AI v potravinářství: co funguje a co bolí v praxi

Počet „AI projektů“ v potravinách roste rychleji než tržby většiny značek. A není to jen hype. Když globální řetězce otevřeně mluví o tom, že chtějí být „AI‑first“, a když zároveň velká firma ze dne na den rozpustí tým, který roky stavěl receptovou platformu, je to signál: umělá inteligence v potravinářství přestala být experimentem a začala být provozní strategií.

V naší sérii Umělá inteligence v zemědělství a potravinářství obvykle řešíme pole, sklady a výrobu. Tentokrát se ale podíváme na druhý konec řetězce – na kuchyně, recepty, obsah a retail – a ukážeme, proč to má přímý dopad i na „farm-to-fork“ optimalizaci. Protože jakmile se AI usadí v restauracích a nákupních košících, tlačí na plánování výroby, logistiku i predikci poptávky.

AI‑first v restauracích: proč to není marketingová věta

AI‑first v gastro provozu znamená, že algoritmy zasahují do každé opakované činnosti – od plánování směn po nákup surovin. Nejde o to, že si manažer „pustí ChatGPT“. Jde o to, že se data z POS, objednávek, skladů, dodávek a zákaznických aplikací propojí do jedné rozhodovací vrstvy.

Velké řetězce (a jejich franšízy) to chtějí z jednoduchého důvodu: marže jsou nízké a chyba je drahá. Když přeobjednáte, vyhazujete. Když podobjednáte, prodeje utečou ke konkurenci. A když špatně naplánujete lidi, zaplatíte přesčasy nebo naopak nestíháte špičku.

Co dnes AI reálně automatizuje (a co ne)

Největší přínos bývá v rutinních rozhodnutích s jasnou metrikou úspěchu:

• Predikce poptávky (po hodinách/dnech): počasí, svátky, lokální akce, historické prodeje.
• Objednávky surovin a řízení zásob: doporučení objednávek, hlídání expirací, upozornění na anomálie.
• Plánování směn: kombinace odhadované návštěvnosti a dostupnosti lidí.
• Dynamika menu: co držet v nabídce, co omezit, co zdražit, co propagovat.

Co naopak AI zatím „nevyřeší sama“: špatně nastavené procesy, chybějící data, roztříštěné systémy a hlavně kulturu provozu. AI není náhrada disciplíny. Je to zesilovač.

Proč to dopadá i na zemědělství a výrobu potravin

Jakmile restaurace a retail zpřesní predikce, mění se chování celé poptávkové strany:

• více krátkých a častých objednávek (nižší skladové zásoby),
• tlak na přesnější dodávky (časová okna, konzistence kvality),
• lepší práce s lokální sezónností (v ČR typicky jarní saláty, letní ovoce, podzimní dýně, zimní kořenová zelenina),
• a vyšší požadavky na trasovatelnost a data o původu.

To je přesně místo, kde se potkává AI v restauraci s AI v precizním zemědělství, monitorování plodin a předpovědi výnosů: když poptávka umí být chytrá, musí být chytrá i nabídka.

Generativní AI v receptech: kreativita je fajn, ale provoz chce pravdu

Generativní AI v recepturách už dnes zvládá návrhy kombinací chutí, varianty pro diety a rychlé přepočty porcí. Nástroje typu „fusion receptů“ ukazují, jak snadno lze vytvářet nové nápady – a to je skvělé pro inspiraci, vývoj produktu nebo marketingové kampaně.

Jenže v potravinářství platí jednoduchá věc: recept není text. Recept je:

• technologický postup,
• kalkulace nákladů,
• dostupnost surovin,
• výživové hodnoty,
• alergeny,
• a často i právní a kvalitativní požadavky.

Praktický způsob, jak generativní AI zkrotit

Osvědčil se mi přístup „AI jako junior, člověk jako šéfkuchař“:

1. AI navrhne 10 variant (rychle, levně).
2. Tým vyřadí nesmysly podle reality (dostupnost surovin, technologie, náklady).
3. 2–3 recepty se otestují v kuchyni nebo pilotní výrobě.
4. Teprve potom se řeší fotky, copywriting, škálování a standardizace.

Tenhle postup šetří čas, ale drží kvalitu. A hlavně: nedovolí, aby se „hezký text“ tvářil jako proveditelná receptura.

„Malé jazykové modely“: proč dávají smysl firmám, které to myslí vážně

Vedle velkých modelů roste zájem o menší, specializované jazykové modely. Pro potravinářství mají tři jasné výhody:

• Lepší kontrola domény: model se učí na vašich recepturách, normách, technologických listech.
• Nižší náklady a provozní jednoduchost: méně výpočtů, snadnější nasazení.
• Vyšší důvěryhodnost v úzkém oboru: méně „halucinací“ mimo vaši realitu.

Pro české výrobce a zpracovatele to může být cesta, jak mít AI „na míru“ bez toho, aby data odcházela mimo firmu.

AI obrázky jídla: proč vypadají chutněji – a proč je to problém

Výzkumy naznačují, že lidé často hodnotí AI generované obrázky jídla jako lákavější než reálné fotky. Z pohledu marketingu to zní jako levná výhra. Z pohledu důvěry značky je to ale tenký led.

Jedna věta, kterou bych si dal na zeď každé food značce: Pokud vizuál slibuje něco, co produkt nedodá, AI vám krátkodobě zvedne prokliky a dlouhodobě zvedne vratky a negativní recenze.

Jak používat AI vizuály férově (a bez zbytečného rizika)

• Používejte AI obrázky hlavně pro koncepty (nálada, styl, ilustrace), ne pro „takhle to vypadá“.
• Pro e‑shop a obal držte realistickou fotografii nebo minimálně kontrolovanou postprodukci.
• Pokud AI vizuál použijete u receptu, zajistěte, že je technologicky dosažitelný v běžné kuchyni.

Pro retail i gastro to není maličkost. V roce 2025 jsou zákazníci extrémně citliví na „přikrášlené“ sliby – a sociální sítě to umí ztrestat během víkendu.

Když AI mění práci: případ receptových platforem a obsahových týmů

Když firma ukončí celý tým kolem receptové a varné platformy, není to jen interní HR příběh. Je to ukázka trendu: obsah v potravinářství se mění z řemesla na proces.

Ano, generativní AI umí chrlit recepty, popisky i návody. Ale největší hodnota obsahového týmu v potravinách bývá jinde:

• testování a standardizace receptů,
• konzistence značky a tón komunikace,
• práce s komunitou,
• a schopnost přenést „kuchařské know‑how“ do digitálního produktu.

Pokud firma nahradí obsah čistě AI, často získá objem a ztratí důvěru. V praxi se proto vyplácí hybrid:

AI vytváří návrhy a varianty. Lidé drží kvalitu, bezpečnost, chuť a pravdivost.

Co si z toho vzít pro zemědělce, zpracovatele a food startupy v ČR

• Bez datové disciplíny je AI jen drahá hračka.
• Nejrychlejší návratnost mívají projekty, které snižují ztráty: odpad, přestřely zásob, energetické špičky.
• Role lidí se posouvá: méně „psaní a přepisování“, víc kontroly, testování a rozhodování.

Praktický plán: 90 dní k AI, která zlepší marži (ne jen prezentaci)

Nejlepší AI projekty v potravinářství jsou nudné. Není na nich nic „wow“, jen stabilně šetří peníze nebo čas. Tady je plán, který se dá stihnout během jednoho kvartálu.

1) Vyberte jeden proces, kde teče nejvíc peněz

Typické kandidáty:

• predikce prodejů a odpadu,
• objednávky surovin,
• kontrola kvality (vizuální inspekce),
• energetická optimalizace ve výrobě,
• plánování výroby podle objednávek.

2) Zajistěte data dřív než model

Bez toho to končí frustrací. Minimální standard:

• jasná definice metrik (např. odpad v kg/den, dostupnost položek, OEE),
• jednotné názvy položek a receptur,
• historie aspoň 6–12 měsíců (u sezónních položek ideálně 24 měsíců).

3) Začněte jednoduchým modelem a měřte dopad

Pro spoustu úloh není potřeba „největší model“. Potřebujete:

• baseline (jak to vychází bez AI),
• pilot na jedné provozovně nebo jedné produktové řadě,
• měření po týdnech.

4) Teprve potom automatizujte rozhodnutí

Nejdřív doporučení, pak poloautomat, nakonec automat. Tenhle postup chrání provoz.

Kam to míří v roce 2026: tři trendy, které už běží

1. AI v kuchyni bude „neviditelná“ – nebude to aplikace navíc, ale funkce uvnitř systémů (pokladna, sklad, plánovač).
2. Specializované modely porostou – kvůli nákladům, kontrole a důvěře v doméně.
3. Tlak na energii a efektivitu zesílí – AI výpočty, elektrifikace kuchyní a rostoucí energetické nároky budou nutit firmy optimalizovat celý provoz včetně spotřeby.

Tohle je dobrá zpráva pro každého, kdo řeší AI v zemědělství a potravinářství systematicky: firmy už nehledají „hezké demo“, ale měřitelný přínos v dodavatelském řetězci.

A teď ta otázka, kterou stojí za to si položit ještě před koncem roku: Kde přesně ve vašem „farm-to-fork“ řetězci vzniká nejvíc zbytečných ztrát – a jaká data už máte, abyste je začali řídit algoritmicky?