AI v kuchyni: Samsung Food ukazuje cestu i farmám

V roce 2016 byly týmy jako Whisk schopné „dělat AI“ jen tak, že doslova sháněly výpočetní karty, najímaly PhD specialisty a skládaly prototypy na koleni. Dnes se stejná třída schopností (rozpoznání ingrediencí, strukturování receptů, personalizace jídelníčku) dá postavit rychleji – a to mění pravidla hry pro celý potravinový řetězec.

Příběh Nicka Holzherrra (Whisk → Samsung Food) je na první pohled o chytré kuchyni. Já ho ale čtu jako praktickou případovou studii toho, jak se AI přesouvá z „hezké appky“ do infrastruktury: do datových rozhraní, integrací, doporučovacích systémů a nakonec do fyzických zařízení. A přesně stejný posun dnes probíhá v zemědělství a potravinářství – od jednorázových pilotů k systémům, které řídí kvalitu, výnosy, logistiku a plýtvání.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ se dnes podíváme, co si z úspěchu Samsung Food může odnést agribusiness, potravináři i retail.

Whisk → Samsung Food: proč vyhrává AI, která je „všude“

Nejdůležitější lekce z Whisk není konkrétní funkce. Je to strategie: uživatelé chtějí recepty použít odkudkoliv, ne z jedné databáze. To Nick Holzherr popsal přímo: aby šlo recepty „zpřístupnit všude“ a udělat je chytré, musíte je umět automaticky přečíst, převést do struktury a propojit s nákupem, spotřebiči a preferencemi.

Whisk s tím začal už kolem roku 2012–2014, tedy dávno před tím, než byly moderní knihovny a „hotová“ AI dostupná startupům. V praxi to znamenalo:

• parsování receptů (ingredience, kroky, množství, jednotky, časování)
• normalizaci dat (třeba „špetka soli“ vs. „2 g soli“) a mapování na produkty
• shoppable recipes (propojení receptu s košíkem v e-shopu)
• integrace přes API do publisherů, retailerů a později i výrobců spotřebičů

Tahle „nudná“ část – API, datové modely, integrace – je přesně to, co ve výsledku umožní škálování. V zemědělství je analogie jasná: nejde jen o jeden model na detekci plevelů, ale o to, aby se výstup dostal do rozhodování (postřik, závlaha, sklizeň, logistika).

Přerod z B2C do B2B: vzorec, který zná i agro

Whisk původně mířil na spotřebitelskou aplikaci, ale škálování bylo těžké. Zlom nastal, když firma využila technologie jako platformu pro ostatní (B2B) a začala ji licencovat.

Tohle je v agru až bolestně známé: mnoho projektů začne „farmer appkou“, ale reálná adopce přijde, když se produkt stane:

• součástí stávajících workflow (farm management, ERP, MES)
• napojený na stroje a senzory (IoT, telematika, satelit, drony)
• ekonomicky obhajitelný přes jasný model monetizace

Whisk popsal tři zdroje příjmů, které dávají smysl i pro agri-food AI:

1. Licence / předplatné za API (u agru typicky za modul, hektary, zařízení)
2. Fee za transakci nebo přivedeného zákazníka (u agru třeba propojení inputů, servisních zásahů, marketplace)
3. Brand/CPG model (v agru může fungovat „sponzorované doporučení“ odrůd, hnojiv – ale pozor na transparentnost)

Moje zkušenost: firmy v potravinářství často podcení, že monetizace není jen „prodám dashboard“. Nejlépe se platí za rozhodnutí, které šetří peníze nebo snižuje riziko.

Co znamená „AI v kuchyni“ pro potravinářský řetězec

Spotřebitelská AI platforma typu Samsung Food není jen „receptová appka“. Je to datový uzel, který dokáže spojit preference, nákup, spotřebu a (časem) i zdraví. A když tohle spojení funguje, začnou se objevovat dopady dál proti proudu – až k výrobě a zemědělství.

1) Predikce poptávky začíná u jídelníčku

Když víte, co lidé plánují vařit (ne jen co už koupili), můžete přesněji odhadovat poptávku. Pro potravináře a obchodníky je to rozdíl mezi:

• „pošleme víc kuřecího, protože minulý týden se prodávalo“
• a „lidé tento týden ukládají recepty na kuře s rýží, nákupní seznamy to potvrzují“

Pro zemědělství to znamená jediné: lepší signál pro plánování produkce. Ne okamžitě „co zasít zítra“, ale postupně:

• lepší kontrakty a plán dodávek
• menší přebytky a odpisy
• stabilnější ceny u vybraných komodit

2) Standardizace dat je neviditelný „motor“

Whisk vyhrál díky tomu, že uměl převést chaos receptů do struktury. V potravinářství je stejný problém:

• alergeny a složení
• šarže, původ, certifikace
• nutriční hodnoty
• teplotní řetězec

Pokud data nejsou standardizovaná, AI jen hádá. A hádání ve výrobě stojí peníze.

AI není kouzlo. Je to účetnictví reality – jen ve velkém.

3) Integrace do zařízení je „moment pravdy“

Nick popisuje, že rebranding na Samsung Food pomohl prosadit integrace napříč ekosystémem zařízení. V kuchyni jde o lednice, trouby, mobily, wearables.

V agru je ekvivalent:

• traktory a aplikační technika
• zavlažovací systémy
• linky na třídění a balení
• senzory ve skladech a silech

Jakmile je AI integrovaná „do železa“, přestává být doplňkem. Stává se standardem.

Paralely se „smart farm“: co si z příběhu vzít do praxe

Příběh Whisk → Samsung Food ukazuje pět pravidel, která bych dnes bral jako kontrolní seznam pro každého, kdo nasazuje AI v zemědělství a potravinářství.

1) Začněte problémem, ne modelem

Whisk nezačínal „postavíme neuronku“. Začínal tím, že recepty jsou všude a uživatel chce jednotnou zkušenost.

V agru to přeložte takto:

• Ne „nasadíme computer vision“.
• Ale „snížíme zmetkovitost třídění o 20 % do 6 měsíců“ nebo „zkrátíme reakční čas na choroby porostu na 48 hodin“.

2) Budujte datovou páteř (API) dřív, než budete ladit AI do dokonalosti

Nick otevřeně říká, že spousta věcí, které dřív stavěli roky, je dnes dostupná přes moderní AI API. To je pravda. Jenže konkurenční výhoda se přesouvá jinam: do dat, integrací a distribuce.

Prakticky:

• sjednoťte data o polích/šaržích/produktu do jednoho modelu
• definujte rozhraní pro vstupy i výstupy (API, konektory)
• teprve pak řešte, jestli model bude „o 2 % přesnější“

3) Bez distribuce není adopce

Samsung má obrovskou distribuční síť zařízení. Proto dává smysl, že produkt nese značku Samsung Food.

V agru je distribuce často:

• dealer a servisní síť techniky
• dodavatel osiv/hnojiv
• potravinářský odběratel, který tlačí standardy
• existující farm software

Pokud AI nejde nasadit „tam, kde už lidé klikají“, budete pořád vysvětlovat, proč si mají instalovat další aplikaci.

4) Monetizace musí být sladěná s hodnotou

Whisk kombinoval licence, transakce a brand model. V potravinářství a zemědělství typicky funguje:

• subscription za provoz (na provozní jednotku: linka, sklad, farma, hektar)
• success fee (ušetřené ztráty, snížení odpadu, zvýšení výnosu)
• servisní balíčky (monitoring + zásah + reporting)

Osobně jsem skeptický k modelům, kde se AI „zaplatí z reklamy“. V B2B výrobě bývá reklama vedlejší. Hlavní je návratnost a riziko.

5) Autonomie týmu je faktor výkonu

Nick zmiňuje, že Samsung jim nechal část kultury a autonomie. To je pro inovace zásadní.

Pokud jste potravinářská firma nebo agrokoncern a kupujete AI tým, nejrychlejší způsob, jak to pokazit, je:

• přetížit tým schvalováním
• rozbít iterace a experimenty
• měřit je stejnými KPI jako stabilní provoz

AI produkt se učí. A učí se rychleji, když může.

Co čekat v roce 2026: AI, zdraví a tlak na efektivitu

Na konci roku 2025 je vidět jeden silný trend: AI se propojuje s zdravím, nákupem a spotřebou. Samsung Food to otevřeně směřuje tímto směrem (propojení jídla a zdravotních metrik, obezita, diabetes).

V Evropě zároveň sílí tlak na:

• snižování plýtvání potravinami
• transparentnost původu
• efektivitu energií a vody
• měření dopadů (uhlíková stopa, pesticidy, welfare)

Tohle není jen compliance. Je to konkurenční výhoda pro ty, kdo mají data a umí z nich dělat rozhodnutí.

A teď ten most mezi kuchyní a farmou: jakmile máte kvalitní signály o spotřebě a preferencích, dává smysl optimalizovat celý řetězec od výroby až po talíř. Ne najednou. Po krocích. Ale systematicky.

Další krok: vyberte jeden proces, kde AI zaplatí sama sebe

Pokud jste v zemědělství nebo potravinářství a přemýšlíte, kde s AI začít, držel bych se jedné zásady: vyberte proces, kde máte data, jasnou ekonomiku a možnost zasáhnout do praxe.

Typické „rychlé výhry“ v agri-food:

1. Kontrola kvality (vision AI) na třídicích a balicích linkách
2. Prediktivní údržba (motory, dopravníky, chlazení)
3. Optimalizace receptur a výtěžnosti (méně odpadu, stabilní parametry)
4. Monitoring porostů s jasným navazujícím rozhodnutím (závlaha, ošetření)

Pokud chcete, můžeme to projít pragmaticky: jaké máte zdroje dat, kde vznikají ztráty a jak vypadá vaše infrastruktura (ERP/MES/FMS). Z toho se dá sestavit pilot, který má šanci přežít první kvartál a ne jen hezky vypadat v prezentaci.

Až budete příště přemýšlet o „AI v kuchyni“, zkuste si položit praktičtější otázku: které rozhodnutí se díky AI přesune z intuice na data – a kdo na tom vydělá?