Testujte na 5–10 pobočkách po dobu 14 dnů.
4. Vyhodnoťte podle prodeje, marže, odpadu a hodnocení.
5. Nasazujte vítěze a iterujte.

AI tady může dělat predikce a segmentaci hostů, ale i „obyčejná“ automatizovaná analytika a experimenty udělají hodně.

Od výroby po logistiku: kde AI stabilizuje plant-based řetězec

Rychlá odpověď: Jakmile gastro roste, největší riziko je nestabilní dodavatelský řetězec. AI pomůže sladit výrobu, distribuci a kvalitu šarží.

Rostlinné maso není jen recept. Je to proces: suroviny (hrách, sója, pšenice, oleje), funkční složky, texturace, balení, chlazený řetězec. A každé místo, kde se to „rozjede“, se projeví na talíři.

Typické problémy a AI řešení

• Kolísání kvality surovin (např. obsah bílkovin, vlhkost):
  • řešení: modely pro klasifikaci šarží, doporučení úprav receptury
• Plánování výroby podle objednávek:
  • řešení: optimalizace výroby s omezeními (kapacity linek, trvanlivost)
• Distribuce do gastro:
  • řešení: predikce odběru po pobočkách, optimalizace tras a závozových oken
• Chlazený řetězec a ztráty:
  • řešení: detekce anomálií z teplotních senzorů, včasné zásahy

A teď propojení se zemědělstvím, které v naší sérii řešíme dlouhodobě: když máte lepší predikce pro gastro poptávku, dokážete lépe plánovat i nákup vstupních plodin a smluvní pěstování. To je přesně ta „od pole po talíř“ logika, kde AI dává ekonomický smysl.

Co si z toho vzít v Česku: restaurace, výrobci, agrární sektor

Rychlá odpověď: Pokud chcete z růstu plant-based v gastro něco vytěžit, začněte měřit, sjednoťte data a udělejte 1 pilotní AI projekt s jasnými KPI.

Zpráva GFI je sice z USA a z roku 2022, ale vzorec chování je přenositelný: restaurace umí trend zrychlit, retail ho nemusí následovat. Pro český trh to znamená, že nejrychlejší návratnost investice často není „velká retailová kampaň“, ale provozní dokonalost ve food service.

Doporučení podle typu firmy

Restaurace a řetězce

• Zaměřte se na predikci poptávky a menu engineering.
• Měřte odpad u rostlinných položek odděleně.
• Používejte recenze a komentáře jako produktová data, ne jako „názory“.

Výrobci rostlinných produktů

• Budujte společné plánování s odběrateli (sdílení anonymizovaných forecastů).
• Stabilizujte kvalitu šarží: senzorika + laboratorní data + modely.
• Optimalizujte balení a gramáže pro gastro (jiné než retail).

Zemědělství a zpracovatelé surovin

• Sledujte signály z gastro poptávky jako vstup pro plánování plodin.
• Využijte AI pro odhady výnosů a kvality (např. u hrachu/olejnin) a propojte je s kontrakty.

Největší rozdíl mezi „trend“ a „byznys“ je schopnost dodat správné množství ve správný čas.

Co udělat hned: jednoduchý start bez složitých projektů

Rychlá odpověď: Začněte auditováním dat, nastavte 3 metriky a postavte týdenní rutinu rozhodování. Pak teprve automatizujte.

Mám rád přístup „nejdřív disciplína, pak AI“. Pokud nemáte pořádek v datech, AI jen urychlí chaos.

Zkuste tohle:

1. Datový audit (1 týden): odkud berete prodeje, odpady, sklad? Co chybí? Jak často to aktualizujete?
2. Základní dashboard (2 týdny): prodeje + marže + odpad u plant-based položek po pobočkách.
3. Pilot predikce (4 týdny): forecast pro top 10 položek a doporučení objednávek.
4. Provozní rutina: týdenní plánování objednávek a měsíční revize menu.

Když tohle funguje, dává smysl přidat pokročilejší věci: optimalizaci výroby, dynamické ceny, personalizované nabídky, propojení s dodavateli.

Kam to míří v roce 2026: kdo bude připravený, vyhraje v efektivitě

Gastro prodeje rostlinného masa ukazují, že poptávka není mrtvá – jen se přesouvá do kanálů, kde lidé méně riskují a víc si dopřejí. Pro potravinářství to znamená tlak na přesné plánování a stabilní dodávky. Pro zemědělství zase příležitost lépe plánovat plodiny a smluvní produkci pro alternativní proteiny.

Pokud je vaším cílem růst (a ne jen „mít v nabídce i něco rostlinného“), AI je praktický nástroj: pomůže vám předvídat, optimalizovat a omezit ztráty. A to je v roce 2025/2026 ten rozdíl, který je vidět na hospodářském výsledku.

Co by se změnilo ve vašem provozu, kdybyste dokázali o 20 % snížit výpadky rostlinných položek a zároveň o 15 % omezit odpisy z expirace?