AI trendy v jídle v reálném čase: lekce pro farmáře

90 % potravinových inovací na trhu neuspěje. To číslo se v oboru opakuje tak často, až otupí, ale jeho dopad je brutálně konkrétní: vyhozené rozpočty na R&D, zkažené zásoby, promarněné sezóny a tlak na marže. A nejhorší na tom je, že mnoho firem prohrává ne kvůli „špatnému produktu“, ale kvůli špatnému načasování a mizerným signálům z trhu.

Právě tady dává smysl přístup, který ukazuje izraelská platforma Tastewise: místo čekání na maloobchodní prodeje (které přicházejí pozdě) sbírá obrovské množství signálů z toho, co lidé skutečně vaří, objednávají a hledají – a pomocí AI z toho dělá odpovědi v reálném čase. Pro zemědělství a potravinářství v Česku je to víc než „zajímavý foodtech příběh“. Je to použitelný návod, jak propojit data o spotřebiteli s rozhodováním na poli, ve skladu i ve výrobě.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ tohle téma sedí přesně: AI umí zrychlit tok informací od talíře zpátky na farmu. A když se to udělá dobře, přestane být plánování výroby hádáním a začne to být řízení podle signálů.

Proč jsou prodeje „pozdní“ signál a co s tím

Nejspolehlivější důvod, proč se firmy mýlí, je jednoduchý: prodejní data ukazují minulost, ne budoucnost. V potravinách je navíc cyklus vývoje a škálování dlouhý – od nápadu přes testy, výrobu, zalistování až po promo. Pokud se řídíte tím, co se prodává „teď“, často reagujete na trend, který už je na cestě dolů.

Tastewise stojí na myšlence, že maloobchodní data jsou v rychle se měnících kategoriích pozdě. Zakladatelé popisují, že když se trend projeví v prodejích, můžete být klidně o 18 měsíců pozdě. Tohle číslo je pro zemědělství až bolestně povědomé: u řady komodit a specialit je 12–18 měsíců běžná doba od plánování osevu po dodávku.

Praktický překlad pro farmáře a výrobce:

• Prodeje jsou „výsledek“.
• Vaše rozhodnutí (osev, krmivo, receptura, balení, kapacita linky) se musí opírat o „příčiny“ – tedy dřívější spotřebitelské signály.

Kdo tohle ignoruje, končí ve dvou extrémech: buď vyrábí konzervativně (a přichází o příležitosti), nebo honí trendy pozdě (a platí to odpadem).

Co dělá Tastewise jinak: spojení strukturovaných i „měkkých“ dat

Klíčová myšlenka Tastewise je překvapivě přízemní: data jsou všude, problém je vybrat správná a dát jim smysl. Platforma sbírá strukturovaná i nestrukturovaná data – a právě ten mix je důležitý.

Strukturovaná vs. nestrukturovaná data (a proč potřebujete obojí)

• Strukturovaná data: čísla, frekvence, trendy v čase, regionální rozdíly, růst/pokles zájmu.
• Nestrukturovaná data: texty a kontext – recepty, menu, popisy jídel, recenze, diskuse, „proč“ lidé něco chtějí.

Zemědělství už dnes umí pracovat se strukturovanými daty dobře (výnosové mapy, NDVI, vlhkost půdy, dávky hnojiv). Jenže chybí mu druhá půlka: spotřebitelský kontext. Potravinářství má kontext často, ale neumí ho přetavit do plánování surovin.

Tastewise z toho staví to, čemu říká „fast-moving consumer data“: rychle se měnící spotřebitelské signály, které se dají integrovat do workflow velkých firem.

Proč je to relevantní pro český trh v zimě 2025

V prosinci (a obecně v Q4) se v Česku tradičně zvedá poptávka po:

• komfortních jídlech (polévky, pečení, omáčky),
• funkčních a „zdravějších“ variantách (víc bílkovin, méně cukru),
• ingrediencích pro sváteční pečení.

AI platforma, která vidí v reálném čase nárůst zájmu o konkrétní ingredience (např. pistácie, fermentované produkty, vysokoproteinové dezerty), může pomoct rozhodnout, co nakoupit, co vyrobit, a hlavně kdy. A u zemědělských specialit to může ovlivnit i plán výsadby nebo kontrakty na příští sezónu.

TasteGPT v praxi: co znamená „zeptat se na trh“ jako na kolegu

Tastewise přidalo vrstvu generativní AI (označovanou jako TasteGPT), která umožňuje ptát se běžným jazykem. Nejde o to, aby AI „vymýšlela recepty“. Jde o to, aby přeložila komplexní data do rozhodnutí.

Původní příklady dotazů míří na CPG (rychloobrátkové zboží):

• Jaké produktové nápady sedí na Gen Z?
• Do čeho dát R&D rozpočet?
• Kde nový nápoj uvést nejdřív?
• Kde je konkurence slabá?
• Co má být tématem další kampaně?

Pro zemědělství a potravinářství se to dá přepsat do podobně praktických otázek:

Překlad do „farmářských“ a výrobních otázek

• Co letos roste na zájmu v kategoriích, které umím dodat? (např. luštěniny, bezlepkové obiloviny, rajčata pro omáčky)
• Které regiony nebo demografické skupiny táhnou určitý styl stravování? (např. vysokoproteinové svačiny vs. tradiční kuchyně)
• Jaké chutě a formáty lidé zmiňují spolu s mou surovinou? (např. „tvaroh + pistácie“, „kefír + protein“)
• Kde hrozí přetlaky nabídky a kde je díra? (užitečné pro kontraktace)

Tady mám jasný názor: většina firem dnes používá AI buď jako „copywriting“, nebo jako „reporting“. Největší hodnota je v rozhodování – a to znamená položit správné otázky a propojit odpovědi s plánováním.

Jednovětá poučka, která funguje: Čím dřív je signál, tím víc peněz vám ušetří – nebo vydělá.

Jak propojit spotřebitelské trendy s rozhodnutími na poli a ve výrobě

Aby to nebyla jen inspirace z velkého světa, tady je konkrétní rámec, který se dá zavést i ve středně velké firmě.

1) Vytvořte „mapu signálů“ od nejrychlejších po nejpomalejší

Nejrychlejší signály:

• recepty a vyhledávání ingrediencí,
• menu a popisy jídel v restauracích,
• sociální diskuse o dietách a intolerancích.

Střední signály:

• objednávky B2B, poptávky od odběratelů,
• posuny v sortimentu (nové příchutě, formáty balení).

Nejpomalejší signály:

• maloobchodní prodeje,
• výroční reporty kategorií.

Cíl: rozhodnutí o osevu a výrobní kapacitě nesmí stát jen na nejpomalejší vrstvě.

2) Přeložte trendy do surovin a specifikací

Trend „vysokoproteinové svačiny“ je pro výrobce příliš obecný. Potřebujete ho přeložit do:

• konkrétních surovin (mléčné bílkoviny, luštěniny, oves),
• parametrů (obsah bílkovin, cukru, vlákniny),
• formátů (tyčinky, pudinky, jogurty, pomazánky),
• sezónnosti (kdy se to zvedá a kdy padá).

Tohle je přesně místo, kde AI nad nestrukturovanými daty pomáhá: vytahuje opakující se kombinace slov (ingredience, chuť, benefit) a spojuje je s růstem v čase.

3) Zaveďte „rozhodovací rytmus“: týdenní signály, měsíční rozhodnutí

Co funguje v praxi:

• týdně: kontrola trendových signálů (co roste, co slábne, co se láme),
• měsíčně: úpravy forecastů, nákupů, promo plánu a kontraktací,
• čtvrtletně: revize portfolia, odrůd, dlouhodobých smluv.

Tím se z AI nestane hračka, ale nástroj řízení.

4) Neřešte jen „co“, ale i „kde“ a „pro koho“

Tastewise zdůrazňuje hloubku: lokace, demografie, „foodies“ segmenty. Pro české firmy je to užitečné hlavně ve dvou situacích:

• regionální launch (nejdřív Praha/Brno vs. menší města),
• export (co funguje v DACH, co v Polsku, co ve Skandinávii).

Zemědělsky: pokud dodáváte specifické suroviny, regionální a segmentové signály vám napoví, kde hledat odběratele a jak nastavit specifikaci.

Nejčastější chyby, které vídám u AI trendových analýz

1. Záměna „hype“ za stabilní poptávku. Trend může být hlasitý, ale malý. Bez normalizace dat a srovnání kategorií snadno přestřelíte.
2. Chybějící vazba na ekonomiku. Trend je fajn, ale rozhoduje marže, dostupnost surovin, kapacita a riziko.
3. Jedna pravda pro celý trh. U jídla jsou mikrosegmenty realita. Co funguje u sportujících 20–30, nemusí fungovat u rodin.
4. Pozdní integrace do plánování. Když se trendový report čte až po uzávěrce plánu, je to jen hezké čtení.

Když už do toho investujete, nastavte si dopředu, kdo a kdy podle výstupů mění rozhodnutí.

Mini „playbook“: jak začít během 30 dnů

• Den 1–7: Vyberte 3 kategorie, které vás živí (např. mléčné výrobky, nápoje, pekárna) a definujte 10 klíčových surovin.
• Den 8–14: Sepište 15 rozhodovacích otázek (forecast, nové produkty, kontraktace, regiony).
• Den 15–21: Udělejte první trendovou mapu: růst/pokles signálů a co z toho plyne pro suroviny.
• Den 22–30: Zaveďte měsíční meeting: 3 rozhodnutí, která se udělají jinak díky datům (a u každého uveďte očekávaný dopad).

Tahle disciplína má jednu velkou výhodu: rychle poznáte, jestli vám signály skutečně pomáhají, nebo jen vyrábíte prezentace.

Kam to míří: od „market intelligence“ k plánování odolného řetězce

Foodtech přístup typu Tastewise ukazuje, že AI dokáže přiblížit výrobce k tomu, co spotřebitel chce právě teď. Zemědělství k tomu přidává druhou polovinu rovnice: co je možné vypěstovat, kdy, v jaké kvalitě a za jakou cenu.

Nejlepší výsledky vzniknou, když se tyhle světy potkají:

• spotřebitelské signály → plán produktů a poptávky,
• agronomická data → plán nabídky a rizik,
• společně → stabilnější marže a méně plýtvání.

V prosinci 2025, kdy jsou firmy pod tlakem cen energií, volatilních vstupů a opatrnějších domácností, dává „real-time“ přístup smysl víc než kdy dřív. Ne kvůli efektnosti. Kvůli přežití a přesnosti.

Pokud si z dneška máte odnést jednu věc, tak tuhle: kdo umí číst spotřebitelské signály v reálném čase, plánuje výrobu i zemědělskou sezónu s menší nervozitou a menším odpadem.

Co by se u vás ve firmě změnilo, kdybyste měli každý měsíc o jeden spolehlivý signál víc – a o jednu špatnou sázku míň?