AI v potravinářství: data, lidé a praxe z farmy

Rok 2025 ukazuje jednu věc naprosto jasně: umělá inteligence v zemědělství a potravinářství nebude stát na „chytrých modelech“, ale na chytrých datech a chytrých lidech. Na první Food AI Summit v Kalifornii (říjen 2023) to zaznělo opakovaně – a dnes, kdy v Česku řešíme drahé vstupy, tlak řetězců, kolísání počasí i přísnější požadavky na dohledatelnost, to dává ještě větší smysl.

V praxi totiž většina firem a farem neprohrává proto, že by neměla „dost AI“. Prohrává proto, že nemá data v použitelné kvalitě, neumí je propojit a nemá proces, jak převést doporučení modelu do rozhodnutí na poli, ve výrobě nebo v nákupu surovin. Tohle je realita, se kterou se potkávám nejčastěji: AI projekt se spustí, udělá hezký dashboard… a provoz jede dál postaru.

Níže jsou nejdůležitější myšlenky ze summitu převedené do českého kontextu – s konkrétními kroky, jak je využít v precizním zemědělství, výrobě potravin i výživě.

1) AI stojí a padá na datech (a ne jen na jejich množství)

Největší posun přichází ve chvíli, kdy AI dostane „správná“ data a dokáže je spojit do jednoho obrazu. Nejde o to mít co nejvíc tabulek. Jde o to mít data, která jsou konzistentní, časově zarovnaná a dohledatelná.

Na summitu zazněl silný důraz na tzv. multimodální data – tedy kombinaci různých typů vstupů: satelitní snímky, půdní rozbory, počasí, historické výnosy, data ze strojů, fotky z porostu, poznámky agronoma ze scoutingu. Teprve v kombinaci dávají smysl.

Multimodální data v české praxi: co to znamená na farmě

V precizním zemědělství se často začíná jedním zdrojem (třeba satelitem nebo výnosovou mapou). To je dobrý start, ale AI bez kontextu dělá sebevědomé závěry z neúplné reality.

Typický příklad:

• satelit ukáže stres v porostu,
• ale bez půdní vlhkosti, předplodiny a údajů o aplikaci hnojiv nepoznáte, jestli jde o sucho, nedostatek N, utužení nebo škůdce.

Nejlepší výsledky vznikají, když data „sedí na stejnou parcelu a stejný čas“.

Minimální datový základ pro AI v zemědělství (MVP)

Pokud chcete AI, která reálně pomůže (ne jen zaujme na poradě), držel bych se tohoto minima:

1. Základní LPIS/hranice půdních bloků + historie plodin
2. Počasí (lokální stanice nebo kvalitní model, ideálně srážky a evapotranspirace)
3. Půdní data (aspoň zóny, pH, organická hmota, textury)
4. Záznamy operací (setí, hnojení, postřiky – datum, dávka, produkt)
5. Výnosy (i hrubé; hlavně konzistentně)

A teď důležitá věc: nejrychlejší přínos často nepřináší „nový model“, ale lepší disciplína ve sběru dat. Jednotné názvy parcel, stejná měrná jednotka, méně „ručních“ excelů. Nuda? Ano. Výdělek? Taky.

2) Největší pokrok je „člověk + AI“, ne „AI místo člověka“

AI nenahradí agronoma, technologa ani šéfkuchaře. Nahradí rutinu – a posílí rozhodování. Na summitu to vystihl pohled, že představa „řeknu algoritmu, aby mi udělal čedar“ je romantická, ale realita je složitější. V potravinářství i na poli platí: procesy jsou plné výjimek, lokálních znalostí a kompromisů.

Mně se osvědčilo přemýšlet o AI jako o „exoskeletu“ pro odborníka:

• agronom má lepší přehled, co se děje na všech honech,
• technolog rychleji otestuje varianty receptur,
• nákup lépe odhadne riziko výpadků surovin.

Kde AI reálně šetří čas (a kde ho naopak pálí)

Šetří čas tam, kde je opakování a signály v datech:

• detekce anomálií (stres porostu, nečekané změny teploty v chlazení)
• třídění fotek a záznamů z kontrol
• porovnání variant receptury/suroviny podle cílových parametrů
• predikce výnosu a plánování logistiky

Pálí čas tam, kde nejsou jasná pravidla nebo data nejsou „pravda“:

• neúplné záznamy aplikací
• rozdílné standardy mezi závody/dodavateli
• chybějící reference (např. laboratorní analýzy)

Praktická zásada: AI doporučuje, člověk rozhoduje

Dobře nastavený systém má:

• doporučení (co model navrhuje)
• vysvětlení (proč to navrhuje, z jakých dat)
• kontrolní mechanismus (kdo a kdy to schvaluje)

Tohle je mimochodem i cesta, jak AI zavádět bez zbytečných konfliktů v týmu. Když lidé cítí, že jim AI nebere kompetenci, ale dává lepší „radar“, adopce jde násobně rychleji.

3) Personalizovaná výživa: AI míří z laboratoře do běžného života

AI posouvá výživu od obecných doporučení k individuálním predikcím. Na summitu se mluvilo o využití nositelných zařízení, uživatelských dat a velkých databází potravin pro předpověď glykemické reakce – tedy jak konkrétní člověk zareaguje na konkrétní jídlo.

V českém kontextu je to zajímavé minimálně ze tří důvodů:

1. Rostoucí tlak na prevenci: obezita a metabolické potíže nejsou okrajové téma.
2. Trh funkčních potravin: výrobci hledají, jak produkt odlišit (ne marketingem, ale dopadem).
3. Personalizace v retailu a gastro: jídelny, nemocnice, catering – tam všude může personalizace srazit plýtvání a zlepšit spokojenost.

Co si z toho může vzít potravinářská firma

AI ve výživě není jen aplikace pro koncového zákazníka. Pro výrobce to znamená:

• lépe cílit receptury (např. nižší glykemická odpověď, vyšší sytivost)
• rychleji testovat náhrady surovin při výpadcích
• propojovat senzoriku, laboratorní výsledky a spotřebitelské hodnocení

A jeden střízlivý postřeh: bez kvalitních dat o složení, šaržích a stabilitě ve výrobě se personalizace rozpadne. „Personalizované“ rady jsou tak dobré, jak dobrá je vaše dohledatelnost.

4) AI řeší globální potravinovou bezpečnost i ekonomiku jedné farmy

AI má dopad na makro úrovni (produkce, klima, logistika) i na hyperlokální úrovni (profitabilita konkrétní farmy). Na summitu zazněla tvrdá ekonomická realita: velká část farem se pohybuje na hraně rentability.

Tohle je přesně místo, kde AI v zemědělství dává největší smysl: ne jako „technologická hračka“, ale jako nástroj k lepším rozhodnutím v sezóně.

Tři místa, kde AI nejčastěji zlepší ekonomiku

1. Variabilní aplikace a zónování

   • cílené hnojení a setí podle potenciálu zón
   • méně přeplácených vstupů v slabých místech

2. Predikce výnosu pro prodej a logistiku

   • dřívější a přesnější odhad sklizně
   • lepší vyjednávací pozice u kontraktů

3. Včasné varování (early warning)

   • stres porostu, choroby, závlahový deficit
   • zásah ve správný čas je levnější než „hašení“ pozdě

Když to řeknu natvrdo: farmu neudrží při životě hezký model. Udrží ji proces, který snižuje náklady na hektar a stabilizuje výnos. AI je jen motor. Řízení je pořád na vás.

5) Jak začít: jednoduchý plán zavedení AI v zemědělství a potravinářství

Nejlepší start je malý, měřitelný projekt, který zlepší jedno rozhodnutí. Velké transformační programy často skončí u prezentace a zklamání.

30–60–90 dní: realistická roadmapa

0–30 dní: audit dat a rozhodnutí

• vyberte 1 problém (např. predikce výnosu pšenice, snížení zmetkovitosti ve výrobě)
• sepište, jak se rozhoduje dnes (kdo, kdy, podle čeho)
• zkontrolujte dostupnost dat a jejich kvalitu

31–60 dní: prototyp a metrika

• postavte jednoduchý model nebo pravidlový systém
• nastavte metriku úspěchu (např. chyba predikce výnosu v %, snížení reklamací, ušetřené kg N/ha)
• běžte paralelně s realitou, bez zásahů do provozu

61–90 dní: pilot v provozu

• zaveďte schvalování doporučení člověkem
• udělejte školení pro uživatele (agronom, technolog, mistr)
• vyhodnoťte dopad a rozhodněte o škálování

Nejčastější chyby, které vidím

• „Pořídíme AI“ bez definice rozhodnutí, které má zlepšit.
• Sběr dat bez vlastníka: nikdo neručí za kvalitu.
• Očekávání, že model „nějak“ pochopí lokální znalost bez zpětné vazby od lidí z praxe.
• Podcenění integrace do rutiny (když je to mimo pracovní tok, nikdo to nepoužije).

Silná věta, která platí v roce 2025: AI se neprosadí tam, kde je navíc. Prosadí se tam, kde šetří nervy, čas a peníze.

Co si odnést do další sezóny (a další výrobní šarže)

AI v potravinářství a zemědělství stojí na třech pilířích: data, spolupráce člověka s AI a jasný ekonomický dopad. Summit to pojmenoval jednoduše, ale důsledky jsou praktické: pokud dnes dáte do pořádku datový základ a vyberete správný use-case, v sezóně 2026 už můžete rozhodovat rychleji a s menším rizikem.

Další krok je konkrétní: vyberte jedno místo v řetězci (pole → sklad → výroba → distribuce), kde je nejvíc nejistoty nebo ztrát, a postavte kolem něj pilot. Pokud chcete, rád bych viděl, aby se u nás rozšířil přístup „nejdřív proces, pak model“ – protože přesně tam AI dává největší hodnotu.

Které rozhodnutí by vám v roce 2026 nejvíc pomohlo zpřesnit: výnos, dávku dusíku, včasnost zásahu proti chorobám, nebo stabilitu kvality ve výrobě?