AI a robotika v potravinářství: proč Zume neuspělo

Zume spálilo zhruba 450 milionů dolarů a nakonec zavřelo. Ne proto, že by robotika v kuchyni „nefungovala“, ale proto, že se pokusili vyřešit příliš mnoho věcí najednou – automatizaci výroby i vlastní doručování s pojízdnými pecemi. Tohle je přesně ten typ příběhu, který by si měl povinně přečíst každý, kdo dnes (v prosinci 2025) plánuje nasazovat AI v potravinářství nebo automatizaci do výroby.

V naší sérii „Umělá inteligence v zemědělství a potravinářství“ často píšeme o tom, jak AI zvyšuje přesnost, snižuje plýtvání a zlepšuje plánování. Zume je dobrá připomínka druhé strany mince: i sebelepší technologie padá, když není sladěná se škálovatelným provozem a ekonomikou jednotky.

Níže rozebírám, co si z pádu Zume odnést – a hlavně jak to převést do praxe u projektů v potravinářství, logistice a návazně i v agrifood řetězci.

1) Nejčastější chyba: budovat dva drahé startupy v jednom

Základní lekce ze Zume je jednoduchá: fokus není „motivace na plakátu“, ale finanční strategie. Zume se snažilo současně inovovat:

• výrobu (robotická příprava pizzy, automatizace operací),
• doručení (vlastní flotila vozidel s pecemi, vaření „po cestě“),
• a k tomu ještě komplexní predikci poptávky a řízení rozvozu v reálném čase.

Každá z těchto oblastí sama o sobě umí spolknout roky vývoje a obrovský kapitál. Spojit je do jednoho produktu znamená, že se zvyšuje riziko v každé vrstvě současně: technologické, provozní, regulační, personální i reputační.

Co to znamená pro AI projekty v potravinářství

Pokud zavádíte AI do výroby potravin (např. prediktivní údržbu, kontrolu kvality kamerou, optimalizaci receptur, plánování směn), držte se pravidla:

Jedna AI iniciativa = jedna hlavní metrika úspěchu + jeden provozní tok, který zlepší.

Prakticky:

• Nezačínejte zároveň automatizací linky, novým WMS, novou flotilou rozvozů a rebrandingem.
• AI má být „motor“ pro jasně vymezený úsek: třeba predikce zmetkovitosti na konkrétní lince nebo optimalizace zásob u vybraných SKU.

2) Vlastní doručovací flotila s vařením? Ekonomika je proti vám

Zume chtělo odlišit doručení tím, že jídlo bude „čerstvější“, protože se dopeče cestou. Zní to hezky, ale realita v doručování je tvrdá: náklady na vozidla, servis, řidiče, pojištění, routing, čekací časy a výkyvy poptávky rostou rychleji než přínos z „o pár minut teplejší“ pizzy.

Zume nebylo jediné – podobnou cestou šly i další koncepty. Vzor je stejný: vymyslíte technologicky atraktivní systém, ale platíte za něj ve chvíli, kdy se pokusíte škálovat mimo pilot.

Co si z toho vzít pro datově řízený supply chain

AI má v logistice obrovský smysl, ale většinou ne tak, že „postavíte logistiku od nuly“. V praxi fungují tyhle směry:

• AI pro plánování výroby a expedice (sladění kapacit, oken nakládek, priorit objednávek)
• predikce poptávky (na úrovni SKU/region/kanál; méně vyprodaných položek, méně odpadu)
• optimalizace tras nad existující flotilou nebo dopravci
• monitoring teploty a kvality (zejména u chlazeného řetězce)

Jednoduché pravidlo:

Nejdřív optimalizujte to, co už platíte. Až pak stavte něco nového.

V českém prostředí to často znamená: začít s daty z ERP a výroby, přidat telematiku a SLA u dopravců, a teprve pak řešit automatizaci „poslední míle“.

3) Pivot není únikový východ: musí navazovat na jádro

Zume v roce 2020 výrazně změnilo směr a přešlo od automatizace jídla a doručování k udržitelným obalům. Pivot sám o sobě není špatně – firmy ho dělají běžně. Problém je, když pivot znamená, že zahodíte většinu toho, co jste draze vybudovali.

Zume mělo know-how a technologie, které se daly zúročit „blízko domova“:

• systémy pro řízení doručení v reálném čase,
• data o poptávce a operacích,
• automatizační platformu a zkušenost s integrací hardwaru.

U obalů je konkurence velká, marže často napjaté a prodeje vyžadují jinou distribuci i typ zákazníků. Když pivotujete do úplně jiné disciplíny, začínáte znovu – jen s menší důvěrou trhu.

Jak dělat pivot u AI v potravinářství tak, aby dával smysl

Pivot, který dává šanci na přežití, typicky splní aspoň dvě podmínky:

1. Využije existující data a modely (např. model predikce poptávky se dá přenést mezi kategoriemi, ale ne do úplně jiného odvětví bez kontextu).
2. Naváže na stejné kupující (třeba výrobní podniky, řetězce, logistické operátory), ne na úplně nový trh.

Příklad „adjacentního“ pivotu, který v potravinářství vídám jako realistický:

• z robotiky ve výrobě → na software pro plánování výroby (APS) a OEE analytiku,
• z kamerové kontroly kvality → na end-to-end trasovatelnost a auditní reporting,
• z optimalizace rozvozů → na plánování expedice a slot management pro sklady.

4) Technologická firma vs. restaurace: vyberte si jednu identitu

Zume (a řada podobných projektů) narazilo i na to, že postavit spotřebitelskou značku je jiný typ byznysu než vyvíjet technologii. Restaurace a gastro provoz mají své „prokleté“ parametry:

• vysoký podíl práce a fluktuace,
• proměnlivá poptávka,
• tlak na kvalitu a konzistenci,
• lokální marketing a reputace,
• přísná hygiena a kontrola procesů.

Když k tomu přidáte nákladný vývoj robotiky, dojdete rychle k tomu, že vám chybí čas i peníze na obojí.

Co to znamená pro AI v zemědělství a potravinářství

V agrifood řetězci často uspějí firmy, které si vyberou jednu roli:

• dodavatel technologie (AI/robotika jako produkt, prodávám B2B), nebo
• provozovatel potravinářského procesu (výroba, balení, distribuce – a technologie je interní páka).

Smíchat obojí jde, ale až ve chvíli, kdy máte:

• stabilní unit economics,
• ověřený provoz,
• standardizované nasazení (ne „každá instalace je prototyp“).

5) Jak by „správně“ vypadala AI strategie, která Zume mohla zachránit

Největší ironie je, že Zume mělo část skládačky správně: pracovalo s daty, automatizací a řízením doručení. Chyběl jim realistický provozní model a pořadí kroků.

Takhle vypadá pragmatický postup pro AI v potravinářství, který škáluje:

1) Začněte tam, kde je rychlá návratnost

V praxi to bývá:

• prediktivní údržba (méně neplánovaných odstávek),
• počítačové vidění pro kontrolu kvality (méně reklamací a zmetků),
• optimalizace dávek a výtěžnosti (vyšší výnos z vstupních surovin).

Když to funguje na jedné lince, rozšiřujte.

2) Standardizujte data dřív než modely

AI v potravinářství selhává často z banálního důvodu: data jsou v ERP, Excelu, na papíru a v hlavách mistrů. Bez sjednocení:

• názvosloví šarží,
• evidence prostoje,
• příčin zmetků,
• teplot a časů,

budete trénovat modely na šumu.

3) Udržte „hard“ projekty pod kontrolou

Robotika je skvělá, ale drahá. Pokud přidáváte hardware (robotické pracoviště, AGV, automatické dávkování), hlídejte:

• servisní smlouvy a dostupnost dílů,
• bezpečnostní normy a validace,
• schopnost běžného personálu systém provozovat,
• reálnou taktovou dobu a úzká místa.

4) Nepřeceňujte „wow efekt“ pro zákazníka

Zume vsadilo na zážitek „pizza dopečená cestou“. Jenže zákazník hodnotí hlavně:

• spolehlivost doručení,
• cenu,
• konzistentní kvalitu,
• reklamace a zákaznickou podporu.

AI má největší dopad tam, kde zákazník ten dopad ani nemusí vidět, ale cítí ho v kvalitě a dostupnosti.

6) Rychlé Q&A: co si firmy pletou při nasazování AI v potravinářství

Je robotika v kuchyni a výrobě slepá ulička?

Ne. Slepá ulička je robotika bez provozní disciplíny. Automatizace dává smysl tam, kde je objem, opakovatelnost a jasné KPI.

Je lepší začít AI ve výrobě, nebo v logistice?

Za mě často vyhrává výroba: bývá tam rychlejší měřitelnost (zmetky, prostoje, výtěžnost). Logistika je skvělá druhá vlna, když máte uklizená data.

Co je největší riziko AI projektů v potravinářství v roce 2026?

Ne technologie. Změnové řízení: procesy, odpovědnosti, školení lidí a správně nastavené metriky.

Co si odnést – a jak to využít hned teď

Příběh Zume se dá shrnout jednou větou: AI a robotika nejsou náhrada strategie, jsou její zesilovač. Když je strategie rozkročená a provozně drahá, technologie to jen urychlí směrem k problému.

Pokud dnes plánujete AI v potravinářství nebo širším agrifood řetězci (od surovin přes výrobu až po distribuci), vyplatí se jít krok za krokem: začít u jednoho procesu, jedné metriky, jednoho prokazatelného přínosu. Teprve pak škálovat.

Chcete-li, pošlete mi stručný popis vašeho provozu (typ výroby, hlavní bolest, dostupná data) a já vám navrhnu 3 nejrealističtější AI use-cases s měřitelnými KPI. Co je dnes u vás dražší: zmetky, prostoje, nebo chaos v plánování?