AI a delší trvanlivost ovoce: méně odpadu, více zisku

400 milionů liber. Tolik potravinového odpadu se podle dat firmy Hazel podařilo eliminovat díky technologiím, které zpomalují zrání a rozklad čerstvého ovoce a zeleniny. V přepočtu je to zhruba 181 tisíc tun produkce, která neskončila v koši jen proto, že cestou „nestihla“ dorazit v prodejném stavu.

Tohle číslo není jen PR. Je to docela přesný obraz toho, co dnes v potravinových řetězcích bolí nejvíc: ztráty po sklizni. A právě tady se krásně potkává chemie, obalové materiály, logistika – a čím dál víc také umělá inteligence v zemědělství a potravinářství.

Zpráva o tom, že Hazel jmenovala nového CEO Parkera Bootha a současně dál rozšiřuje portfolio technologií na prodloužení trvanlivosti (nově hlavně pro bobuloviny), je zajímavá z jednoho důvodu: ukazuje, že „prodloužení shelf life“ už není jeden produkt, ale datově řízený systém řízení kvality a toku zboží. A to je přesně prostor, kde AI dává největší smysl.

Proč je prodloužení trvanlivosti ideální AI use-case

Prodloužit trvanlivost není primárně o tom, že ovoce vydrží déle. Je to o tom, že řetězec se dá řídit přesněji. Jakmile dokážete zpomalit zrání nebo včas poznat, že se něco „láme“, získáte čas. A čas v čerstvé produkci znamená peníze.

Bobuloviny (maliny, borůvky, jahody) jsou typický příklad: mají vysokou hodnotu, ale také vysoké riziko znehodnocení. U maliny často stačí pár hodin mimo ideální podmínky a začíná rozpad, plísně, ztráta pevnosti.

AI do toho vstupuje ve třech vrstvách:

1. Predikce: jak dlouho konkrétní šarže vydrží v konkrétních podmínkách (teplota, CO₂/O₂, vlhkost, čas od sklizně).
2. Optimalizace: kam poslat jakou šarži (bližší trhy vs. delší přeprava), jak nastavit skladové režimy, jak naplánovat expedici.
3. Kontrola: průběžná detekce rizika (ethylene, mikroklima v paletě, výkyvy v chlazení) a včasný zásah.

Prakticky: když máte technologii, která udrží bobule déle v lepším stavu, AI může přepočítat logistické rozhodnutí v reálném čase. Z „přidej konzervaci“ se stává „přidej konzervaci a přesměruj tok zboží“.

Co dělá Hazel a proč to dává smysl i bez „čisté AI“

Hazel je známá hlavně díky tzv. sáčkům (sachets) s látkou 1-MCP (1–Methylcyclopropene). Jde o chemii používanou v praxi dlouho – Hazel ale staví na tom, že ji umí dávkovat pomalu a kontrolovaně přímo v balení / přepravním prostoru.

Mechanismus je jednoduchý a účinný: 1-MCP se váže na receptory pro etylen (přirozený hormon zrání u ovoce) a tím zpomalí proces zrání. Výsledek je menší přezrálost, menší měknutí a často i nižší sekundární ztráty (poškození, otlaky, rychlejší rozklad).

Z pohledu moderního potravinářství je ale důležitější něco jiného: Hazel prodává měřitelný ekonomický efekt na karton / zásilku. Tohle je přesně typ metriky, kterou firmy chtějí napojit na svoje plánování, ERP a systémy kvality.

A do toho přichází nový směr pod vedením Parkera Bootha: diversifikace nástrojů a geografická expanze. V praxi to znamená víc scénářů, víc plodin, víc trhů – tedy i víc dat a složitější rozhodování. Bez automatizace a pokročilé analytiky se to škáluje těžko.

Nová technologie pro bobuloviny: CO₂ membrána a „bag over pallet“

Pro bobuloviny Hazel doplnila portfolio o technologii založenou na membráně a řízené atmosféře s CO₂. Princip (zjednodušeně): na paletu se nasadí velký pytel, uzavře se a do membrány se „nastaví“ CO₂ tak, aby se v prostoru držela hladina, která zpomalí rozklad (u malin obzvlášť).

Z praktického hlediska je to zajímavé ze dvou důvodů:

1) Škáluje to na logistické jednotky

Když umíte pracovat na úrovni palety nebo kartonu, můžete přesněji dělat rozhodnutí „která šarže kam“.

• Paletová varianta: vhodná pro velké exportéry a dlouhé trasy.
• Kartonová varianta: vhodná pro menší zásilky, retail-ready balení nebo kombinované sklady.

2) Je to ideální zdroj dat pro AI modely trvanlivosti

Řízená atmosféra vytváří opakovatelnější podmínky. A opakovatelné podmínky jsou pro modelování zásadní.

Pokud k tomu přidáte senzory (teplota, CO₂, vlhkost) a obchodní data (čas sklizně, odrůda, pěstitelská lokalita), dostanete základ pro predikční model typu:

• „Tahle paleta malin má při profilu X pravděpodobnost reklamace Y % při doručení do 72 hodin.“
• „Tuhle šarži pošlete raději na bližší trh, protože chladový řetězec měl výkyv.“

Tohle je přesně místo, kde se AI v dodavatelském řetězci potravin stává tvrdým nástrojem řízení marže.

Senzory, software a „chytré sklady“: Datica a real-time kontrola

Hazel zmiňuje i produkt Datica – internetově připojené zařízení a software, které sleduje hladiny etylenu a 1-MCP zejména pro dlouhodobé skladování jablek.

Důležitý posun: nejde jen o aplikaci látky, ale o ověření, že funguje. V praxi se totiž často stává, že:

• dávka je aplikovaná, ale ne ve správný čas,
• sklad má mikro-zóny s jinými podmínkami,
• ventilace nebo těsnění udělá z „ideálního režimu“ kompromis.

Když máte průběžnou zpětnou vazbu, umíte:

• dřív odhalit riziko zrychleného zrání,
• snížit rozptyl kvality mezi šaržemi,
• lépe plánovat uvolnění zásob (kdy co poslat do retailu).

A když to spojíte s AI, přichází další úroveň: detekce anomálií (např. nečekaný nárůst etylenu) a automatická doporučení zásahu.

„Největší úspora není v tom, že máte technologii. Největší úspora je v tom, že víte, kdy a kde ji použít.“

Pre-harvest predikce: proč je „AI v zemědělství“ víc než drony

Další produktová větev Hazel Trex míří před sklizeň – například predikce kvetení u kiwi s přesností na 1–2 dny, aby pěstitel trefil optimální čas pro výživu.

Tady je dobré říct nahlas jednu věc: AI v zemědělství není jen o monitoringu polí. Je o ekonomice operací.

Když posunete aplikaci výživy nebo zásah o pár dní špatně, stojí to:

• peníze za vstupy,
• čas lidí a strojů,
• a často i část výnosu nebo kvality.

Predikční modely fenologie (kvetení, dozrávání) jsou přitom reálně použitelné už dnes, když máte aspoň základní data: teplotní sumy, lokalita, odrůda, historie pozemku. V českém kontextu to sedí nejen na ovoce, ale i na chmel, vinice nebo zeleninu s úzkým sklizňovým oknem.

Geografická expanze: bez AI se z toho stává chaos

Hazel plánuje během několika let působit ve více než dvou desítkách zemí. V čerstvém ovoci je globální „sever–jih“ cyklus klíčový: když končí Peru, jede Kalifornie; když Evropa nemá sezonu, nastupuje jižní polokoule.

Jenže každý region má jiné teplotní profily, jiné logistické časy, jiné odrůdy a jiné standardy kvality. Tohle se nedá dlouhodobě řídit jen tabulkami a zkušeností pár lidí.

AI a pokročilá analytika tu dávají praktickou výhodu:

• dynamické plánování zásob (kdy otevřít sklad, kdy poslat šarži dál),
• predikce reklamací a vratkovosti podle trasy a podmínek,
• optimalizace mixu produktů (sáčky vs. CO₂ řešení vs. senzorika) podle ROI.

Pokud jste pěstitel, balírna nebo distributor, je to dobrá připomínka: technologie prodlužující trvanlivost není izolovaný nákup. Je to součást digitálního řízení dodavatelského řetězce.

Jak začít v praxi: 5 kroků pro firmy, které chtějí méně odpadu

Nejrychlejší cesta k výsledku je propojit prodloužení trvanlivosti s daty. Tady je postup, který jsem v podobných projektech viděl fungovat.

1. Zmapujte ztráty po sklizni podle produktu a trasy

   • Ne „kolik odpadu máme“, ale kde vzniká (sklad, přeprava, vykládka, regál).

2. Zaveďte minimální senzoriku tam, kde to bolí nejvíc

   • Teplota a čas jsou základ. U citlivých komodit přidejte vlhkost a (kde dává smysl) etylen.

3. Vyberte jednu komoditu a jeden tok jako pilot

   • Bobuloviny nebo stolní hrozny jsou typicky rychlé na ověření, protože ztráty jsou drahé a viditelné.

4. Nastavte KPI, která se nedají „okecat“

   • Např. ztráta v % na dodávce, reklamace na 1 000 kartonů, průměrná prodejní cena vs. datum sklizně.

5. Teprve pak stavte AI modely

   • AI má vyhráno, když má kvalitní vstup. Bez dobrých dat jen automatizujete chaos.

Časté otázky, které padají u „AI a trvanlivosti“

Funguje prodloužení trvanlivosti i bez změny logistiky?

Ano, obvykle uvidíte zlepšení i bez dalších změn. Největší efekt ale přichází, když se logistika začne řídit podle reálné kondice šarže, ne jen podle plánu.

Je to téma jen pro velké exportéry?

Ne. I regionální balírna může získat hodně, když sníží ztráty o pár procentních bodů. U čerstvého ovoce je rozdíl mezi 3 % a 6 % ztrát často rozdíl mezi ziskem a nulou.

Kde je hranice mezi „konzervací“ a kvalitou pro zákazníka?

Dobrá technologie nemá „maskovat“ problém. Má udržet kvalitu, kterou jste vypěstovali, a snížit vliv nevyhnutelných logistických prodlev.

Kam to míří v roce 2026: AI jako mozek čerstvého řetězce

V sérii „Umělá inteligence v zemědělství a potravinářství“ se často mluví o predikci výnosů, monitoringu polí nebo robotice. Já bych k tomu přidal jednu praktičtější tezi: nejrychlejší návratnost AI dnes často leží až po sklizni.

Hazelův posun směrem k portfoliu (chemie + řízená atmosféra + senzory + software) je ukázka toho, jak se z jedné „technologie do balení“ stává platforma pro optimalizaci kvality a zásob. A když firma zároveň expanduje do dalších zemí a komodit (třeba banány v jihovýchodní Asii), bude datové řízení ještě důležitější.

Pokud řešíte potravinový odpad, ztráty po sklizni nebo nespolehlivou kvalitu dodávek, doporučil bych nezačínat otázkou „jakou AI koupit“. Začněte otázkou: Které rozhodnutí děláme dnes naslepo – a kolik nás to stojí?

Chcete, aby AI pracovala pro vás, ne naopak? Pak dává smysl podívat se na jeden konkrétní tok (např. maliny na export, jablka ve skladu, stolní hrozny do retailu) a navrhnout kombinaci: prodloužení trvanlivosti + data + optimalizace.

A teď to nejdůležitější: Která vaše komodita má dnes největší rozptyl kvality mezi sklizní a prodejem – a víte přesně proč?