AI a chytré štítky: konec vyhazování jídla ve firmách

Podle OSN se globálně vyplýtvá zhruba třetina vyrobených potravin. A nejde jen o peníze: s každým vyhozeným kilogramem jídla zahazujeme i vodu, energii, práci lidí a emise, které vznikly cestou „od pole po talíř“. V prosinci 2025, kdy firmy řeší drahé energie, tlak na udržitelnost a přísnější interní audity, je plýtvání potravinami prostě špatný luxus.

Největší paradox? Většina vyhazování nevzniká proto, že by někdo neuměl nakupovat. Vzniká proto, že nevidíme čas. Krabička v lednici, přepravka ve skladu, otevřený gastro obal v provozu – a nikdo si už není jistý, kdy přesně to bylo otevřené a kolik bezpečného času zbývá. Právě tady dává smysl kombinace IoT (chytré senzory/štítky) a AI (predikce, doporučení, automatizace).

Zajímavý signál z praxe přišel už v roce 2024: společnost Ovie po více než půl dekádě vývoje začala dodávat jednoduché světelné štítky na sledování čerstvosti. Nejsou to „kouzelné“ senzory, které změří mikrobiologii. Jsou to „inteligentní lepící lístky“ s jasnou vizuální informací. A právě to je na nich poučné: když chcete snížit plýtvání, často vyhrává jednoduchost – a data, která se dají později připojit k AI.

Co nám příběh Ovie říká o sledování čerstvosti

Sledování čerstvosti funguje nejlépe tehdy, když je rychlé, levné a používá se každý den. Ovie to postavila na jednoduchém principu: přilepíte štítek (LightTag) na potravinu a nastavíte počet dní „kliknutím“ – jedním klikem jeden den. Štítek pak svítí barvami:

• Tyrkysová: zbývá více než 24 hodin
• Žlutá: zbývá 24 hodin nebo méně
• Červená: čas vypršel

Tohle je triviální? Ano – a právě proto to funguje. V reálném provozu vítězí řešení, které:

1. nevyžaduje školení na půl dne,
2. nevyžaduje skenování každé položky mobilem,
3. dá informaci na první pohled.

Z pohledu našeho seriálu Umělá inteligence v zemědělství a potravinářství je klíčové, že i takhle jednoduchý štítek může být vstupní bod do datového řetězce, který AI později využije.

Jednovětá pointa: Bez rutinně sbíraných dat o čase a manipulaci nemá AI co optimalizovat.

IoT + AI: od „barvičky“ k predikci a řízení zásob

Samotná barva v lednici je skvělá pro domácnost. Pro firmu (výroba potravin, gastro provoz, distribuce, maloobchod) ale přichází další level: propojení sledování čerstvosti s plánováním, objednávkami a logistikou.

Jaká data dávají smysl sbírat (a proč)

AI v potravinářství je tak dobrá, jak dobrá jsou data. Pro modely predikce plýtvání a expirací se typicky hodí:

• čas příjmu / otevření balení / výroby (nejdůležitější)
• typ produktu (maso, mléko, hotovky, zelenina…) a jeho rizikovost
• teplotní historie (chladicí řetězec, výkyvy)
• rychlost obrátky (prodej/spotřeba v čase)
• události manipulace (přeskladnění, porce, přebalení)

Ovie ve své finální podobě ukazuje cestu: začněte u „nejlevnějšího“ signálu – času. Teprve pak přidávejte složitější vstupy.

Co konkrétně může AI dopočítat

Jakmile máte aspoň základní data, AI umí dát firmám praktické výstupy:

1. Predikce rizika vyhození (které položky skončí v odpadu do 48 hodin).
2. Doporučení akce: přecenění, přesun mezi pobočkami, zařazení do denního menu, „uprav dnes“ u výrob.
3. Optimální objednávky: méně „pojišťovacího“ nadbytku, ale bez výpadků.
4. Detekce problémů v chlazení: když se zkracuje doba použitelnosti v konkrétním boxu/lednici.
5. Řízení FEFO (first-expired-first-out) v reálném čase, ne jen na papíře.

Tady je rozdíl oproti pouhé digitalizaci: nejde o to mít „evidenci“. Jde o to, aby systém sám navrhl, co udělat dnes odpoledne, protože zítra už bude pozdě.

Proč je jednoduchý hardware často lepší než „dokonalá“ aplikace

Mnoho firem zkouší bojovat s odpadem čistě přes aplikace a procesy. Výsledek bývá rozpačitý: lidé přestávají zapisovat, štítky se nedoplňují, inventury se odkládají. Realita? V potravinách je tempo vysoké a chybovost přirozená.

Ovie prošla typickou hardwarovou cestou: původní vize velkého „chytrého skladovacího systému“ se časem zjednodušila na to, co se dá opravdu dodat a používat. A to je lekce i pro AI projekty v potravinářství:

• Nezačínejte maximální vizí. Začněte minimálním návykem, který lidé udělají bez přemýšlení.
• Vizuální signál porazí notifikaci. Když obsluha otevře lednici, barva je okamžitá. Push notifikace se ztratí.
• AI není náhrada disciplíny – je to zesilovač. Nejprve udělejte sběr dat snesitelný, pak teprve automatizujte.

Praktický „pilot“ pro firmy: 30 dní, tři metriky

Pokud bych měl doporučit jednoduchý start (a často to doporučuju), vypadal by takhle:

1. Vyberte 10–20 položek, které nejčastěji končí v odpadu (typicky čerstvé maso, mléčné, hotová jídla, pečivo).
2. Zaveďte viditelné označení času (fyzicky nebo digitálně) a pravidlo FEFO.
3. Měřte jen tři věci:
   • kg/ks vyhozeno týdně,
   • důvod vyhození (expirace, špatná manipulace, nízký odbyt),
   • „zachráněné“ položky (použito včas / přesunuto / přeceněno).

Po 30 dnech budete mít data, na kterých už jde stavět AI model pro predikci plýtvání a návrhy akcí.

„Od farmy po lednici“: proč sledování čerstvosti patří i do zemědělství

V zemědělství a potravinářství se často mluví o AI pro monitorování plodin, předpovědi výnosů nebo optimalizaci krmení. To je důležité, ale bez navazující části řetězce je dopad omezený.

Sledování čerstvosti je přirozené pokračování precizního zemědělství:

• Na poli AI pomáhá maximalizovat kvalitu a výnos.
• V logistice AI pomáhá udržet kvalitu v chladicím řetězci.
• Ve skladu a v prodejně AI pomáhá prodat/spotřebovat včas.

Když tyhle kroky nejsou propojené, stává se klasická věc: vypěstujeme skvělou surovinu – a pak ji vyhodíme kvůli špatné rotaci nebo slabé viditelnosti expirací.

Častá otázka: „Není to jen další nálepka navíc?“

Není, pokud to děláte s jasným cílem. Sledování čerstvosti má smysl, když:

• zkrátí rozhodování z minut na sekundy,
• sníží chyby v rotaci,
• vytvoří data pro predikce.

Když je to jen „papírování“, lidi to přestanou dělat. Proto jsem fanoušek řešení, která jsou na první pohled a nezdržují.

Druhá otázka: „Můžeme AI věřit, když čerstvost je složitá?“

Ano, ale jen v tom, co AI skutečně umí. AI typicky neříká „tohle je mikrobiologicky bezpečné“ (to je doména HACCP pravidel, laboratorních metod a teplotních limitů). AI dává:

• pravděpodobnost, že položka nebude prodána/spotřebována včas,
• doporučený zásah, který sníží odpad,
• upozornění na anomálie v procesu.

Jinými slovy: AI řídí proces a tok zboží, ne nahrazuje potravinovou bezpečnost.

Co si z toho odnést (a co udělat ještě tento týden)

Sledování čerstvosti není „hračka do lednice“. Je to praktický nástroj pro snižování nákladů a odpadu – a současně datová infrastruktura, bez které se AI v potravinářství bude jen těžko prosazovat.

Pokud chcete rychlý posun bez velkých investic, udělejte tři kroky:

1. Sečtěte odpad za poslední 4 týdny podle kategorií (aspoň hrubě). Bez baseline budete jen hádat.
2. Vyberte jednu oblast (např. studená kuchyně, mléčné, maso) a nastavte viditelný systém času + FEFO.
3. Připravte si jednoduchý datový export (klidně tabulku), abyste za měsíc mohli říct: kde vzniká plýtvání a proč.

V dalším díle série Umělá inteligence v zemědělství a potravinářství se dá na těchto datech postavit konkrétní model: predikce poptávky vs. expirace, doporučení přecenění a optimální objednávky pro různé sezóny (a prosinec je na to ideální stres test).

Plýtvání potravinami se často tváří jako morální problém. Já ho beru hlavně jako problém řízení informací v čase. A to je přesně teritorium, kde se AI a chytré štítky potkávají překvapivě dobře.