Proč rychlé nákupy padly: AI jako brzda ztrát

Rychlost doručení potravin se v roce 2021 prodávala jako samozřejmost: „do 10–15 minut“ nebo nic. Jenže když v březnu 2023 skončil Food Rocket (další z řady „speedy grocery“ služeb), ukázalo se něco nepříjemně prostého: rychlost sama o sobě není obchodní model. A když dojde kapitál, hezká aplikace ani flotila kurýrů to nezachrání.

V naší sérii Umělá inteligence v zemědělství a potravinářství se obvykle bavíme o výnosech, predikci chorob nebo optimalizaci výroby. Tohle je ale druhá strana téže mince: distribuce potravin a logistika. Food Rocket je dobrý „případový“ příběh, protože na něm jde vidět, co se stane, když startup řeší hlavně marketingové KPI (minuty) a méně už ekonomiku jednotky, reálnou poptávku a plýtvání v dodavatelském řetězci.

A teď ta užitečná část: kde by data a AI reálně pomohly, aby podobné projekty nepálily peníze – a co si z toho mohou vzít i zemědělské a potravinářské firmy v Česku.

Co se pokazilo: rychlost je drahá a poptávka není nekonečná

Hlavní problém ultra-rychlých nákupů je, že ekonomika se láme na poslední míli. Doručit „hned“ znamená držet skladové zásoby blízko zákazníka (dark stores), mít kurýry v pohotovosti a plánovat tak, aby objednávka vyjela okamžitě. To je nákladově úplně jiná disciplína než „dnes odpoledne“ nebo „zítra“.

Food Rocket ve svém vyjádření uvedl, že skončil po vyčerpání financování, a to i přes celkovou profitabilitu. Tohle je časté nedorozumění: firma může být „na papíře“ zisková v omezeném provozu nebo v určitých oknech, ale stejně jí dojde cash, protože růst, expanze a provozní kapitál stojí obrovské peníze.

Mýtus: „Každý bude chtít vše do 10 minut“

Reality check: většina nákupů není urgentní. Zákazníci chtějí pohodlí a spolehlivost, ale jen u části košíků jsou ochotni platit za extrémní rychlost. Typicky jde o:

• „zapomněl jsem“ položky (mléko, vajíčka, pečivo)
• dětské potřeby
• večerní impulzní nákupy

Pro běžný týdenní nákup často stačí doručení tentýž den nebo časové okno. Kdo staví podnikání jen na „okamžitosti“, staví ho na úzkém segmentu poptávky.

Mýtus: „Stačí víc kurýrů a víc skladů“

Víc skladů zkrátí čas, ale zvedne složitost zásobování a riziko odpisů (čerstvé zboží, expirace). Víc kurýrů zlepší dostupnost, ale zhorší vytížení (kurýři čekají). V obou případech se snadno rozjede „nákladová spirála“.

Lekce pro potravinářství a agro: AI nepřidává rychlost, přidává přesnost

V potravinách je „rychlost“ často zaměňovaná za „kvalitu“. Jenže kvalitu (čerstvost, dostupnost, méně odpadu) dnes nejčastěji vyhrává přesné řízení toku zboží. A přesnost je doména dat a AI.

Poučení z Food Rocketu: nevyhrává ten, kdo doručí nejrychleji. Vyhrává ten, kdo doručí správný koš, správnému zákazníkovi, ve správný čas – a přitom mu vyjde jednotková ekonomika.

Tohle je překvapivě blízko tomu, co řeší zemědělství:

• kdy zasít a sklízet (časování)
• kolik hnojiva a vody (optimalizace vstupů)
• jak minimalizovat ztráty (waste)

V logistice potravin jde o totéž, jen v jiné části řetězce.

Kde konkrétně mohla AI pomoci (a kde pomůže vám)

AI není kouzlo. Je to sada nástrojů, které zkracují cestu od dat k rozhodnutí. U ultra-rychlého grocery jsou rozhodnutí tvrdá a každá chyba stojí peníze.

1) Predikce poptávky po jednotlivých položkách a v čase

Největší náklad dark store modelu je špatná skladba zásob. Pokud držíte příliš mnoho, odepisujete. Pokud málo, ztrácíte objednávky.

AI modely pro predikci poptávky typicky kombinují:

• historii objednávek (SKU-level)
• den v týdnu, svátky, výplaty
• lokální události (sport, koncerty)
• počasí (u potravin často zásadní)
• promo akce a cenové elasticity

V českém kontextu to znamená třeba výrazně jiný profil poptávky na sídlišti vs. v centru města, nebo před Vánoci (prosinec) vs. leden.

Praktický výstup: pro každou lokalitu a časové okno víte, které položky budou „tahat“ košík a které jen zabírají místo.

2) Optimalizace sortimentu: méně položek, lepší marže

Speedy grocery často trpělo „supermarketovým“ sortimentem v miniaturním skladu. To je past.

AI může pomoct udělat disciplinovanou selekci:

• identifikace hero produktů (položky, které zvyšují konverzi)
• párování položek (co se kupuje spolu)
• modelování marže vs. obrátky vs. rizika expirace

Silný princip: v ultra-rychlém modelu je lepší mít 1 200 dobře vybraných SKU než 4 000 průměrných.

3) Dynamická cena a poplatky podle reálných nákladů

Jestli něco rychlé doručení odhaluje, tak to, že náklady nejsou konstantní. V 18:30 je to jiná logistika než ve 14:00.

AI (nebo i jednodušší prediktivní modely) umí řídit:

• doručovací poplatek podle špičky
• minimální hodnotu košíku podle vytížení
• slevy na „přetlakové“ zásoby (blížící se expirace)

V potravinářství to má přímý dopad na plýtvání: raději prodat se slevou než odepsat. A rozhodovat se systémově, ne pocitově.

4) Routing a plánování směn: AI pro poslední míli

„10 minut“ zní jako marketing, ale logisticky je to závazek. Routing se musí přepočítávat v reálném čase.

AI přístup (v praxi často kombinace heuristik a ML) řeší:

• predikci doby jízdy podle mikrolokality
• přiřazování objednávek kurýrům tak, aby rostlo vytížení
• plánování směn podle očekávané poptávky

Zemědělské firmy v tom uvidí paralelu: plánování strojů, kapacit posklizňové linky, svozů do sil.

5) Detekce „nezdravého růstu“ a včasné varování pro management

Tady budu přímočarý: většina startupů padá na řízení cash a na tom, že nevidí problém včas.

AI a datová analytika nejsou jen o provozu. Jsou o řízení firmy:

• kohorty zákazníků (kolik se vrací po 30/60/90 dnech)
• CAC vs. LTV po lokalitách
• příspěvková marže po časových oknech
• „waste rate“ u čerstvého zboží

Pokud je třeba večerní špička objemově skvělá, ale maržově mínusová (kurýři, reklamace, substituce), je lepší změnit pravidla doručení než „doufat“.

Co si z Food Rocketu mají vzít agro a potravinářské firmy v roce 2025

Prosinec 2025 je období, kdy se v potravinách hodně řeší tlak na ceny, náklady energie, obaly a zároveň očekávání zákazníků na pohodlí. Z toho plyne jednoduchá věc: efektivita dodavatelského řetězce je konkurenční výhoda.

Tři přenositelné lekce

1. Rychlost je jen jedna metrika. Důležitější je dostupnost, čerstvost a nízké ztráty.
2. Bez predikce poptávky roste odpad i náklady. To platí pro sklad i pro pole.
3. Data musí být u rozhodnutí, ne v reportu. Dashboard jednou týdně nikoho nespasí.

Mini-checklist: kde začít s AI v potravinářské logistice

• Máte SKU-level data o prodejích a expiracích v jedné vrstvě?
• Umíte spočítat příspěvkovou marži po kanálech (retail, e-shop, B2B)?
• Máte definované „service level“ (dostupnost) a „waste“ cíle?
• Sledujete substituce a reklamace jako signál špatných zásob?
• Umíte udělat pilot v jedné lokalitě za 6–8 týdnů?

Pokud jsou odpovědi spíš „ne“, AI projekt obvykle nezačíná modelem. Začíná datovým pořádkem.

Co kdyby AI Food Rocket „zachránila“?

Upřímně: AI sama o sobě by nezměnila makroekonomiku ani trh rizikového kapitálu. Ale mohla by výrazně dřív ukázat, které části provozu jsou udržitelné a které ne.

AI by typicky pomohla udělat tři tvrdé kroky včas:

• zúžit sortiment na položky s nejnižším rizikem odpadu a nejvyšší obrátkou
• přenastavit doručovací sliby a poplatky tak, aby jednotková ekonomika vycházela i ve špičce
• zavřít ztrátové zóny dřív, než se „propálí“ hotovost

To není sexy, ale je to rozdíl mezi firmou, která přežije, a firmou, která skončí potichu.

Kam míří „rychlé potraviny“ dál: méně minut, víc chytrosti

Trh se posouvá od sloganu „do 10 minut“ k modelu „kdy to dává smysl“. A to je dobře. V potravinách je totiž skutečný problém jinde: plýtvání, nestabilní poptávka, tlak na marže a složitost dodavatelského řetězce.

AI v zemědělství a potravinářství bude v příštích letech nejvíc vydělávat tam, kde se propojí tři věci:

• predikce (poptávka, výnos, rizika)
• optimalizace (zásoby, trasy, výroba)
• automatizace rozhodnutí (pravidla, výjimky, eskalace)

Pokud stavíte potravinářský nebo agro projekt, který sahá do logistiky, mám jednu nepopulární radu: přestaňte prodávat rychlost jako cíl. Prodávejte spolehlivost a nízké ztráty. Rychlost pak přijde jako vedlejší efekt.

A teď otázka, která rozhoduje o úspěchu víc než fundraising: Kde ve vašem řetězci dnes vzniká nejvíc chyb – na poli, ve výrobě, ve skladu, nebo na poslední míli – a jaké jedno rozhodnutí by AI mohla zlepšit už během příštích 60 dnů?