AI na rybářských lodích: čerstvější ryby, méně odpadu

Čerstvost ryby se často „prohraje“ během prvních minut po vylovení — ještě dřív, než se vůbec začne řešit led, přeprava nebo vitrína v obchodě. A to je nepříjemná pravda pro celý potravinový řetězec: když se na začátku udělá chyba, logistika už ji jen draze maskuje.

Právě tady dává smysl umělá inteligence v potravinářství: ne jako marketingová nálepka, ale jako nástroj, který standardizuje kritický proces a posune kvalitu i udržitelnost. Startup Shinkei ukazuje konkrétní směr: robot s počítačovým viděním přímo na rybářské lodi má zvládnout zpracování ryby během pár sekund tak, aby byla chutnější, vydržela déle a méně se vyhazovalo.

Tenhle příběh není jen o rybách. Je to učebnicový příklad pro naši sérii „Umělá inteligence v zemědělství a potravinářství“: když optimalizujete „sklizeň“ (v tomto případě výlov) a první zpracování, zlepšíte kvalitu, snížíte ztráty a získáte lepší data pro celé plánování výroby i prodeje.

Proč rozhodují první minuty po výlovu

Nejdůležitější faktor čerstvosti není vzdálenost od moře nebo rychlost kamionu. Je to stres ryby po ulovení a způsob manipulace na palubě. Podle Shinkei běžná praxe často znamená, že ryba delší dobu „bojuje“ a dusí se, což spouští stresovou reakci.

Důsledek je velmi praktický a pro potravináře snadno pochopitelný: stres souvisí s tvorbou látek (včetně kyseliny mléčné) a změnou chemie ve svalovině. Maso se okyseluje, roste prostor pro bakterie, zkracuje se trvanlivost a degraduje textura i chuť. V obchodě pak vidíte produkt, který je „z moře“, ale v realitě už má nejlepší chvíle za sebou.

Tahle logika sedí i na jiné komodity: u ovoce řešíme otlaky a etylen, u masa teplotní řetězec a stres z porážky, u mléka hygienu a rychlost zchlazení. U ryb je to stejné — jen se to děje rychleji.

Humanita a kvalita jdou překvapivě stejným směrem

Zní to tvrdě, ale v praxi platí: čím rychleji a přesněji se ryba po výlovu usmrtí a odkrví, tím méně trpí a tím lepší je kvalita masa. Standardizace tohoto kroku je přesně typ úlohy, kde robotika dává smysl: je to opakovaná činnost, která se má udělat správně pokaždé.

Robotika a počítačové vidění na lodi: co Shinkei vlastně dělá

Jádro řešení Shinkei je zařízení (v článku označené jako Poseidon), do kterého se ryba vloží co nejdříve po vylovení. Počítačové vidění (computer vision) rybu nasnímá, identifikuje klíčové body a určí nejrychlejší a nejméně stresující postup zpracování. Následuje rychlá sekvence úkonů: usmrcení a naříznutí žaber pro odkrvení.

Čísla, která stojí za pozornost:

• zpracování jedné ryby cca za 6 sekund,
• cílem je dostat rybu do zařízení ideálně do 1 minuty od vytažení na palubu.

Tohle je „precizní zpracování“ v praxi. V zemědělství jsme si zvykli na precizní setí nebo variabilní dávkování hnojiv. Tady je precizní samotný okamžik sklizně a první ošetření produktu.

AI modely „na míru“ a vlastní data

Shinkei nepopisuje jen hotovou krabici na palubě. Zajímavé je, jak k tomu došli: AI modely staví interně a sbírají vlastní data, aby zvládli rozpoznání druhu, detekci klíčových bodů a generování řezných trajektorií (něco jako „face recognition“, jen pro rybí anatomii).

Pro potravináře je to důležitý detail: bez vlastních dat a validace v provozu tohle nefunguje. V reálném světě máte různé druhy, velikosti, světelné podmínky, vlhkost, špínu, pohyb lodi. Pokud AI obstojí tady, obstojí i v řadě dalších provozních situací v potravinářství.

Delší trvanlivost = méně odpadu a levnější logistika

Největší dopad AI v potravinářství často nevzniká jen „lepší chutí“, ale tím, že se zvětší časové okno, ve kterém lze produkt bezpečně a kvalitně prodat. Shinkei argumentuje posunem v nástupu rigor mortis (posmrtné ztuhlosti):

• u ryb zpracovaných běžně může nastat přibližně za 7 hodin,
• u ryb zpracovaných jejich metodou se okno může prodloužit až na cca 60 hodin.

Tohle je obrovský rozdíl v plánování.

Proč delší okno mění ekonomiku (nejen kvalitu)

Delší trvanlivost znamená tři praktické věci:

1. Méně vyhozených ryb v retailu – obchod nemusí „zlevňovat na poslední chvíli“ nebo vyřazovat kusy, které se nestihly prodat.
2. Vyšší flexibilita v distribuci – když máte víc času, můžete volit stabilnější přepravu, lépe plánovat dávky a snižovat riziko přerušení chladového řetězce.
3. Šance nahradit leteckou přepravu kamionem – článek uvádí, že delší životnost dává distributorům možnost ryby spíše truckovat než létat.

Z hlediska udržitelnosti je to přímá cesta k nižší uhlíkové stopě, ale i k menší cenové volatilitě. V Evropě i v ČR navíc v posledních letech roste tlak na omezování potravinového odpadu — a u čerstvých produktů je to jeden z nejbolestivějších bodů.

Příklad dopadu podle druhu

Shinkei uvádí rozdíly podle druhu, například u černé tresky:

• tradiční zacházení: 4–5 dní čerstvosti,
• jejich postup: až 2 týdny.

Jasně, konkrétní čísla se budou lišit podle teploty, hygieny a následné manipulace. Ale i kdyby reálný přínos byl poloviční, pořád to mění pravidla hry v tom, jak plánovat zásoby a prodej.

Data v reálném čase: když se ryba prodává ještě před přístavem

Tady se dostáváme k části, kterou v potravinářství považuju za nejcennější: AI není jen o mechanickém úkonu, ale o datech pro rozhodování. Shinkei popisuje dvě navazující iniciativy:

• Kronos: model pro odhad hmotnosti přímo v zařízení, který posílá data o úlovku v reálném čase obchodnímu týmu. Cíl je jednoduchý: začít prodávat ryby ještě před vyložením v přístavu.
• Nira: kombinace senzorů a modelu pro predikci zbývající trvanlivosti (shelf life).

Tohle je přesně způsob, jak se z „čerstvé potraviny“ stává říditelný produkt:

• retail dostane realističtější ETA a odhad kvality,
• gastronomie může plánovat menu a nákupy,
• logistika ví, jak přísný má být režim (a kde si může dovolit rezervu).

V zemědělství vidíme analogii u predikcí výnosů a plánování sklizně. V rybářství a potravinářství je to totéž, jen s kratšími lhůtami.

Praktický rámec: co by si z toho měl odnést potravinář v ČR

Pokud pracujete v potravinářské výrobě, distribuci nebo retailu, tahle logika se dá přenést i bez vlastního „robotu na lodi“:

• Měřte čas od „sklizně“ do stabilizace kvality (chlazení, odkrvení, hygienické ošetření). U ryb jsou to minuty, u jiných komodit hodiny.
• Zaveďte predikci trvanlivosti podle dat, ne podle tabulek. Teplota, doba, manipulace a hygienické události se dají převést do skóre.
• Propojte kvalitu s obchodem: když obchod ví, že má šarže před sebou 8 dní, ne 3, změní to pricing, promo i alokaci mezi prodejnami.

Obchodní model: proč Shinkei neprodává stroje všem

Z pohledu inovací v agri-food je zajímavé, že Shinkei nejde cestou „prodáme zařízení rybářům“. Místo toho nabízí lodím pronájem zařízení s nulovým nákladem, ale s podmínkou exkluzivity: Shinkei má právo vykoupit úlovek zpracovaný jejich technologií.

Tohle je chytrá (a zároveň kontroverzní) volba:

• rychlejší adopce: rybář neřeší investici,
• kontrola kvality: značka stojí na konzistenci,
• budování certifikace: tlak na to, aby „ceremony-grade“ (v článku zmiňované jako cílený standard) znamenalo konkrétní proces.

Na druhé straně to omezuje škálování „jako infrastruktura pro celé odvětví“. A přesně tady je lekce pro zemědělství a potravinářství: kdo vlastní data a standard, vlastní trh. Technologická výhoda se často neudrží jen v hardware, ale ve workflow, datech a obchodních vztazích.

Co to znamená pro AI v zemědělství a potravinářství v roce 2026

Konec roku 2025 je typický tím, že se hodně mluví o AI v kanceláři. Jenže největší peníze (a největší dopad na plýtvání) leží v terénu: na farmách, ve skladech, v balírnách, na linkách — a ano, i na lodích.

Shinkei je dobrá připomínka, že AI v potravinářství má největší návratnost tam, kde se dá zlepšit fyzický proces a zároveň zachytit data. Čerstvost, trvanlivost a odpad nejsou abstraktní pojmy. Jsou to položky v P&L.

Pokud bych měl z tohoto příkladu vybrat jednu větu, kterou si stojí za to zapamatovat: Nejlepší způsob, jak snížit potravinový odpad, je zabránit tomu, aby produkt ztratil kvalitu hned na začátku.

Chcete-li podobné principy aplikovat ve vašem provozu (ať už jde o maso, mléko, zeleninu, pečivo nebo ryby), začněte mapováním „prvních 60 minut“ po sklizni nebo příjmu suroviny. Kde vzniká stres, teplo, zpoždění, kontaminace? A kde by dávalo smysl přidat senzory, automatizaci nebo jednoduchý model pro predikci trvanlivosti?

Kam se posune české potravinářství, až bude „datum minimální trvanlivosti“ doplněné o datově řízený odhad skutečné kvality v reálném čase?