AI v potravinářství: Co ukázal SKS Japan 2024 v Tokiu

V Tokiu se letos znovu potvrdilo něco, co si v českém zemědělství a potravinářství často nechceme přiznat: největší posun nepřichází z jedné „zázračné“ technologie, ale ze skládání chytrých dílků do celého systému. Smart Kitchen Summit Japan 2024 (SKS Japan) byl třídenní přehlídkou toho, jak se umělá inteligence, automatizace a nové surovinové platformy propojují napříč řetězcem – od vývoje ingrediencí až po kuchyni, restauraci a nakládání s odpadem.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je tohle přesně ten typ signálu, který stojí za pozornost. Ne kvůli tomu, že by Tokio mělo „recept“ pro Vysočinu nebo Hanou. Ale protože trendy z podobných akcí velmi rychle dopadají na evropské dodavatelské řetězce, požadavky retailu i očekávání spotřebitelů.

A konec roku 2025 je pro tyhle úvahy ideální: tlak na náklady, energie a pracovní sílu nepolevuje, regulace udržitelnosti se zpřesňuje a zároveň roste poptávka po potravinách, které jsou chutné, dostupné a současně prokazatelně šetrnější. AI v potravinářství už není „hezký pilot“. Je to nová infrastruktura.

SKS Japan 2024 v jedné větě: AI se stala součástí receptury i provozu

Nejdůležitější zpráva z SKS Japan 2024 je jednoduchá: umělá inteligence už není jen analytika nad daty, ale aktivní spoluautor produktů, procesů a rozhodnutí. Na programu se potkávaly tři roviny, které do sebe dnes začínají zapadat:

1. AI pro vývoj nových surovin a produktů (rychlejší R&D, predikce chuti, textury a funkčnosti).
2. Automatizace a robotika v provozu (stabilita kvality, méně závislosti na lidech, „škálování řemesla“).
3. Technologie pro prodloužení trvanlivosti a snižování odpadu (upcycling, „food life extension“ a přesnější řízení zásob).

Právě tahle kombinace je pro Česko extrémně praktická: většina firem u nás nebude stavět futuristickou „AI továrnu“. Ale může si vybrat jeden konkrétní uzel řetězce – třeba ztráty ve výrobě, nestabilní kvalitu šarží, vývoj receptur, plánování výroby – a tam začít s měřitelným přínosem.

AI ve vývoji ingrediencí a receptur: méně pokus–omyl, víc predikce

Pokud vás zajímá AI v zemědělství a potravinářství, tady je jedna z nejpraktičtějších oblastí s rychlou návratností: vývoj receptur a vstupů. Na SKS Japan zazněla silná linka o tom, že AI pomáhá hledat nové surovinové kombinace a zkracovat cykly vývoje.

Co se ve skutečnosti mění

Klasický vývoj potraviny je drahý a pomalý: laboratorní prototypy, senzorické testy, iterace, stabilita, dostupnost surovin. AI do toho vnáší schopnost:

• predikovat funkčnost (např. emulgace, pěnivost, vaznost vody),
• modelovat chuťové profily a „náhradní cesty“ k podobnému zážitku,
• optimalizovat složení podle ceny, dostupnosti, alergennosti nebo nutričních cílů.

Pro české výrobce to má jeden zásadní dopad: R&D se dá dělat více datově a méně intuitivně, aniž by se z toho vytratilo řemeslo. Naopak – řemeslo dostává lepší mapu terénu.

Praktický scénář z českého prostředí

Představte si středně velkého výrobce pečiva nebo hotových jídel. Tlak je dvojí: zlevnit a současně držet chuť. AI přístup může vypadat takto:

1. Nasbírat interní data: receptury, výtěžnosti, reklamace, senzorické hodnocení, ceny surovin.
2. Postavit model, který předpoví dopad změny suroviny na konzistenci, výnos a vnímanou chuť.
3. Otestovat 5–10 nejlepších variant (místo 50).

Výsledek nebývá „magie“. Často je to prosté snížení odpadu z nevydařených šarží, stabilnější kvalita a rychlejší uvedení varianty na trh.

Chytrá kuchyně jako laboratoř dodavatelského řetězce

SKS Japan vznikl jako akce o kuchyňských technologiích – a právě kuchyně (domácí i profesionální) je dnes skvělým testovacím prostředím pro celý potravinový systém. Proč? Protože kuchyně je místo, kde se data potkají s realitou: čas, teplota, porce, plýtvání, preference, alergeny.

Co znamená „smart kitchen“ pro potravináře a zemědělce

Chytrá kuchyně není jen connected trouba. Pro potravináře to znamená:

• přesnější demand forecasting (co se skutečně vaří a kupuje),
• lepší návrh balení a gramáže (méně zbytků),
• nové modely spolupráce s gastronomií (standardizace kvality).

A pro zemědělce? Když se zlepší předpověď poptávky a sníží výkyvy, dodavatelský řetězec je stabilnější. To se promítne do plánování výsadeb, kontraktů a logistiky.

„Škálovat řemeslo“ bez ztráty značky

Z Tokia zaznívala praktická teze: robotika v restauracích a provozech nedává smysl jako show. Dává smysl, když pomáhá držet konzistenci a uvolní lidi na práci, která je opravdu lidská – komunikace se zákazníkem, dohled, kreativita.

V českých podmínkách to často znamená začít u nudných věcí:

• automatizace výdeje a porcí,
• vizuální kontrola kvality (např. tvar, barva, propečení),
• predikce vytížení provozu a plán směn.

AI v potravinářství je tady hlavně o standardizaci v čase, ne o „nahrazení kuchaře“.

Plýtvání a trvanlivost: nejrychlejší návratnost investic

Pokud má někde AI a chytré technologie opravdu rychlou ekonomiku, je to snižování potravinového odpadu. Na SKS Japan se objevovaly přístupy typu upcycling (využití vedlejších proudů) a technologie prodlužující životnost.

Proč je to dnes tak aktuální

Konec roku (a zvlášť prosinec) je v retailu tradičně tvrdý test plánování: sezónní špičky, vratky, krátké expirace. V roce 2025 navíc firmy čelí kombinaci:

• dražších vstupů,
• tlaku na ESG metriky,
• vyšších očekávání na dostupnost sortimentu.

AI pomůže tam, kde excel a „zkušenost vedoucího skladu“ přestávají stačit.

Tři konkrétní oblasti, kde AI typicky funguje

1. Predikce expirací a řízení slev

   • Model propojí prodeje, počasí, akce, lokality, vrácené zboží.
   • Výsledek: méně likvidace, vyšší marže i při slevách.

2. Optimalizace výroby a plánování šarží

   • Lepší rozhodnutí, kdy vyrábět menší dávku a kdy větší.
   • Výsledek: méně přestojů i méně odpisů.

3. Upcycling vedlejších produktů

   • Surovinové platformy (např. proteiny z řas, fermentace) ukazují, že „odpad“ může být vstup.
   • Výsledek: nová položka v portfoliu a menší náklady na likvidaci.

Jedna věta, která se vyplatí mít v kanceláři na zdi: Nejlevnější surovina je ta, kterou nemusíte vyhodit.

Co si z Tokia vzít do Česka: kontrolní seznam pro první projekt

Nejčastější chyba, kterou vidím u zavádění AI v zemědělství a potravinářství, je honba za „velkým“ projektem. Funguje to opačně: začněte konkrétně, měřte, škálujte.

1) Vyberte problém, který bolí každý týden

Dobré startovní body:

• vysoké ztráty na konci trvanlivosti,
• nestabilní kvalita šarží,
• pomalý vývoj receptur,
• výkyvy poptávky a přetížená logistika.

2) Definujte metriku úspěchu předem

Bez metriky skončíte u „pěkného dashboardu“. Metriky, které dávají smysl:

• odpisy v Kč/týden,
• procento zmetkovitosti,
• čas vývoje nové receptury,
• OEE / využití linky,
• reklamace na 10 000 kusů.

3) Začněte daty, která už máte

Většina firem překvapivě nepotřebuje hned IoT na každém motoru. Typicky stačí:

• ERP, MES, sklad, pokladny,
• laboratorní výsledky,
• reklamace, sensory,
• nákupní ceny a dostupnost.

4) Postavte „pilot“ na 8–12 týdnů

Pilot musí končit rozhodnutím: škálovat / upravit / zastavit. V opačném případě se z AI stane nekonečný experiment.

Dobře postavený pilot AI v potravinářství je takový, který po 12 týdnech buď šetří peníze, nebo jasně ukáže, co chybí.

Mini-FAQ: co se lidé ptají, když začínají s AI v potravinářství

Potřebuju vlastní datový tým?

Ne nutně. V začátku často stačí produktový vlastník (výroba/kvalita), datově zdatný analytik a externí partner. Důležité je, aby byznys uměl říct, co je úspěch.

Kde je hranice mezi automatizací a AI?

Automatizace dělá předem definované kroky. AI (typicky strojové učení) se učí z dat a zlepšuje predikce či rozhodování, i když se podmínky mění.

Co je největší riziko?

Kvalita dat a změnové řízení. Technicky se dnes dá postavit hodně věcí rychle. Lidi a procesy jsou ten těžší kus.

Kam to míří v roce 2026: AI bude „neviditelná“, ale všude

SKS Japan 2024 působil jako připomínka, že budoucnost nebude o jedné aplikaci, která všechno vyřeší. Spíš o tom, že AI v potravinářství bude zabudovaná do nástrojů, které už používáme – plánování výroby, řízení kvality, logistika, vývoj receptur, predikce poptávky.

Pro naši sérii o umělé inteligenci v zemědělství a potravinářství je to dobrá zpráva: znamená to, že technologie dozrávají do fáze, kdy se s nimi dá pracovat pragmaticky. Žádný hype, jen lepší rozhodování, méně ztrát a rychlejší inovace.

Pokud jste výrobce, zemědělec, dodavatel technologií nebo manažer kvality, zkuste si dnes (21.12.2025) napsat na papír jednu věc, která vás ve výrobě nebo dodávkách stojí peníze každý týden. To je váš ideální kandidát pro první AI projekt. A vsadil bych se, že za rok budete řešit spíš škálování než otázku, jestli do toho jít.