AI v potravinách 2025: co si odnést ze SKS virtuálně

V roce 2025 se food tech přestal tvářit jako „hračka pro startupy“ a začal se chovat jako infrastruktura. Když roste tlak na ceny energií, dostupnost surovin, regulace i očekávání zákazníků, přichází na řadu automatizace, data a umělá inteligence v potravinářství – ne jako módní slovo, ale jako nástroj pro přežití marží.

Právě proto dává smysl, že se Smart Kitchen Summit (SKS) 2025 vrací ve virtuálním formátu: dva týdny v červenci 2025, každý den zhruba 1–2 hodiny programu. Nejde jen o „chytré spotřebiče“. Pro naši sérii Umělá inteligence v zemědělství a potravinářství je SKS zajímavé hlavně tím, že ukazuje, jak se AI z kuchyně přelévá do celého potravinového systému – od pole až po talíř.

Proč má virtuální SKS 2025 smysl i pro zemědělství

Virtuální formát není ústupek. Je to signál, že obor potřebuje rychleji sdílet zkušenosti a testovat nápady napříč světem.

SKS 2025 běží rozprostřeně do dvou týdnů a v krátkých blocích. To je praktické pro lidi, kteří vedou výrobu, provoz, R&D nebo farmu – nikdo z nich si nemůže „zmizet na tři dny“ mimo firmu. Zároveň to kopíruje to, jak dnes funguje zavádění AI: iterace, piloty, měření, úpravy.

Z pohledu zemědělství je důležité jedno: kuchyně je poslední uzel dodavatelského řetězce, kde se ukáže pravda o kvalitě suroviny. Když se v kuchyni více měří (teplota, čas, konzistence, odpad), vzniká zpětná vazba, kterou lze poslat „nahoru“ – do výroby, zpracování i na farmu.

AI & Food: kde se dnes opravdu berou výsledky

AI v potravinách funguje nejlépe tam, kde je jasný cíl, měřitelné KPI a dostupná data. Ne tam, kde se „nasadí chatbot a čeká se zázrak“.

1) Predikce poptávky a plánování výroby (méně odpadu, více jistoty)

Nejrychlejší návratnost často přichází z kombinace:

• prodejních dat (POS, e-shop),
• sezónnosti (svátky, prázdniny, sportovní akce),
• počasí a lokálních událostí,
• provozních omezení (kapacita kuchyně, směny, dodávky).

Výsledek: přesnější objednávky surovin, lepší plán směn, menší přebytky. V gastronomii i ve výrobě se typicky řeší potravinový odpad v řádu jednotek až desítek procent – a i „malá“ změna o 2–5 procentních bodů umí udělat velký rozdíl v nákladech.

Most companies get this wrong: snaží se začít sofistikovaným modelem, ale nemají srovnané základní číselníky, jednotky a disciplínu v evidenci.

2) Počítačové vidění: kontrola kvality a bezpečnost

Kamery + modely vidění dnes zvládnou:

• kontrolovat barvu, velikost, defekty,
• hlídat čistotu pracovních ploch a dodržení procesů,
• měřit porce a konzistenci (hlavně v řetězcích),
• detekovat cizí předměty nebo odchylky na lince.

Propojení se zemědělstvím je přímé: stejný princip (obraz + klasifikace) se používá v monitoringu plodin, třídění ovoce/zeleniny nebo odhadu zralosti.

3) Generativní AI v R&D: receptury, reformulace, alergeny

Generativní AI dává smysl v momentě, kdy ji berete jako „rychlého asistenta“ a přidáte pravidla:

• nutriční cíle (bílkoviny, sůl, cukr),
• omezení alergenů,
• dostupnost surovin a cena,
• chuťové profily a textury.

Nejlepší použití není „vymysli recept“, ale:

1. navrhni 10 variant,
2. vyfiltruj je podle ceny a alergenů,
3. otestuj 2–3 v laboratoři,
4. vrať výsledky do databáze.

Tohle je praktický most k tématům jako personalizovaná výživa: když umíte pracovat s daty o složení, můžete rychleji tvořit produkty pro konkrétní potřeby (sport, senioři, diabetici, bezlepková dieta).

Budoucnost vaření jako datový problém (a proč to zajímá výrobce)

SKS tradičně řeší „future of cooking“. Pro české potravináře to může znít vzdáleně, ale realita? Standardizace vaření je standardizace kvality suroviny.

Když se domácnosti i profesionální kuchyně elektrifikují a digitalizují (indukce, konvektomaty, chytré trouby, senzory), přibývá dat o:

• spotřebě energie,
• době přípravy,
• teplotních profilech,
• výsledné kvalitě a chybovosti.

To otevírá dvě zajímavé strategie:

Výrobek jako služba (Product-as-a-Service)

Výrobce potravin nebo ingrediencí může dodávat nejen surovinu, ale i „návod v datech“ – doporučené profily přípravy pro různé technologie. Kdo to zvládne, sníží reklamace a zvýší opakovatelnost výsledku.

Zpětná vazba do dodavatelského řetězce

Pokud se systematicky sbírají data o výsledku (např. tvrdost masa po přípravě, ztráty při pečení, výtěžnost), lze:

• upravit specifikace suroviny,
• měnit skladování a logistiku,
• vyjednat lepší parametry s dodavatelem.

Jedna věta, kterou si píšu na tabuli při AI projektech v potravinách: „Když neměříte výsledek na konci, optimalizujete naslepo.“

Personalizovaná výživa: příležitost i minové pole

Personalizovaná výživa patří mezi hlavní témata SKS 2025 a v Evropě roste zájem o produkty „na míru“. Zároveň je to oblast, kde se často přepálí marketing.

Realistická cesta v roce 2025 je postupná:

1. Segmentace bez citlivých dat: nabídky pro sport, děti, seniory, „high protein“, „low sugar“.
2. Personalizace podle chování: preference, nákupy, opakované objednávky.
3. Opatrné propojení se zdravotními daty (pokud vůbec): jen s jasným souhlasem, bezpečností a právním rámcem.

Co funguje dobře v praxi:

• doporučování receptů a produktů podle sezóny a rozpočtu,
• „smart“ plánování jídelníčku pro firemní stravování,
• optimalizace složení pro chuť i výživu (méně soli, stejné vnímání slanosti).

AI tady není kouzelná. Je to kalkulačka na steroidech – skvěle počítá, ale musíte jí dát správné zadání.

Elektrifikace a udržitelnost: AI jako dispečer energie

Elektrifikace kuchyní a tlak na udržitelnost nejsou jen „green agenda“. V praxi jde o náklady, dostupnost výkonu a řízení špiček.

AI se dá použít velmi konkrétně:

• predikce energetických špiček podle plánovaných výrob,
• optimalizace spouštění zařízení (konvektomaty, chlazení) mimo špičku,
• řízení teplotních režimů skladů a lednic podle skutečné potřeby,
• výpočet uhlíkové stopy receptur a produktových variant.

Pro potravináře a zemědělce je zásadní, že energie se stává „surovinou“ stejně jako mouka nebo mléko. Kdo ji umí řídit, má konkurenční výhodu.

Co si z SKS 2025 odnést jako česká firma: praktický checklist

Pokud uvažujete o AI v zemědělství nebo potravinářství, virtuální summit má cenu hlavně jako urychlovač rozhodnutí. Ne proto, že vám dá hotové řešení, ale protože vám pomůže vybrat správný problém.

7 otázek předtím, než zaplatíte vývoj AI

1. Které KPI zlepšíme za 90 dní? (odpad, výtěžnost, reklamace, energie)
2. Máme data v jedné pravdě? (sjednocené položky, jednotky, šarže)
3. Kdo je vlastník procesu? (ne „IT“, ale provozní odpovědnost)
4. Jak budeme měřit dopad? (baseline vs. po nasazení)
5. Co uděláme, když model selže? (fallback proces)
6. Kdo to bude denně používat? (UX je důležitější než algoritmus)
7. Jak ošetříme bezpečnost a přístupová práva?

První use-casy, které dávají smysl skoro vždy

• predikce poptávky a objednávek,
• kontrola kvality kamerou,
• optimalizace energií ve výrobě a chlazení,
• plánování údržby (prediktivní údržba) pro kritická zařízení.

Pokud jste farma nebo zpracovatel, přidejte:

• predikce výnosů a kvality (plodiny/šarže),
• optimalizace třídění a skladování,
• trasovatelnost šarží a rychlá reakce na odchylky.

Co čekat od SKS 2025 a jak z toho udělat leady

SKS 2025 sází na živé prezentace, panely, produktové ukázky a možnost pustit si záznam. Já mám rád jednoduchý přístup: jít po 3 poznatcích, které můžete do týdne převést do pilotu.

Pokud jste dodavatel technologií nebo konzultant v oblasti AI pro potravinářství a zemědělství, zkuste po každém dni programu vyrobit:

• 1 konkrétní „před a po“ scénář pro klienta (např. odpad −3 p.b.),
• 1 krátký auditní checklist (10 minut, bez bariér),
• 1 ukázku dashboardu nebo reportu (i jako mockup).

Tohle generuje schůzky lépe než obecné sliby.

Kam to celé míří v roce 2026: kuchyně jako senzor potravinového systému

Pro naši sérii Umělá inteligence v zemědělství a potravinářství je nejzajímavější trend tenhle: AI sjednocuje jazyk mezi farmou, výrobou a kuchyní. Když každý článek řetězce začne měřit a sdílet pár stejných ukazatelů (kvalita, výtěžnost, odpad, energie), zlepší se rozhodování všude.

SKS 2025 je užitečný právě tím, že ukazuje „koncový bod“ – jak technologie mění vaření a spotřebu – a tím nepřímo nastavuje, co budou muset zvládat dodavatelé surovin i výrobci.

Pokud chcete z AI vytěžit reálný dopad v roce 2026, udělejte jednu věc ještě letos: vyberte proces, kde je odpad nebo variabilita nejdražší, a postavte kolem něj data. Až pak přidávejte modely.

Jaký konkrétní krok by u vás měl největší efekt během 90 dní: plánování výroby, kontrola kvality, nebo energie?