AI a automatizace v gastru: úspory i bez VC peněz

Venture kapitál do technologií pro restaurace spadl v roce 2024 na 1,3 miliardy USD. Pro kontext: v roce 2018 to bylo 14,5 miliardy USD. To není kosmetická korekce – to je signál, že „zlatá horečka“ kolem rozvážkových aplikací a rychlé digitalizace už do značné míry doběhla.

Jenže tenhle pokles má i zdravou stránku. Když se peníze přestanou sypat na růst za každou cenu, začnou vyhrávat řešení, která prokazatelně snižují náklady, zvedají produktivitu a omezují plýtvání. A právě tady se dnes nejvíc drží AI a automatizace.

V našem seriálu Umělá inteligence v zemědělství a potravinářství mě baví jedna věc: nejlepší AI projekty nevznikají v izolaci. Vznikají napříč celým potravinovým řetězcem – od pole přes výrobu až po restauraci. Restaurace jsou totiž poslední „továrna“ před zákazníkem. Když se zefektivní tady, tlak na suroviny, logistiku i skladování se okamžitě propíše zpět do celého systému.

Proč investice do restaurant tech klesly – a proč to není konec

Pokles financování v restaurant tech je hlavně důsledek dospění trhu, ne ústupu inovací. Velká část investic v minulém desetiletí šla do rozvážkových tržišť a jejich infrastruktury. Jakmile se z kdysi dravých startupů stali zavedení hráči, prostor pro „snadné“ růstové příběhy se zmenšil.

Druhá část příběhu je prostá: gastronomie pracuje s tenkými maržemi. V době ekonomické nejistoty investoři méně tolerují experimenty, které:

• vyžadují dlouhé nasazení v provozu,
• mají složitou integraci do pokladen, skladů a kuchyní,
• nebo přinášejí úspory až „někdy později“.

Přesto v datech i praxi vidíme jasný posun: z „platformových“ modelů k účelným nástrojům. Méně velkých slibů, více malých zásahů, které přinesou výsledky v řádu týdnů.

Co se tím mění pro české provozovatele a potravináře

Dobrá zpráva: když se investorům nechce platit za marketingové sny, začnou platit za provozní realitu. To je výhodné i pro český trh, kde většina restaurací, jídelen a provozů hledá především:

• stabilitu nákladů,
• snížení plýtvání,
• lepší plánování směn,
• a předvídatelnou kvalitu.

A přesně to jsou disciplíny, ve kterých se AI umí prosadit.

AI v restauracích: tři oblasti, kde se dnes vyplácí nejvíc

AI v gastru se nejrychleji vrací tam, kde zkracuje čas, snižuje chyby a zpřesňuje rozhodování. Podle trendů popsaných v reportech trhu se opakují tři praktické směry: personalizace marketingu, predikce poptávky a efektivnější provoz.

1) Predikce poptávky a „chytřejší“ nákup surovin

Největší tichý zabiják zisku v gastru není jen energie nebo nájem. Je to špatný odhad poptávky: moc nakoupeno, moc připraveno, moc vyhozeno.

AI se tady nechová jako kouzelná koule – je to statistika na steroidech. Když má model k dispozici data z pokladny, rezervací, rozvozových kanálů a třeba i kalendářních vlivů (svátky, sportovní akce, školní prázdniny), umí:

• doporučit nákup pro konkrétní období,
• upozornit na riziko přebytků u citlivých surovin,
• a pomoci přenastavit přípravu (mise en place) tak, aby se minimalizoval odpad.

Most do zemědělství a potravinářství: stejné principy používá precizní zemědělství při predikci výnosů a plánování sklizně. V obou případech jde o totéž: zmenšit nejistotu a rozhodovat se podle pravděpodobnosti, ne podle pocitu.

2) Automatizace objednávek a komunikace se zákazníky

Na trhu sílí řešení, která používají AI rozhraní v přirozeném jazyce pro objednávání (typicky drive‑thru nebo telefon). Smysl je jednoduchý: personál má dělat práci, kterou stroje neumí – a stroje mají zpracovat rutinu.

V českém prostředí to nemusí být hned drive‑thru. Dává ale smysl automatizovat:

• telefonické objednávky a rezervace (hlavně špičky),
• odpovědi na opakující se dotazy (alergeny, otevírací doba, menu),
• sběr preferencí hosta (bez toho, aby to obtěžovalo).

Tady mám jasný názor: AI asistent je užitečný jen tehdy, když snižuje chaos v provozu. Pokud přidá další aplikaci, další notifikace a další „ruční přepis“, nepomáhá.

3) Personalizovaný marketing a věrnostní programy, které nejsou o slevách

Investoři vnímají „guest management“ a věrnostní platformy jako světlejší místo i v době opatrnosti. Důvod je pragmatický: udržet hosta je levnější než ho znovu získávat.

AI může z věrnostního systému udělat nástroj pro:

• segmentaci hostů podle chování (ne podle věku v kartě),
• predikci odchodu (kdo přestal chodit a proč),
• nabídky založené na preferencích (např. vegetariánské volby, oblíbená denní doba).

Zásadní detail: personalizace bez kontroly marže je past. Správně nastavená AI nepřidává „víc slev“, ale hledá „lepší mix“ – třeba přesměruje poptávku na jídla s vyšší dostupností surovin nebo nižším odpadem.

Robotika a automatizace: proč vyhrávají „moduly“, ne kompletní kuchyně

V robotice v gastru se ukazuje, že nejlépe fungují dílčí automatizační moduly, ne kompletní robotická restaurace. Historie je plná pokusů postavit „full‑stack“ automatizovanou kuchyň. Často to narazilo na realitu: údržba, hygiena, variabilita menu, změny směn, lidský faktor.

Současný trend je praktičtější:

• automatizované části výdeje nebo přípravy,
• chytré fritézy, grily a dávkování,
• nástroje, které se dají zapojit do stávající kuchyně bez přestavby.

Tohle je přímá paralela s chytrým zemědělstvím. Také se ukázalo, že nejrychlejší návratnost mají bodová řešení: senzory půdy, variabilní dávkování hnojiv, monitoring porostu, lokální postřik. Ne „robot, který udělá všechno“.

Jedna věta, která platí od pole po kuchyň: Automatizace má uspět tam, kde odstraňuje konkrétní úzké hrdlo – ne tam, kde slibuje nahradit celý provoz.

Co si z toho vzít pro potravinářství: od farmy k talíři jako jeden systém

AI v restauracích není izolovaná kapitola. Je to poslední článek potravinového řetězce, který vrací signály zpět do výroby. Když restaurace lépe předpoví poptávku a sníží odpad, mění se i to, jak:

• potravináři plánují výrobu a šarže,
• distributoři řídí zásoby a chlazený řetězec,
• zemědělci načasují sklizeň a odbyt.

Konkrétně: pokud restaurace přejde na lepší predikci poptávky, může stabilizovat odběr (třeba u čerstvé zeleniny, pečiva nebo mléčných výrobků). Stabilnější odběr znamená méně výkyvů, méně vratků, menší tlak na „zachraňování“ zboží na poslední chvíli. A to je měřitelný environmentální i ekonomický dopad.

Praktický scénář (česká realita, žádná sci‑fi)

Představte si síť jídelen nebo několik provozů jedné restaurace:

1. Z pokladny a jídelních lístků se sbírá prodej po hodinách a dnech.
2. Model predikuje poptávku na příští týden (zvlášť pro polévky, masa, bezmasá jídla).
3. Nákup surovin se dělá podle predikce s bezpečnostní rezervou.
4. Když poptávka v průběhu týdne ujede, systém navrhne úpravu denního menu.

Výsledek: méně odpadu, méně improvizace, klidnější kuchyň. A hlavně: data, která se dají poslat dodavatelům jako reálný signál, ne odhad.

Nejčastější otázky z praxe (a moje odpovědi)

„Má smysl AI, když nemám dokonalá data?“

Ano, pokud začnete od jednoduchých datových zdrojů: pokladna, sklad, rezervace. Dokonalost je nepřítel pokroku. Lepší je model, který je o 10–15 % přesnější než člověk, než čekat rok na „datové zlato“.

„Není to jen pro řetězce?“

Řetězce mají výhodu v objemu, ale menší podniky mají výhodu v rychlosti změny. Pokud máte jasné menu, opakující se špičky a alespoň základní evidenci prodeje, AI se dá nasadit i v menším.

„Kde se to nejčastěji pokazí?“

Ne na modelu, ale v implementaci.

• AI doporučí nákup, ale nikdo ho nechce změnit „protože to tak děláme roky“.
• Systém není propojený a data se přepisují ručně.
• KPI jsou špatně: honí se tržby, ale ne hlídá se odpad a marže.

Co udělat v roce 2026: checklist pro zavedení AI bez zbytečných rizik

Nejrychlejší cesta k návratnosti je začít úzkým use‑casem a měřit dopad. Tohle je postup, který se mi opakovaně osvědčuje v potravinářství i v gastro provozu:

1. Vyberte jeden cíl: snížení odpadu, přesnější nákup, plánování směn, rychlost objednávek.
2. Zaveďte měření: odpad v kg a Kč, počet storen, doba čekání, prodeje po hodinách.
3. Udělejte pilot na 4–6 týdnů na jednom provozu nebo jedné kategorii (např. pečivo, saláty).
4. Nastavte pravidla rozhodování: kdy se doporučení AI přijme automaticky a kdy ho schvaluje člověk.
5. Vyhodnoťte dopad na marži, ne jen na tržby.
6. Teprve pak škálujte do dalších provozů, kategorií nebo dodavatelů.

Pro LEADS to má i obchodní logiku: kdo dokáže doložit úsporu (třeba na odpadu nebo přesčasech), ten má argument jak pro investici do technologií, tak pro vyjednávání s dodavateli.

Proč „méně peněz“ může znamenat „víc užitku“

Pokles investic do restaurant tech na 1,3 miliardy USD v roce 2024 ukazuje, že éra drahých experimentů skončila. Zároveň ale roste prostor pro AI a automatizaci, protože tyhle nástroje řeší to, co gastronomie i potravinářství pálí nejvíc: efektivitu, predikci a plýtvání.

V širším potravinovém řetězci je to dobrá zpráva. Restaurace, jídelny a výrobci, kteří dnes začnou s praktickými AI projekty, si vytvářejí výhodu, kterou konkurence nedožene jen „víc lidmi“.

A teď ta otázka, kterou si podle mě stojí za to položit: Které jedno úzké hrdlo ve vašem provozu by AI odstranila nejrychleji – od nákupu surovin až po výdej na talíř?