AI v potravinách: Co se zemědělství naučí od PieBotu

Na stavbě se oběd často láme na dvou věcech: čas a dostupnost. Když je nejbližší pekárna deset minut tam a deset zpátky, je to za týden ztracená hodina práce. Na Novém Zélandu tohle řeší stroj, který zní jako vtip, ale funguje až nepříjemně prakticky: PieBot, automat na teplé masové koláče.

Na první pohled je to „jen“ chytrý prodejní automat. Ve skutečnosti je to malá lekce o tom, jak se dělá automatizace v potravinářství: nejde primárně o robota, ale o řízení teplého řetězce, poptávky a doplňování zásob. A přesně tohle je velmi dobrá paralela k tomu, co dnes řeší AI v zemědělství a potravinářství: jak vyrobit správné množství, ve správný čas, ve správné kvalitě – s minimem odpadu.

PieBot není „robot na koláče“. Je to logistika v krabičce

PieBot vznikl z obyčejného zvyku: dva vývojáři odcházeli skoro každý den z práce pro koláč do pekárny. Když si uvědomili, že to dělají pravidelně a že poptávka je předvídatelná, položili si správnou otázku: Proč vozit lidi za jídlem, když můžeme vozit jídlo za lidmi?

Klíčové je, že PieBot není stroj, který koláče peče. Koláče se připraví jinde, ráno se naloží do zařízení a několik hodin se udržují teplé. Neprodané kusy se vyjmou a další den se doplní čerstvé.

„Teplý supply chain“ je tvrdší problém než hardware

Zakladatelé PieBotu sami pojmenovali největší výzvu: hot food supply chain – tedy teplý dodavatelský řetězec.

V praxi to znamená řídit několik věcí najednou:

• bezpečnou teplotu (HACCP logika: udržet teplo v bezpečném pásmu),
• časové okno prodeje (kolik hodin má produkt špičkovou kvalitu),
• poptávku podle místa a dne (stavba vs. kancelář, pondělí vs. pátek),
• doplňování a rotaci (co, kdy, kolik a kam dovézt).

Tohle je mimochodem stejný typ problému, jaký řeší farmy a zpracovatelé potravin: variabilní poptávka, omezená trvanlivost a tlak na odpad.

Kde je v PieBotu AI a automatizace – a proč je to relevantní

Při čtení podobných příběhů má spousta lidí tendenci hledat „tu AI“ jako jednu kouzelnou funkci. Realita je střízlivější: AI dává největší smysl, když je součástí operačního systému provozu.

U zařízení typu PieBot se AI/ML typicky uplatní ve čtyřech vrstvách:

1) Predikce poptávky a plánování doplňování

Nejdražší chyba je dvojí:

• vyprodáno moc brzy (ztracené tržby + nespokojenost),
• přebytky (odpad + logistika).

Modely pro predikci poptávky běžně využívají:

• historii prodejů po hodinách,
• typ lokality (stavba, sklad, kampus),
• počasí a sezónnost,
• výplatní termíny, směny, lokální události.

V zemědělství je tohle analogie k tomu, když AI pomáhá plánovat sklizeň, skladování a expedici podle očekávané poptávky a reálných kapacit.

2) Kontrola kvality v čase (nejen „teplota OK/KO“)

U teplého jídla není kvalita binární. Koláč může být bezpečný, ale už ne tak dobrý.

AI se dá použít pro model „kvalita v čase“: kombinace teplotních křivek, času od naložení a typu produktu. Výsledek: systém umí doporučit dřívější slevu, rychlejší rotaci nebo úpravu doplňování.

V potravinářství je to přímá paralela k predikci trvanlivosti (shelf-life) u chlazených výrobků nebo čerstvého pečiva.

3) Minimalizace odpadu jako KPI, ne vedlejší efekt

Nejzdravější metrika v automatizovaném prodeji teplých jídel je často odpad v %.

AI z toho udělá řiditelný cíl:

• doporučí menší ranní návoz a pozdější „top-up“,
• navrhne mix produktů (víc hovězí, míň kuřecí – podle lokality),
• automaticky spustí promo akci, když hrozí přebytek.

Zemědělství tohle řeší přesně stejně, jen o krok dřív: odpad vzniká už na poli, při třídění, ve skladu i v distribuci. Pokud umíte odpad měřit a předvídat, umíte ho snížit.

4) Provozní diagnostika a servis

Jakmile máte síť zařízení, začne bolet údržba. AI umí z provozních dat odhalit:

• abnormální chování ohřevu,
• opakované chyby dveří/zámků,
• odchylky ve spotřebě energie.

V agru je analogie jasná: prediktivní údržba pro dojírny, chladírny, třídicí linky, balicí stroje nebo zavlažování.

Co si z PieBotu může odnést české zemědělství a potravinářství

Nejlepší inspirace na PieBotu není „automat na jídlo“. Je to způsob, jak přemýšlet o automatizaci: začněte u úzkého hrdla provozu a dejte mu data.

Přenos do praxe: 5 konkrétních use-cases, které dávají smysl už v roce 2026

Tady jsou příklady, které v Česku typicky narážejí na stejné problémy jako PieBot (poptávka, čerstvost, logistika, práce lidí):

1. Predikce výkupů a plánování chlazené logistiky (mléko, maso)
   AI model propojí výkupní data, směny, počasí a kapacitu svozu. Cíl: méně mimořádných svozů a méně stresu v závodě.

2. Optimalizace pečení a expedice čerstvého pečiva
   Stejná logika jako „teplý řetězec“: kdy co dopéct, kam poslat, kdy zlevnit. Výsledek: méně vratek.

3. Řízení skladové rotace čerstvé zeleniny a ovoce
   Kombinace kamerové kontroly kvality a predikce trvanlivosti. Cíl: posílat citlivější šarže dřív, míň vyhazovat.

4. AI plánování sklizně a práce lidí podle reálné poptávky
   Když odběratel změní objednávku, farma často „hasí požár“. AI plánovací vrstva sníží improvizaci.

5. Dynamické ceny a balíčky (retail i farm shop)
   Pokud vidíte, že vám zítra spadne kvalita, nemá smysl držet cenu. Smysl má řízená sleva a balíčky.

Tahle témata jsou jádrem naší série „Umělá inteligence v zemědělství a potravinářství“: nejde o efektní demo, ale o měřitelné zlepšení výnosu, kvality a odpadu.

Jak začít s AI projektem, aby neskončil u prezentace

AI v potravinářství i zemědělství se často zasekne na tom, že se chce dělat „velký projekt“. PieBot ukazuje opak: začněte malým, ale ostrým problémem.

Praktický postup (ověřený v provozu)

1. Vyberte jednu metrikou měřitelnou bolest
   Např. odpad v %, prostoje linky, přesčasy, reklamace, nedostupnost zboží.

2. Zajistěte data v použitelné kvalitě
   Ne „jednou za týden v Excelu“, ale průběžně. U teploty, času, šarží a logistiky to platí dvojnásob.

3. Nechte AI radit, ale rozhodnutí držte u lidí
   Nejrychlejší cesta k přijetí je režim „doporučení“: AI navrhne, člověk potvrdí. Až pak automatizujte.

4. Zaměřte se na integraci do workflow
   Model bez napojení na objednávky, sklad a plánování je jen hezký graf.

5. Počítejte návratnost v měsících, ne v letech
   U odpadu, logistiky a energie je ROI často vidět rychle. A to je přesně důvod, proč tyhle projekty dávají smysl pro LEADS.

Jednovětá poučka: Automatizace je jednoduchá. Těžké je udělat ji provozně spolehlivou a ekonomicky výhodnou.

„Z koláčů na pole“: proč tenhle příběh stojí za pozornost i v Česku

PieBot míří do dalších lokalit a zakladatelé mluví i o expanzi na americký trh. To je zajímavé, ale pro nás je podstatnější něco jiného: ukazuje se, že inovace v jídle dnes nevzniká jen v kuchyni, ale v datech a logistice.

A právě tady se potkává food tech s agritech. V obou světech platí, že:

• poptávka je proměnlivá,
• kvalita má časové okno,
• odpad je drahý,
• a lidé nechtějí komplikované procesy.

Pokud přemýšlíte, kde v zemědělství a potravinářství začít s AI, podívejte se na svůj vlastní „PieBot problém“: kde dnes ručně odhadujete, improvizujete a pak vyhazujete.

Další krok je jednoduchý: vybrat jeden proces (třeba plánování výroby, logistiku chlazeného řetězce nebo predikci poptávky) a postavit pilot, který do 8–12 týdnů ukáže tvrdá čísla.

A teď ta otázka, která rozhoduje: Kdyby vaše firma měla zítra o 20 % méně odpadu, kde by se to nejvíc projevilo – v nákupu, ve výrobě, nebo v distribuci?