AI v potravinářství: Co nám říká příběh Magic Spoon

Většina foodtech značek nepadá na chuti. Padá na špatném odhadu poptávky, drahém růstu a pomalém učení. Přesně proto je debata kolem „keto cereálií“ a značek typu Magic Spoon víc než jen gossip z amerického trhu – je to užitečná lekce pro každého, kdo dnes (v prosinci 2025) řeší potraviny, zemědělství, výrobu a maloobchod.

Na jednom z dílů Food Tech News Show se řešilo, zda „keto cereální mánie“ nekončí a co se děje s Magic Spoon – značkou, která vyrostla na kombinaci nostalgie (snídaňové cereálie jako z dětství) a nového slibu (málo cukru, vysoký protein). Vedle toho zazněla i témata jako molekulární farmaření (produkce v rostlinách), nové formáty prodejen a robotika.

Já si z toho beru jednoduchý závěr: největší konkurenční výhoda ve foodtech dnes není „nová receptura“, ale rychlost a přesnost rozhodování napříč celým řetězcem. A právě tady má umělá inteligence v zemědělství a potravinářství smysl – ne jako buzzword, ale jako systém, který vám ušetří měsíce omylů.

Proč podobné značky narážejí: produkt nestačí

Klíčový problém není, že by lidem přestalo chutnat „keto“. Problém je, že se změnila ekonomika pozornosti i peněz.

V letech 2020–2022 se dalo růst skoro „na reklamu“. V roce 2025 už tohle zdaleka neplatí: výkonové kampaně jsou dražší, zákazník je unavený novinkami a maloobchod tlačí na marže. Když se navíc trend (keto, high-protein, bez cukru) začne drobit na pod-trendy (glukózové křivky, „clean label“, low ultra-processed, personalizovaná výživa), značka, která stojí na jedné vlajce, ztratí dech.

Foodtech startupy typicky podceňují tři věci:

1. Opakovaný nákup (repeat rate) je důležitější než první nákup.
2. Dostupnost a logistika často zabijí marži dřív než konkurence.
3. Rychlá iterace je těžká, když výroba a dodavatelský řetězec nejsou digitálně řízené.

A tady se přirozeně překlápíme k AI: pokud nemáte systém, který průběžně měří poptávku, kvalitu, cenu surovin a výkonnost kanálů, rozhodujete se „pocitem“. V roce 2025 je to luxus.

Mohla AI „zachránit“ Magic Spoon? Ano – ale ne tím, že vymyslí příchuť

Největší přínos AI ve foodtech není generování sloganů nebo obrázků obalu. Největší přínos je predikce, optimalizace a řízení variability.

1) Predikce trendů: když „keto“ slábne, musíte to vědět dřív než účetnictví

AI pro analýzu trhu umí spojit signály, které lidé vyhodnocují pozdě:

• změny vyhledávání a nákupních dotazů (např. „proteinové cereálie“, „bez sladidel“, „bez erythritolu“),
• posuny v košíku (co zákazník přikoupí a co přestane kupovat),
• sezonnost (leden = dietní motivace, prosinec = dárky, „komfortní“ chutě),
• citlivost na cenu v jednotlivých segmentech.

Pro český a evropský kontext je tohle mimořádně praktické: trh je menší, chyby se neodpouštějí tak snadno a růst přes retail znamená tlak na stabilní dodávky. AI vám může dát „radar“ na to, kdy se trend láme a kam se přesouvá.

Jednověté pravidlo: Trendy neumírají naráz – drobí se. AI pomáhá zachytit drobení včas.

2) Optimalizace receptury a kvality: od „low sugar“ k „low complaint“

U funkčních potravin (high-protein, low sugar) je receptura často kompromis: chuť, textura, trvanlivost, cena, dostupnost surovin, alergeny. AI tady umí udělat práci, kterou dřív zvládaly jen velké R&D týmy:

• modelování „co se stane, když nahradím surovinu X surovinou Y“,
• hledání receptur, které minimalizují náklady při zachování senzoriky,
• detekce odchylek kvality ve výrobě (např. vlhkost, křupavost, prach, lámání),
• optimalizace balení a trvanlivosti (prediktivní modely degradace).

V praxi to znamená méně vratek, méně negativních recenzí a hlavně stabilní produkt – což je pro retail i e-commerce klíč.

3) Segmentace zákazníků: „keto komunita“ už není jeden klub

Značky často komunikují, jako by existoval jeden typ zákazníka: „keto nadšenec“. Realita je pestřejší:

• lidé, kteří řeší hmotnost a kalorickou bilanci,
• sportovci (protein, regenerace),
• lidé s omezením cukru (pre-diabetes, glykemie),
• rodiče, kteří chtějí „lepší“ snídani pro děti,
• zákazníci citliví na složení (sladidla, „ultra-processed“ stigma).

AI (včetně menších jazykových modelů pro práci s texty recenzí a dotazů) umí automaticky:

• vyčíst nejčastější důvody koupě a nespokojenosti,
• přiřadit zákazníky do segmentů podle chování,
• navrhnout diferencované nabídky (balíčky, příchutě, velikosti, subscription).

Most companies get this wrong: cpou všem to samé. Přitom u potravin často stačí drobnost – třeba menší balení pro první vyzkoušení nebo „mix box“ s příchutěmi, které odpovídají segmentu.

AI v dodavatelském řetězci: místo hasení požárů řídit rizika

Jakmile foodtech značka začne škálovat, problém už není marketing. Je to plánování výroby, nákup surovin a distribuce.

Prediktivní plánování poptávky (demand forecasting)

AI modely plánování poptávky jsou dnes dostupné i menším firmám. Umí pracovat s:

• historickými prodeji,
• promo akcemi,
• cenovými změnami,
• dostupností v regálu,
• regionálními rozdíly.

Výsledek je jednoduchý: méně vyprodaných položek (lost sales) a méně přebytků (odpisy). U cereálií navíc platí, že přebytek často končí v agresivních slevách, které zničí vnímání značky.

Optimalizace nákupu surovin a receptury podle ceny

V roce 2025 je volatilita cen surovin pořád realita (energie, kakao, některé proteiny, obalové materiály). AI může podporovat rozhodování typu:

• kdy nakoupit,
• od koho,
• jaký je dopad na marži,
• zda se vyplatí dočasná reformulace.

Tohle je most mezi zemědělstvím a potravinářstvím: když máte data ze surovinové základny (výnosy, kvalita, logistika), můžete sladit výrobu potravin s realitou polí, skladů a přepravy.

Retail formáty a „malé prodejny“: proč je to signál pro data

Zprávy typu „řetězec otevírá menší formát prodejny“ nejsou detail pro retailové fanoušky. Je to signál, že se mění:

• skladba sortimentu,
• rychlost obrátky,
• tlak na přesnost zásobování.

Menší prodejna odpouští méně chyb. Pro značku to znamená: buď máte precizní data o prodejích a doplňování, nebo vás vylistují.

Molekulární farmaření a robotika: dvě technologie, které AI spojuje

V původním přehledu zazněla i firma, která pracuje s „molekulárním farmařením“ (produkce proteinů v rostlinách) a ukázka kuchyňského robota. Tyhle věci vypadají vzdáleně od „keto cereálií“, ale pojí je společný jmenovatel: řízení komplexity.

• U molekulárního farmaření potřebujete optimalizovat genetické konstrukty, agronomii, výnos, extrakci a stabilitu. AI zrychluje experimenty a výběr variant.
• U robotiky potřebujete plánování, vizi, kontrolu kvality a bezpečnost. AI dává robotům „oči“ a schopnost adaptace.

Pro české firmy je zajímavé, že tohle nejsou jen „americké hračky“. Je to směr, který bude čím dál víc rozhodovat o tom, kdo umí vyrábět potraviny levněji, stabilněji a s menším odpadem.

Praktický checklist: co zavést do 90 dnů (i bez velkého týmu)

Pokud jste foodtech startup, výrobce potravin nebo agro podnik, který chce AI využít bez zbytečného divadla, doporučuju postupovat takhle:

1. Sjednoťte data o prodejích a výrobě

   • jeden „zdroj pravdy“ pro prodeje (e-shop + retail + marketplace),
   • základní datový model: produkt, šarže, kanál, region, marže.

2. Nasadťe jednoduchou predikci poptávky

   • nečekejte na dokonalost,
   • cílem je snížit vyprodání a odpisy aspoň o 10–20 %.

3. Analyzujte recenze a zákaznické dotazy pomocí NLP

   • vytáhněte 10 nejčastějších problémů a 10 důvodů, proč lidé kupují,
   • převeďte to do backlogu pro R&D a customer care.

4. A/B testujte nabídky a balení podle segmentů

   • „mix box“, menší balení na první nákup, předplatné,
   • příchutě a messaging podle motivace (sport vs. cukr vs. rodina).

5. Zaveďte metriky, které AI i lidé chápou

   • repeat rate, CAC, contribution margin, fill rate, odpisy, reklamace.

Jedna věc, kterou bych udělal hned: sjednotit prodeje + recenze + šarže. Jakmile víte, která šarže generuje stížnosti, máte napůl vyhráno.

Co si z „Wit​her Magic Spoon?“ odnést pro rok 2026

Příběhy o tom, jestli nějaká značka „uvadá“, jsou ve skutečnosti příběhy o řízení. Trendy se mění, náklady lítají a zákazník je náročnější. Firma, která vyhrává, není ta s nejhlasitějším marketingem, ale ta, která rychleji vidí realitu a rychleji upraví produkt, cenu i distribuci.

V rámci série Umělá inteligence v zemědělství a potravinářství tohle téma beru jako důležitý most: AI není jen o monitoringu plodin nebo predikci výnosů. Stejně důležité je, jak se data propíšou do potravinářské výroby, vývoje produktu a do toho, co nakonec leží v regálu.

Pokud chcete, aby AI nebyla projekt „do šuplíku“, začněte malým use-casem: predikce poptávky, analýza zpětné vazby, kontrola kvality. A pak to propojte. Právě propojení dělá rozdíl mezi značkou, která jen přežívá, a značkou, která roste i ve chvíli, kdy trh ochladne.

Co je vaše největší slepé místo dnes – poptávka, kvalita, nebo marže?