AI v zemědělství: lekce z CES pro farmy i výrobce

Dvě věci dnes tlačí zemědělství do kouta zároveň: náklady (energie, práce, vstupy) a nejistota (počasí, tlak škůdců, volatilní ceny). A přesně proto se na podobných akcích, jako je CES, mluví o farmách budoucnosti skoro stejně jako o autech nebo elektronice. Realita je prostá: farma se mění na datový provoz.

Na CES 2023 se v jedné z diskusí potkaly tři zdánlivě odlišné směry – vertikální pěstování, genově editované plodiny a molekulární farming (pěstování surovin „na míru“ pro potravinářství). Společný jmenovatel? Bez AI v zemědělství, automatizace a dobrých dat tohle neškáluje a nevyplatí se.

Tenhle článek je součástí série Umělá inteligence v zemědělství a potravinářství a beru si z CES jednu užitečnou myšlenku: budoucnost nebude „jen“ o nových odrůdách nebo nových halách. Bude o řízení variability. A to je práce pro AI.

CES ukázal jednu nepříjemnou pravdu: efektivita není volba

Odpověď na otázku „proč to řešit teď“: protože v roce 2025 už nejde soutěžit jen hektary, ale schopností dělat lepší rozhodnutí rychleji.

Farmáři a potravináři jsou zvyklí optimalizovat – hnojiva, závlahu, směsi, logistiku. Jenže poslední roky přidaly tolik proměnných, že „od oka“ a Excel přestávají stačit. Vertikální farmy řeší energii a stabilitu výnosu, šlechtění řeší klimatickou odolnost a potravinářství řeší standardizaci surovin. Všichni řeší to samé: kolik nejistoty si můžeme dovolit.

AI v praxi funguje jako vrstva, která:

• sbírá data (senzory, kamery, satelit, výrobní linka),
• převádí je na signály (anomálie, trend, riziko),
• doporučuje zásah (kdy zavlažit, kdy sklízet, jak upravit recepturu).

A pokud vám to zní „moc technologicky“, zkuste si to převést do češtiny: AI je zkušený agronom a technolog, který má dobrou paměť, nespí a počítá rychle.

Vertikální farmy: když je zemědělství výrobní linka

Klíčový point: vertikální pěstování stojí a padá na tom, jestli umíte přesně řídit prostředí a energii – a to je typická úloha pro prediktivní modely a automatizaci.

Vertikální farmy (typicky listová zelenina a bylinky) jsou často prezentované jako odpověď na logistiku a lokálnost. V praxi ale rozhoduje ekonomika: světlo, klima, práce a ztráty. Kdo zvládne řídit mikroklima a plánování sklizní tak, aby co nejméně „tekly“ kilowatthodiny a hodiny práce, ten přežije.

Kde konkrétně pomáhá AI ve vertikálním pěstování

• Optimalizace osvitu a fotoperiody: modely hledají kompromis mezi rychlostí růstu a spotřebou energie.
• Detekce stresu a chorob z obrazu: kamery + počítačové vidění umí chytit problém dřív, než ho uvidí člověk.
• Predikce výnosu a velikosti sklizně: plánování dodávek pro retail i gastro bez přestřelů.
• Řízení klimatu (HVAC): prediktivní řízení, které bere v úvahu ceny energie a cílové parametry.

Můj názor: vertikální farmy nejsou „náhrada polí“. Jsou to specializované výrobny čerstvosti. AI jim dává šanci být konzistentní a méně závislé na lidské obsluze – a to je v době drahé práce zásadní.

Genová editace: méně ztrát v poli, méně zásahů, stabilnější kvalita

Klíčový point: genově editované plodiny dávají smysl tehdy, když řeší jasný ekonomický problém – ztráty, odolnost, kvalitu – a AI urychluje cestu od nápadu k ověřené odrůdě.

Na CES zaznívaly směry jako gene editing (typicky CRISPR) – ne jako sci-fi, ale jako nástroj, jak plodiny přizpůsobit realitě: suchu, chorobám, logistice a požadavkům potravinářů.

V českém kontextu to může znamenat třeba:

• odolnější odrůdy vůči výkyvům počasí,
• lepší skladovatelnost (méně odpadu v řetězci),
• stabilnější parametry pro zpracování (obsah sušiny, cukrů, bílkovin).

Co s tím má společného AI v zemědělství

AI je silná v tom, že umí zpracovat komplexní vztahy mezi genotypem, prostředím a fenotypem (co rostlina skutečně „ukáže“ v poli).

Prakticky to často vypadá takto:

1. Fenotypizace: drony/kamery měří růst, stres, barvu, strukturu porostu.
2. Modelování: algoritmy hledají, které znaky předpovídají výnos a odolnost.
3. Výběr: šlechtění se zkracuje, protože nečekáte jen na sklizeň, ale rozhodujete se dřív.

Jinými slovy: AI zrychluje učení. A v době klimatické variability je rychlost učení konkurenční výhoda.

Molekulární farming: suroviny „na míru“ pro potravináře

Klíčový point: molekulární farming míří na to, aby se určité složky potravin vyráběly stabilněji, lokálněji a s menší závislostí na dovozu – a AI je nutná pro řízení kvality.

Molekulární farming (někdy se mluví o „molekulárním zemědělství“) se snaží pěstovat plodiny tak, aby byly nosičem konkrétní složky – třeba specifických bílkovin nebo tuků pro potravinářství. Pro výrobce je to lákavé: méně kolísání, lepší plánování výroby, potenciálně kratší dodavatelský řetězec.

Problém je stejný jako u každé „průmyslové“ biologie: konzistence.

Jak AI pomáhá potravinářství napojenému na farming

• Predikce složení suroviny ještě před sklizní (na základě počasí, půdy, historie pozemku).
• Třídění a směšování šarží: když surovina kolísá, AI pomůže navrhnout směs tak, aby výstup byl stabilní.
• Kontrola kvality v reálném čase ve výrobě: méně reklamací, méně přepracování.

Tady je dobré říct nahlas jednu věc: potravináři často čekají, že „zemědělství dodá konstantní surovinu“. Jenže pole není reaktor. AI je most, který dokáže kolísání předvídat a kompenzovat.

Co si z CES vzít do české praxe: 5 konkrétních kroků

Odpověď na otázku „kde začít“: začněte tam, kde máte nejdražší ztráty nebo největší nejistotu. Ne tam, kde to vypadá nejvíc futuristicky.

1) Vyberte jeden proces, který bolí peněženku

Typické „bolesti“ v zemědělství a potravinářství:

• ztráty výnosu kvůli pozdnímu zásahu,
• přehnojení / podhnojení,
• zbytečné přejezdy a práce,
• nestabilní kvalita suroviny pro výrobu,
• odpisy kvůli špatnému skladování.

AI projekt bez jasné ekonomiky skončí jako drahá hračka.

2) Dejte do pořádku data dřív, než koupíte model

Většina hodnoty je v tom, že data jsou:

• ve stejných jednotkách a formátu,
• časově sladěná (počasí, zásahy, výnos),
• označená (co je „dobré“ a co je „špatné“).

Často stačí jednoduchý datový sklad a disciplína v záznamech. Senzory bez kontextu jsou jen drahé teploměry.

3) Začněte predikcí, ne robotem

Roboti a autonomní stroje jsou vidět. Predikce je méně sexy, ale rychleji se vrací.

Rychlé „win“ příklady:

• predikce infekčního tlaku (plíseň, škůdci) podle počasí a historie,
• předpověď výnosu pro plánování prodeje a logistiky,
• detekce anomálií v krmných dávkách nebo ve spotřebě energie.

4) Připravte obsluhu: AI má být parťák, ne soudce

Nejčastější odpor nevzniká z technologie, ale z pocitu, že „někdo kontroluje práci“. Funguje, když:

• model doporučuje a člověk potvrzuje,
• zásahy se vyhodnocují (co zafungovalo),
• tým vidí přínos v číslech, ne v prezentaci.

5) Měřte přínos jednoduše a tvrdě

Doporučuji 3 metriky, které se dají obhájit:

• Kč/ha (nebo Kč/t) ušetřené na vstupech,
• % snížení ztrát (výnos, odpad, reklamace),
• stabilita kvality (rozptyl klíčového parametru šarže).

Pokud přínos neumíte změřit do 8–12 týdnů u pilotu, je pilot špatně navržený.

Nejčastější otázky, které dostávám (a stručné odpovědi)

„Potřebuju na AI obří farmu?“ Ne. I menší podnik může začít třeba predikcí chorob nebo výnosu. Důležité je mít aspoň základní historii zásahů a výnosů.

„Je lepší satelit, dron, nebo senzory?“ Záleží na problému. Satelit je skvělý na široké plochy a trend, dron na detail, senzory na přesné prostředí (skleník/vertikál).

„Co když data nejsou dokonalá?“ Nečekejte na dokonalost. Začněte s tím, co máte, ale nastavte sběr dat tak, aby se kvalita každý měsíc zlepšovala.

Co bude rozhodovat v roce 2026: integrace, ne jednotlivé „AI funkce“

CES 2023 to pojmenoval nepřímo: budoucnost farmy není jeden zázračný stroj. Je to propojený systém – od genetiky přes pěstování až po zpracování a distribuci. Kdo propojí data mezi polem, skladem a výrobou, ten bude mít stabilnější kvalitu i marži.

Pokud jste farmář, začněte u rozhodnutí „kdy a kde zasáhnout“. Pokud jste potravinář, začněte u otázky „jak předvídat a řídit kvalitu suroviny“. V obou případech platí: AI v zemědělství dává smysl jen tehdy, když snižuje nejistotu, která stojí peníze.

Chcete si ověřit, kde má AI u vás nejrychlejší návratnost – v precizním zemědělství, monitorování plodin, předpovědi výnosů nebo v optimalizaci výroby potravin? Popište mi váš proces (1–2 odstavce) a já bych šel rovnou po prvním pilotu. Co je u vás dnes nejdražší „nepříjemné překvapení“?