AI v gastronomii: proč méně robotů někdy vyhraje

V roce 2025 už málokoho překvapí, že restaurace testují automatizaci. Co překvapí, je rychlost, s jakou se některé „robotické“ sny vracejí na zem. Zakladatel Chipotle Steve Ells otevřel v New Yorku veganský koncept Kernel, kde v kuchyni dominovalo velké průmyslové robotické rameno. O necelý rok později Kernel skončil a nahradil ho mnohem tradičnější koncept s masem a bez velkolepé robotiky.

Tohle není jen historka z americké gastro scény. Je to velmi praktická lekce pro každého, kdo dnes přemýšlí o AI v potravinářství, automatizaci provozu nebo dokonce o tom, jak se budou v dalších letech řídit dodavatelské řetězce od farmy až po talíř. Když se technologie dostane do kontaktu s realitou (lidi, bezpečnost, servis, údržba, budovy), vyhrává jednoduchost.

A pro náš seriál „Umělá inteligence v zemědělství a potravinářství“ je na tom nejlepší jedno: největší přínos AI často nevzniká tam, kde je vidět. Vzniká v plánování, predikci, kontrole kvality a v tom, jak dobře umíte sladit lidi, suroviny a poptávku.

Co nám pivot Kernelu říká o automatizaci v praxi

Hlavní zpráva: robotika v otevřené kuchyni naráží na provozní a lidské limity dřív, než na limity technologické.

Kernel vsadil na výrazný symbol automatizace: průmyslové robotické rameno v kuchyni. Pro média skvělé. Pro provoz často bolestivé. V reálném světě totiž restaurace není laboratorní hala s rovnou podlahou, stabilní teplotou a týmem techniků na telefonu.

Z provozního pohledu se typicky objeví tři bariéry:

1) Údržba a „logistika robota“

Robot v kuchyni není jen stroj. Je to nový režim práce. Potřebujete školení personálu, servisní plán, náhradní díly, bezpečnostní protokoly a někoho, kdo řeší odstávky. V gastronomii, kde marže bývají napjaté a každé zdržení je vidět na frontě i recenzích, tohle rychle začne bolet.

2) Bezpečnost a odpovědnost

Průmyslové rameno v prostoru, kde se pohybují lidé, znamená přísnější pravidla. A to nejen „papírově“. Znamená to fyzické zóny, senzory, nouzové stopky, kontrolu interakcí a často i omezení improvizace – což je paradoxně jedna z největších sil dobré kuchyně.

3) Realita budov a infrastruktury

New York má staré budovy. Praha, Brno nebo Olomouc taky. Pokud máte provoz v historické zástavbě, podlahy pracují, vibrace existují, prostor je omezený a každá stavební úprava stojí čas i peníze. Pro citlivou robotiku je to zásadní.

Poučení: dřív než koupíte robota, udělejte audit infrastruktury (podlahy, elektro, odsávání, bezpečnostní zóny) a spočítejte celkové náklady vlastnictví. Ne pořizovací cenu.

Proč „méně robotů“ může znamenat „víc AI“

Kontraintuitivní, ale pravdivé: nejvyšší návratnost dnes často nenabízí robot, který míchá nebo skládá, ale AI, která řídí rozhodování.

Velký robot v otevřené kuchyni je viditelný. Ale AI, která:

• předpoví poptávku na zítřek podle počasí, akcí v okolí a historie,
• sníží odpisy surovin tím, že optimalizuje objednávky,
• rozplánuje směny podle očekávaných špiček,
• hlídá kvalitu a konzistenci postupů,

… je pro hosta neviditelná. A přesto často vydělá víc.

V potravinářství a gastronomii se navíc ukazuje jednoduché pravidlo: automatizujte to, co se často opakuje, měří se to a nevyžaduje to „lidský cit“. To je přesně teritorium pro AI a chytré plánování.

Praktický rámec: 4 úrovně automatizace

Když s klienty hodnotím, kde dává automatizace smysl, používám jednoduché členění:

1. Digitální přehled (data): prodeje, odpady, spotřeby, výkonnost směn.
2. AI predikce: poptávka, plán nákupu, plán výroby, personální plán.
3. Částečná automatizace: dávkovače, váhy, standardizační stanice, poloautomatické linky.
4. Plná robotika: manipulátory, robotické kuchyně, autonomní výdej.

Kernel šel hodně rychle do úrovně 4, zatímco pro mnoho provozů je nejrychlejší ROI v úrovních 1–3.

„Více masa“ jako signál trhu: AI musí respektovat poptávku

Druhá klíčová zpráva pivotu: produkt a poptávka rozhodují. Technologie je až druhá.

Kernel byl původně veganský. Jenže čistě veganské koncepty mají v masovém trhu těžší pozici: oslovují užší segment hostů, hůř pracují s „defaultní“ volbou většiny a často platí vyšší cenu za suroviny nebo vývoj receptur. Restaurace může a má mít veganské položky (a v Česku to dává stále větší smysl), ale „pouze vegan“ je obchodně náročnější, pokud nejste ve velmi specifické lokalitě a s velmi silnou značkou.

Co s tím má společného AI?

• AI pro vývoj menu: analýza prodejů, marží, sezónnosti a preferencí hostů.
• AI pro cenotvorbu a food cost: hlídání nákladů na suroviny a doporučení úprav gramáží.
• AI pro predikci mixu objednávek: kolik „klasiky“ vs. alternativy se prodá v pátek večer.

Jestli v prosinci 2025 řešíte, jak postavit menu na zimu (teplá jídla, sytost, vyšší poptávka po komfortním jídle), AI vám pomůže spočítat realitu. A realita bývá méně ideologická a více o zvyku, ceně a dostupnosti.

Zapamatujte si větu, která se v gastro opakuje pořád dokola: „Host neplatí za technologii. Host platí za chuť, rychlost a jistotu.“

Co si z toho má odnést zemědělství a potravinářství

Přenos do praxe „od pole po talíř“ je přímočarý: stejně jako restaurace naráží na realitu provozu, zemědělství a potravinářská výroba naráží na realitu variability.

V zemědělství je variabilita počasí, půdy, škůdců, sklizně a kvality. V gastronomii je variabilita lidí, špiček, dodávek a očekávání hostů. V obou případech dává smysl AI, která:

• předpovídá,
• optimalizuje,
• standardizuje tam, kde to nebolí,
• a nechává prostor pro člověka tam, kde je cit a zkušenost zásadní.

Konkrétní mapování „AI use-cases“

Aby to nebyla teorie, tady je praktické mapování, které hezky propojuje náš seriál o AI v zemědělství a potravinářství s realitou gastronomie:

• Predikce poptávky v restauraci ↔ predikce výnosu a plán odbytu (lepší plánování sklizně a dodávek)
• Optimalizace objednávek surovin ↔ optimalizace zásob a skladování (méně odpadu, lepší cashflow)
• Kontrola konzistence receptur ↔ kontrola kvality ve výrobě (stabilní parametry šarží)
• Plánování směn ↔ plánování kapacit ve výrobě a logistice

Výsledek? Méně stresu v provozu a méně plýtvání. A to je v zimní sezóně (a obecně v období vysokých cen energií a surovin) velmi konkrétní výhoda.

Jak vybrat automatizaci, která se vám nevrátí jako bumerang

Odpověď zní: vybírejte podle toho, kde máte největší ztráty a nejvíc variability, ne podle toho, co vypadá dobře na fotce.

Tady je checklist, který bych dal každému provozovateli, výrobci nebo food startupu, než začne investovat do robotiky nebo AI:

1. Definujte metriky úspěchu
   • o kolik chcete snížit odpad (v % a v Kč),
   • o kolik zrychlit výdej,
   • o kolik snížit přesčasy nebo fluktuaci.
2. Zmapujte procesy a „úzká hrdla“
   • kde se tvoří fronta,
   • kde vznikají reklamace,
   • kde nejčastěji dochází k chybám.
3. Začněte tam, kde stačí software
   • predikce poptávky,
   • plán výroby,
   • řízení zásob,
   • automatizace reportingu.
4. Pilotujte v malém
   • 4–8 týdnů, jedna pobočka/linka, jasná metrika.
5. Teprve potom řešte hardware
   • a počítejte s údržbou, školením, bezpečností a integrací.

Nejčastější chyba, kterou vídám

Firmy koupí technologii a pak hledají problém, který má řešit. Správně je to naopak.

Pokud chcete sbírat leady (a zároveň to dělat férově), nabídněte lidem něco konkrétního: třeba rychlý audit procesů nebo workshop, kde se nad daty spočítá nejrychlejší návratnost AI. Většina provozů nepotřebuje robota. Potřebuje pořádek v datech a rozhodování.

Co čekat v roce 2026: méně „show“, více provozní inteligence

Trend pro další rok je jasný: automatizace bude méně okázalá a více integrovaná. Host uvidí hezkou kuchyni a rychlý servis. Vy uvidíte lepší plánování, menší odpad, stabilnější kvalitu a klidnější směny.

Kernelův příběh není selhání technologie. Je to připomínka, že technologie musí sloužit provozu – a provoz je tvrdý. A právě proto má AI v potravinářství a zemědělství takový potenciál: umí zkrotit variabilitu, která jinak stojí nejvíc peněz.

Pokud teď zvažujete automatizaci ve výrobě, ve skladu nebo v gastro provozu, položte si jednu přímou otázku: Kde dnes přicházíme o peníze kvůli špatné predikci, plánování a kvalitě? Tam začněte. A robota si nechte až na moment, kdy budete mít procesy i data v ruce.