AI ve smart kuchyni: trendy ze Startup Showcase SKS

Přes 100 startupů se přihlásilo do letošního Startup Showcase na konferenci Smart Kitchen Summit. Do finále se dostalo devět. To číslo je dobrý lakmusový papírek: chytrá kuchyně už není „hračka pro nadšence“, ale trh, kde se řeší úplně stejné věci jako v zemědělství a potravinářství – náklady, nedostatek lidí, plýtvání a kvalita.

A tady je moje trochu nepopulární teze: většina „smart“ produktů není zajímavá tím, že má aplikaci. Zajímavá je ve chvíli, kdy sbírá data, rozumí kontextu a pomáhá rozhodovat. Přesně to je moment, kdy do hry vstupuje umělá inteligence – a kdy se kuchyně propojuje s celým potravinovým řetězcem od pole po talíř.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ se dnes podíváme na to, co finálová devítka ze Startup Showcase SKS 2024 naznačuje o budoucnosti: kde AI dává smysl, kde je to jen marketing, a jak si z toho můžou vzít konkrétní kroky výrobci potravin, gastro provozy i agri firmy.

Co SKS 2024 říká o AI v potravinovém řetězci

Hlavní zpráva: AI se v kuchyni prosazuje tam, kde umí snížit variabilitu a ztráty – a zároveň vytváří data, která jdou využít i „nahoru“ v dodavatelském řetězci.

V praxi se to točí kolem tří oblastí:

1. Automatizace rutiny (vaření, příprava, čištění) – méně práce, stabilnější výsledek.
2. Senzorika a kvalita (chuť, vůně, podmínky skladování) – méně reklamací, méně vyhozených surovin.
3. Personalizace a plánování (recepty, porce, preference) – méně plýtvání a vyšší spokojenost zákazníka.

Na první pohled jde o „kuchyňské“ věci. Jenže jakmile máte standardizovanou přípravu, predikci trvanlivosti a zpětnou vazbu o kvalitě, začínáte budovat něco, co potravinářství dlouho chtělo: uzavřenou smyčku dat mezi výrobou, distribucí a spotřebou.

9 finalistů SKS 2024: co si z nich vzít (nejen pro kuchyň)

Shrnutí dopředu: Ne každý z finalistů je „AI firma“. Ale téměř všichni stojí na principech, které AI v zemědělství a potravinářství používá: sběr dat, automatizace procesů, řízení kvality a práce s preferencemi.

Autonomní vaření: když je konzistence důležitější než „show“

Pointa: Autonomní spotřebiče dávají smysl hlavně tam, kde je drahá lidská práce a vysoké ztráty z nekonzistence.

• Nymble (Posha) – stolní kuchyňský robot pro každodenní vaření. Pro AI perspektivu je zásadní, že takové zařízení typicky pracuje s řízením teplot, času, míchání a často i s adaptací receptů.
• Celcy – zařízení kombinující troubu a mrazicí úložiště jídel „na počkání“. Tady je zajímavý přesah do logistiky: mražení, plánování přípravy, minimalizace zkažených porcí.

Pro zemědělství a potravinářství: konzistence přípravy a predikovatelné výstupy zjednodušují plánování surovin. Pokud dokážete přesněji řídit porce a spotřebu, snížíte tlak na „bezpečnostní“ nadprodukci.

Kvalita a senzorika: AI jako jazyk mezi R&D a zákazníkem

Pointa: Kdo umí měřit chuť a vůni škálovatelně, zrychlí vývoj produktů a sníží počet slepých uliček.

• TasteGAGE (MAMAY Technologies) – simulace chuti, vůně a „pocitu“ u potravin a nápojů na základě chemických a fyzikálních vlastností.

Tohle je pro potravinářství velké téma: tradiční senzorické panely jsou drahé, pomalé a mají variabilitu. Digitální modely (ať už přes chemii, aromatické profily nebo texturu) mohou zkrátit iterace v R&D.

Praktická aplikace:

• reformulace receptur (méně cukru/soli) bez propadu v preferenci,
• kontrola konzistence mezi šaržemi,
• rychlejší testování alternativních surovin (např. bílkovinné směsi, rostlinné tuky).

Hygiena a údržba: automatizace, která šetří vodu i nervy

Pointa: Samočisticí zařízení není „nice to have“. V provozu je to často rozdíl mezi tím, jestli se technologie vůbec uchytí.

• Hefes – Self-Cleaning Juicer – parní samočištění vnitřních komponent po každém použití.

Přesah do potravinářství: pokud AI a robotika mají fungovat i ve výrobě (nebo v menších provozech), musí být údržba co nejjednodušší. Jinak technologie končí v koutě.

Co si pohlídat:

• měřitelná úspora vody a času,
• validace hygieny (HACCP logika),
• servisní model (kdo a jak rychle řeší poruchy).

„Low-tech“ inovace, které AI doplňují (a často vyhrávají)

Pointa: Ne všechno musí být AI. Někdy je největší přínos v ergonomii, opakovatelnosti a přenosu know-how.

• MashDaddy – moderní pojetí hmoždíře a tloučku.

Proč to sem patří? Protože AI systémy v kuchyni i ve výrobě narážejí na realitu: lidé potřebují jednoduché nástroje, které fungují vždy. V praxi často vidím, že nejlepší výsledky vznikají kombinací „chytrého“ a „obyčejného“.

Skladování potravin: data o čerstvosti jsou nejlevnější cesta ke snížení odpadu

Pointa: Nejrychlejší návratnost v potravinách bývá v prevenci vyhození – a to stojí na monitoringu podmínek.

• Wisely – chytrá nádoba se senzory, která sleduje podmínky skladování a propojuje se s aplikací.

Tady je jasný most do AI v potravinářství: senzory, predikce trvanlivosti, upozornění na rizikové skladování. Pokud tohle umíte spolehlivě, dá se na tom stavět i pro retail nebo meal-prep.

Akční tip pro firmy: začněte jednoduchým měřením teplotních odchylek a doby vystavení mimo optimální rozsah. I bez složité AI to často odhalí „tichá“ místa plýtvání.

Robotická specializace: vejce jako učebnicový příklad standardizace

Pointa: Robotika v gastro nejlépe funguje na úzkých úlohách s jasnými parametry.

• Bridge Appliances (OMM) – robot pro automatizaci přípravy vajec do snídaňových sendvičů.

Tohle je důležité i pro zemědělství: automatizace se prosazuje tam, kde je proces standardní a měřitelný. Přesně proto se v agri daří robotům na pletí, selektivní sklizeň nebo dávkování.

Bezdrátové napájení v kuchyni: méně kabelů, více modulárnosti

Pointa: Infrastruktura rozhoduje o adopci. Když je instalace složitá, technologie se nešíří.

• Kitchenery – bezdrátový přenos energie pro kuchyňské spotřebiče (energetická podložka + bezkabelové spotřebiče).

Z pohledu potravinových provozů je to zajímavé hlavně kvůli:

• flexibilitě pracovních stanic,
• jednoduššímu čištění,
• modulárním „pop-up“ konfiguracím.

AI se tu objevuje nepřímo: když můžete snadno přeskupit technologie, snáz testujete nové procesy a sbíráte data z různých míst.

Personalizace receptů: AI, která snižuje plýtvání v domácnostech

Pointa: Personalizace není jen pohodlí. Vede k tomu, že lidé vaří častěji doma a lépe spotřebují suroviny.

• Ladle Cooking – personalizace receptů podle preferencí uživatele.

V českém kontextu (a zvlášť teď v prosinci 2025, kdy domácnosti stále řeší ceny potravin) je tohle překvapivě praktické. Když systém umí:

• přepočítat porce,
• nabídnout náhrady surovin,
• zohlednit alergeny,
• hlídat, co „už je načaté“ v lednici,

…tak to snižuje odpad a nákupy „pro jistotu“.

Jak poznat, že AI v kuchyni dává ekonomický smysl

Odpověď na rovinu: dává smysl tehdy, když zlepší aspoň jednu z metrik – čas, ztráty, kvalitu, bezpečnost – a umíte to změřit do 30–90 dnů.

Doporučuju hodnotit projekty přes jednoduchý rámec 5×P:

1. Proces – jak přesně se změní workflow?
2. People (lidé) – kdo s tím bude pracovat a co se mu ulehčí?
3. Performance (výkon) – jaké KPI se zlepší (minuty, % odpadu, reklamace)?
4. Proof (důkaz) – jak získáte data pro vyhodnocení pilotu?
5. Payback (návratnost) – kdy se investice vrátí (ideálně do 12–18 měsíců v provozu)?

„AI bez měřitelných KPI je jen dražší elektronika.“

Mini Q&A: co se firmy ptají nejčastěji

Má smysl řešit AI, když nemáme data?

Ano – ale začněte u sběru. Nejrychlejší start bývá v bodech, kde data vznikají sama: teplota, vlhkost, čas, odchylky, výdej porcí. AI přichází až jako druhý krok.

Je pro potravináře důležitější robotika, nebo senzory?

Senzory. Robotika je vidět, ale monitoring skladování a kvality má často rychlejší návratnost a menší riziko.

Co si pohlídat u dodavatelů „chytrých“ zařízení?

Integraci a vlastnictví dat. Pokud data nejdou exportovat a nemáte jasné podmínky, jste uzamčení u jednoho dodavatele.

Co teď udělat: 3 kroky pro agri a potravinářské firmy

Nejpraktičtější postup: vyberte jeden proces, kde dnes ztrácíte peníze, a udělejte pilot, který do měsíce ukáže čísla.

1. Zmapujte 2–3 zdroje plýtvání (zkažení, převaření, nedodržení teplot, neprodané porce).
2. Zaveďte měření (i jednoduché senzory a logování je lepší než domněnky).
3. Teprve potom přidejte AI – predikce trvanlivosti, doporučení výroby, optimalizace zásob.

Pokud chcete, pošlu vám šablonu pro výběr pilotního use-casu (KPI, náklady, rizika, očekávaný payback) tak, aby to prošlo i finančním oddělením.

A jedna otázka na závěr, která se bude v roce 2026 vracet čím dál častěji: Budete v potravinovém řetězci firmou, která data jen produkuje – nebo firmou, která je umí proměnit v lepší rozhodnutí?