AI a transparentní původ surovin: lekce z Mt. Joy

52 kilometrů. Takovou vzdálenost může mít v jídelním lístku uvedený původ jediné ingredience – a zákazník to uvidí dřív, než dopije vodu. Přesně na tom staví Mt. Joy, seattleský koncept „regenerativního“ kuřecího bistra, který od 01.12.2023 rozšířil provoz z food trucku do první kamenné pobočky a zároveň otevřel druhé místo v rámci města.

Na první pohled je to příběh o smaženém kuřecím sendviči. Ve skutečnosti jde o něco mnohem zajímavějšího: o snahu udělat z transparentního, lokálního a regenerativního zásobování škálovatelný systém – a opřít to o technologie. Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to ideální případová studie, protože přesně tady se potkává farma, data a očekávání zákazníka.

Regenerativní zemědělství má u veřejnosti dobrou pověst. Jenže jakmile se z něj stane marketingová nálepka bez důkazů, začne to zavánět greenwashingem. A právě v tomhle bodě může AI a datová infrastruktura udělat rozdíl: ne jako „kouzelná krabička“, ale jako nudná, poctivá účetní kniha reality.

Mt. Joy ukazuje, že transparentnost je produkt, ne slogan

Transparentní původ surovin není doplněk k brandu – je to samostatný produktový prvek. Mt. Joy podle popisu u každé ingredience uvádí dodavatele a počet mil, které surovina urazila. Taková granularita mění debatu z „věříš nám?“ na „podívej se sám“.

Tohle je v potravinářství klíčové, protože důvěra je dnes drahá komodita. Zákazníci jsou zvyklí na detailní informace u elektroniky nebo aplikací (kdo sbírá data, jak se používají), ale u jídla se často pořád spoléhá na neurčité formulace typu „z lokálních zdrojů“.

Proč se to špatně škáluje (a proč je to přesně práce pro AI)

Zakladatel Robbie Cape otevřeně říká, že replikovat takto lokální dodavatelské řetězce mimo Seattle znamená budovat je znovu v každém trhu. To není malý problém – je to hlavní problém. A zároveň přesně ten typ problému, kde pomáhá AI a automatizace:

• Klasifikace dodavatelů (kdo splňuje regenerativní standardy, welfare, logistické požadavky)
• Predikce dostupnosti (sezonnost, výpadky, počasí, kapacity jatek a zpracovatelů)
• Optimalizace nákupu a logistiky (trasy, konsolidace objednávek, minimalizace „food miles“)
• Detekce nesrovnalostí (např. když deklarovaná farma neodpovídá objemům dodávek)

Jinými slovy: aby se „hyperlokální“ dalo dělat ve 20 městech, potřebujete systém, který umí přepočítat lokálnost na opakovatelné procesy.

Digitální objednávání není trik. Je to datový sběr z první ruky

Mt. Joy používá QR kód, aplikaci a SMS notifikace, když je objednávka připravená. To zní běžně – a taky je. Zajímavé je, co z toho jde postavit, pokud se to vezme vážně.

Cape popisuje frustraci, že restaurace „neví, kdo jste“ a „neví, co jste si dali minule“. V českém kontextu na to spousta lidí řekne: „A to je dobře.“ Jenže pro provoz je znalost poptávky zásadní – a pokud je udělaná férově (transparentní souhlas, možnost opt-out, bezpečnost), může z ní profitovat zákazník i kuchyně.

Kde dává personalizace smysl (a kde je to jen okrasa)

Personalizace v gastronomii má dvě roviny:

1. Zákaznická zkušenost – doporučit oblíbené přílohy, upozornit na alergeny, připomenout „tvůj obvyklý“.
2. Provozní přesnost – předpovědět poptávku a nakoupit přesněji.

Ta druhá je důležitější. AI modely pro predikci poptávky (demand forecasting) umí pracovat s:

• denní dobou a dnem v týdnu,
• počasím (v prosinci v Seattlu i v Česku roste poptávka po „comfort food“),
• lokálními akcemi (koncerty, sport),
• historií objednávek.

Výsledek není „cool appka“. Výsledek je méně vyhozeného jídla, stabilnější marže a menší tlak „nahnat objem“ na úkor kvality.

Dobrá AI v restauraci je ta, kterou host nevidí – pozná ji na tom, že jídlo je konzistentní a nic se zbytečně nevyhazuje.

Regenerativní zemědělství potřebuje měřit. Bez dat zůstane u dojmu

Regenerativní zemědělství není jeden certifikát, ale soubor praktik: práce s půdní organickou hmotou, omezení eroze, pestřejší osevní postupy, lepší hospodaření s vodou, často i důraz na welfare zvířat. Problém? „Regenerativní“ se dá tvrdit snadno a dokazovat těžko.

Jak AI pomáhá ověřovat regenerativní praxi v reálném světě

V praxi se ověřování opírá o kombinaci datových vrstev:

• Satelitní snímky a indexy vegetace (např. NDVI) pro sledování pokryvu půdy a vitality porostu
• IoT senzory pro půdní vlhkost, teplotu, případně mikroklima
• Farm management systémy (záznamy o osevních postupech, aplikaci hnojiv, pastvě)
• Audity a laboratorní rozbory (půdní uhlík, struktura půdy)

AI tady dělá hlavně dvě věci: umí data vyčistit a spojit (data fusion) a umí z nich vytáhnout signály, které člověk v tabulkách nevidí. Když tohle propojí i zpracovatel a restaurace, vzniká řetězec důkazů místo řetězce tvrzení.

Pro české prostředí je důležité dodat jednu věc: nejde o to „nahnat“ farmáře do další administrativy. Dobrý systém sbírá data tak, aby byla vedlejším produktem běžné práce (např. z mechanizace, evidencí, satelitů) a farmář z toho měl okamžitý užitek – třeba lepší plánování závlahy nebo krmení.

Co by muselo vzniknout, aby se Mt. Joy model dal přenést do Česka

Přenést seattleský koncept do ČR neznamená okopírovat menu. Znamená to postavit lokální dodavatelské mikrořetězce a držet je pohromadě daty. A tady narážíme na realitu: česká prvovýroba je roztříštěná, zpracování má svoje úzká hrdla a mnoho menších dodavatelů nemá kapacitu „hrát si“ na technologickou firmu.

Dobrá zpráva: tohle není neřešitelný problém. Špatná zpráva: bez systému se to rozpadne na improvizaci.

Praktický „stack“ pro transparentní dodavatelský řetězec

Pokud bych to měl říct jednoduše, funguje to ve čtyřech vrstvách:

1. Sběr dat: váhy, šarže, původ, welfare parametry, teplotní záznamy v logistice
2. Standardizace: jednotné formáty, číselníky, definice „lokální“ (např. do 80 km vs. do 150 km)
3. Analytika a AI: predikce, optimalizace, detekce odchylek
4. Prezentace zákazníkovi: jednoduchá fakta (dodavatel, vzdálenost, sezonnost) bez marketingové omáčky

Důležité je, že poslední krok (hezká obrazovka v appce) je nejjednodušší. Nejtěžší je druhý a třetí.

Tři metriky, které dávají smysl i pro menší podniky

Ne každý potřebuje „AI platformu“. I menší restaurace nebo výrobce může začít třemi měřitelnými metrikami:

• Podíl surovin z okruhu X km (např. 50/100/150 km) – měsíční trend
• Odpady v kg na 100 objednávek – sledovat, co se kazí a proč
• Chybovost dodávek (záměna šarže, nedodržení teploty, pozdní dodání) – počet incidentů za měsíc

Jakmile tohle existuje, AI (nebo i „jen“ dobrá analytika) má na čem pracovat.

Časté otázky, které si kladou restaurace i farmáři

„Je AI potřeba, když mám jen jednu provozovnu?“

Ano, pokud řešíte plýtvání, nestabilní dodávky nebo chcete ověřovat původ. Nemusí to být velký model; často stačí predikce poptávky a jednoduché optimalizace.

„Nebude transparentnost příliš drahá?“

Krátkodobě často ano – hlavně kvůli času a nastavení procesů. Dlouhodobě transparentnost snižuje náklady na chyby (reklamace, výpadky, přebytky) a zvyšuje důvěru. Největší úspora bývá ve snížení odpadu.

„Jak zabránit tomu, aby z ‘regenerativního’ nebyla jen nálepka?“

Zaveďte důkazní řetězec: šarže, auditovatelné záznamy, základní metriky a jasné definice. AI má pomáhat s kontrolou konzistence, ne s výrobou příběhu.

Kam to celé míří v roce 2026: méně slibů, více ověřitelných dat

Mt. Joy je zajímavý hlavně tím, že spojuje tři věci, které se často oddělují: chuť, původ a digitální proces. A i když se dá polemizovat, jestli se restaurace skutečně odliší „lepším objednáváním“, jejich důraz na transparentní dodavatelský řetězec je směr, který bude v příštích letech jen sílit.

Pro zemědělství a potravinářství v Česku z toho plyne jednoduchá věta: udržitelnost bez měření je marketing, měření bez použitelnosti je byrokracie. AI dává smysl tehdy, když z měření udělá každodenní rozhodování – na poli, ve zpracovně i v kuchyni.

Pokud řešíte, jak začít s AI v zemědělství nebo ve výrobě potravin, zkuste si první krok zjednodušit: vyberte jednu komoditu, jednu metodu ověření původu a jednu metriku odpadu. A až to bude fungovat měsíc, teprve pak to rozšiřujte. Jak by vypadala vaše „tabulka původu“ u top 10 surovin, kdybyste ji měli ukázat zákazníkovi ještě dnes?