AI uhlíková stopa potravin: stačí naskenovat čárový kód

Většina lidí dnes umí přečíst etiketu s kaloriemi, cukrem a solí. Jenže u klimatické stopy potravin jsme pořád v pravěku: informace existují, ale jsou rozdrobené, neporovnatelné a pro běžný nákup v supermarketu prakticky nepoužitelné.

A přesně tady začíná být vidět, co umí umělá inteligence v potravinářství a proč se vyplatí sledovat i nástroje „pro spotřebitele“. Holandský projekt GreenSwapp ukazuje jednoduchý princip: naskenujete čárový kód a hned vidíte, jestli má produkt nízký, střední nebo vysoký dopad – plus rozpad, odkud emise pocházejí. Na první pohled je to hračka pro „klimaticky uvědomělé“. Ve skutečnosti je to malá ukázka toho, jak se bude v nejbližších letech měnit celý potravinový řetězec – od polí po regál.

Proč je uhlíková stopa na obalech tak těžká věc

Největší problém klimatických štítků není technologie. Je to důvěryhodnost a srovnatelnost.

Když dvě značky napíšou „nižší emise“, může to znamenat úplně jiné věci. Jedna počítá jen výrobu, druhá výrobu + dopravu, třetí ještě přidá obal. A do toho vstupují rozdíly v:

• země původu surovin (a tedy i energetický mix a zemědělské praktiky),
• zpracování (např. sušení, chlazení, fermentace),
• obalu (materiál, hmotnost, recyklovatelnost),
• logistice (typ dopravy, chladicí řetězec, sklady).

GreenSwapp cílí přesně na tohle: vzít složitou „životní cestu“ produktu a převést ji do jednoho srozumitelného skóre. Ne proto, aby se svět zjednodušil. Ale proto, aby se dalo rychle rozhodovat.

Jak funguje GreenSwapp a co je na tom „AI“

GreenSwapp začal jako online nákup klimatičtějších potravin, ale postupně se posunul k tomu podstatnějšímu: k datové platformě pro klimatický dopad balených potravin (CPG).

Skenování čárového kódu jako vstupní brána

Princip je přímočarý: otevřete webový skener v mobilu, povolíte kameru, načtete čárový kód. Nástroj vrátí:

• skóre dopadu (typicky nízký/střední/vysoký),
• odhad podílu na „denním uhlíkovém rozpočtu“ na porci,
• „deep dive“ rozpad podle fází (zpracování, doprava, obal atd.).

Pro uživatele je to pár vteřin. Pro systém je to „data pipeline“: identifikace produktu → napárování na databázi → výpočet/odhad → vysvětlení výsledku.

Kde je v tom umělá inteligence

U podobných platforem nebývá AI jen „magie, co vše ví“. Reálně pomáhá ve třech místech:

1. Normalizace dat o produktech

   • Jeden výrobek může být v databázích pod různými názvy, baleními, jazyky.
   • AI (NLP a matching) pomáhá spojovat záznamy a udržovat katalog konzistentní.

2. Odhad chybějících hodnot

   • U spousty produktů nejsou kompletní údaje o dodavatelském řetězci.
   • Modely pracují s typovými hodnotami, kategoriemi a podobností (např. „jogurt 150 g v plastu“ vs. „jogurt 200 g v plastu“).

3. Vysvětlitelnost pro člověka

   • Rozpad emisí do částí řetězce je klíčový: lidé nechtějí jen číslo, chtějí důvod.
   • AI pomáhá generovat srozumitelné vysvětlení bez toho, aby uživatel studoval metodiku.

Můj názor: největší hodnota není ve skóre, ale ve standardizaci a „překladu“ složitosti do rozhodnutí. To je přesně typ problému, který se v zemědělství a potravinářství opakuje pořád dokola.

Od čipsů k poli: proč spotřebitelský skener zajímá zemědělce a výrobce

V sérii „Umělá inteligence v zemědělství a potravinářství“ často řešíme precizní zemědělství, monitoring plodin nebo predikci výnosů. Nástroj jako GreenSwapp vypadá vzdáleně. Ve skutečnosti je to druhá strana téže mince.

1) Tlak trhu se mění z ceny na data

Když se v regálu objeví klimatické skóre, stane se z něj nová „měna“ konkurence. Výrobce pak začne chtít odpovědi:

• Která surovina mi dělá největší dopad?
• Je horší obal, nebo zpracování?
• Vyplatí se změnit recepturu, nebo logistiku?

A odpovědi se nedají udělat pocitově. Potřebujete data od farmy, přes zpracování až po distribuci.

2) AI propojuje precizní zemědělství s uhlíkovým účetnictvím

Precizní zemědělství generuje data: aplikace hnojiv, výnosové mapy, satelitní snímky, vlhkost půdy. Pokud je umíte převést do emisních faktorů a auditovatelných výstupů, vzniká přímý most:

• nižší dávky dusíku → nižší emise N₂O,
• optimalizace zavlažování → nižší energetická náročnost,
• zlepšení půdní struktury → lepší retence uhlíku.

Spotřebitelský skener je jen „front-end“. Skutečná hra je v tom, že dodavatelský řetězec začne vyžadovat přesnější primární data.

3) Značky budou chtít „důkaz“, ne marketing

Greenwashing už je drahý sport – reputačně i regulatorně. Jakmile se rozšíří srovnávací skóre (v aplikaci, e-shopu, nebo na cenovkách v regálu), firmy budou muset umět:

• doložit metodiku,
• vysvětlit rozdíly,
• prokázat zlepšení v čase.

To je příležitost pro potravináře i agropodniky: kdo si nastaví měření dřív, bude mít náskok.

Co by se muselo stát, aby se to chytlo i v Česku

Technicky není problém udělat skenování čárových kódů i pro český trh. Realistické překážky jsou spíš organizační.

Standardy a metodiky (bez nich se lidé neshodnou)

Aby klimatické skóre fungovalo, musí být jasné:

• co se počítá (hranice systému – výroba, doprava, obal, chlazení),
• jak se pracuje s chybějícími daty,
• jak často se hodnoty aktualizují.

Jakmile různé aplikace vrací pro stejný produkt různé výsledky, důvěra jde dolů rychle.

Integrace do nákupního procesu

Upřímně: málokdo si bude otevírat webový skener jako samostatný rituál. Lepší cesta je integrace do:

• online supermarketů,
• věrnostních aplikací,
• pokladních systémů,
• elektronických cenovek.

A tady se dostáváme k „LEADS“ části: firmy, které umí dodat API, datovou kvalitu a napojení do retailu, budou u stolu.

Data od dodavatelů: největší úzké hrdlo

Bez spolupráce dodavatelů vzniknou jen hrubé odhady. To může stačit pro první orientaci, ale ne pro řízení výroby.

Praktický krok, který často funguje: začít s top 20 položkami podle obratu (ne s celým portfoliem), vyžádat primární data, nastavit proces aktualizace.

Praktické kroky pro výrobce a retail: co dělat už v Q1 2026

Pokud jste výrobce potravin, zpracovatel, nebo retailer, dávám přednost postupům, které nezůstanou v prezentaci.

1) Vyberte 1 kategorii a postavte „minimální uhlíkový model“

Začněte tam, kde je vysoký objem a jednoduchá receptura (např. mléčné výrobky, nápoje, pečivo). Cíl: umět spočítat a vysvětlit dopad pro reprezentativní produkty.

2) Udělejte rozpad dopadu na 4 části

Většinou stačí:

• suroviny (zemědělská fáze),
• zpracování (energie, ztráty),
• obal,
• logistika a sklad.

Tenhle rozpad je manažersky použitelný: hned víte, kam sáhnout.

3) Připravte se na „porovnávání vedle sebe“

Jakmile se dopad ukazuje v e-shopu nebo na regálu, zákazník porovnává dva jogurty stejně snadno jako cenu.

To znamená:

• mít konzistentní jednotku (na porci / na 100 g),
• umět vysvětlit, proč má produkt vyšší dopad (např. skleněný obal, chlazený řetězec),
• nastavit interní KPI na snižování dopadu.

4) Napojte to na AI v provozu, ne jen na reporting

Reporting sám o sobě emise nesnižuje. Snižují je rozhodnutí. Největší efekt mívá propojení na:

• plánování výroby (energetické špičky),
• optimalizaci receptur,
• predikci poptávky (méně odpadu),
• optimalizaci tras a skladů.

Tady se AI v potravinářství opravdu vyplatí: najde kombinace, které člověk v tabulce neuhlídá.

Co si z GreenSwapp odnést: jednoduchost je funkce, ne kompromis

GreenSwapp je zajímavý ne tím, že ukazuje číslo. Zajímavý je tím, že ukazuje směr: klimatická data se přesouvají z odborných reportů přímo do nákupního rozhodnutí.

V praxi to znamená, že tlak na udržitelnost už nebude jen interní agenda ESG týmu. Stane se z něj parametr produktu – podobně jako složení, alergeny nebo cena. A to je okamžik, kdy se zvedne poptávka po kvalitních datech z farmy, po digitalizaci výroby a po AI nástrojích pro optimalizaci.

Pokud se pohybujete v zemědělství nebo potravinářství, dává smysl položit si jednu nepříjemně konkrétní otázku: kdyby se u vašich produktů zítra zobrazovalo klimatické skóre, měli byste data a argumenty, které obstojí vedle konkurence?