AI v potravinových systémech: lekce od Evy Goulbourne

Globální potravinový systém vyhodí obrovské množství jídla ještě dřív, než se dostane na talíř. V Evropě se dlouhodobě mluví o desítkách milionů tun potravinového odpadu ročně a Česko v tom není výjimka. A teď si přidejte realitu konce roku 2025: drahé energie, tlak na marže, napjaté dodavatelské řetězce a čím dál „divočejší“ počasí. V téhle kombinaci už udržitelnost není hezké slovo do výročních zpráv. Je to provozní nutnost.

Právě proto je zajímavý příběh Evy Goulbourne – ženy, která nezačínala „ve foodu“ (studovala studenou válku a dějiny umění), ale postupně se dostala do centra debat o transformaci potravinových systémů. Její „párty trik“? Umí propojit jakoukoli část dodavatelského řetězce s potravinovým odpadem. A když se na to podíváte optikou naší série Umělá inteligence v zemědělství a potravinářství, je v tom ještě silnější pointa: dobré výsledky nevznikají jen z technologií, ale z toho, že umíte spojit data, finance a lidi kolem jednoho cíle.

Proč nestačí „mít AI“: systém je víc než model

Jádro problému je jednoduché: potraviny se kazí rychleji než se rozhoduje. Zemědělství běží v sezónách, výroba v dávkách, retail ve dnech a logistika v hodinách. Pokud má AI přinést měřitelný dopad (méně odpadu, vyšší výnosy, stabilnější kvalitu), musí sedět na reálném rozhodování: co zasadit, kdy sklízet, jak plánovat výrobu, kolik objednat, kam přesměrovat zboží.

Eva ve svých rolích (od rozvojových projektů v Africe přes mezinárodní platformy až po budování organizace zaměřené na plýtvání) narážela na stejnou bariéru pořád dokola: nejtěžší nejsou nápady, ale koordinace. A to je i nejčastější důvod, proč AI projekty v agri a foodu končí jako piloty.

Co z toho plyne pro praxi?

• AI není „produkt“, ale schopnost organizace pracovat s daty a rozhodováním.
• Nejvyšší návratnost bývá tam, kde se potkává predikce + operativa (poptávka, plánování, zásoby, kvalita).
• Bez financování změn (lidé, procesy, integrace) je i nejlepší model jen hezký graf.

„Chameleon“ potravinového odpadu: kde AI opravdu pomáhá

Potravinový odpad je typický „chameleon“ – mění barvu podle toho, kam se podíváte. Na poli je to ztráta při sklizni. Ve výrobě je to nevyhovující šarže. V logistice je to teplotní incident. V retailu expirace. V gastronomii špatný odhad.

AI dává smysl tehdy, když umí chameleona „přichytit“ daty. Tady jsou čtyři oblasti, kde v českém a středoevropském kontextu vídám nejrychlejší dopad.

1) Predikce výnosů a rizik v sezóně (precizní zemědělství)

Odpověď první: Nejvíc odpadu vzniká, když se realita odchýlí od plánu – a AI umí tu odchylku včas ukázat.

Modely nad satelitními daty, snímky z dronů, půdními sondami a meteo předpověďmi dokážou upozornit na stres porostu, riziko chorob nebo nerovnoměrné dozrávání. Výsledek není jen „vyšší výnos“. Často je to lepší načasování sklizně a třídění, které snižuje podíl neprodejné produkce.

Praktický tip pro začátek:

• Vyberte jednu plodinu a jednu lokalitu.
• Definujte rozhodnutí, které se má zlepšit (např. termín sklizně v rozmezí 5–7 dnů).
• Měřte dopad v kg/ha „zachráněné“ produkce, ne jen v přesnosti modelu.

2) Kontrola kvality a třídění (computer vision ve výrobě)

Odpověď první: Kamera s dobře nastaveným modelem je často levnější než vyhodit celou šarži.

Ve zpracování potravin AI pomáhá odhalit vady, odchylky v barvě, tvaru nebo kontaminaci – rychleji a konzistentněji než člověk v rutinních úkolech. Nejde o nahrazování lidí, ale o to, že člověk má kontrolovat výjimky, ne stovky tisíc kusů.

Kde to typicky funguje:

• pečivo a cukrářské výrobky (tvar, propečení, praskliny)
• ovoce a zelenina (otlačeniny, hniloba)
• maso a uzeniny (povrchové defekty, nesoulad porcí)

3) Predikce poptávky a dynamické řízení zásob

Odpověď první: Když se objednává „podle zvyku“, končí to v koši.

Retail a gastro jsou místa, kde se odpad dá srazit rychle, protože rozhodování je časté (denní) a data existují (prodeje, akce, počasí, svátky). V prosinci to platí dvojnásob: vánoční špička, návraty po svátcích, změny nákupního chování.

Co bych udělal jako první:

1. Zjednodušit portfolio na A/B/C položky (největší objem, největší odpad, nejvyšší marže).
2. Pro A položky spustit predikci poptávky na úroveň prodejny/kanálu.
3. Nastavit pravidla pro „poslední míli“: slevy, přesměrování, darování.

Tady AI funguje jen tehdy, když je napojená na akce: objednávka se opravdu změní, ne že se predikce pošle e-mailem.

4) Chladový řetězec a logistika: teplota je datový problém

Odpověď první: V chlazené logistice je pár hodin mimo teplotu rozdíl mezi prodejem a likvidací.

Senzory a AI nad nimi umí detekovat anomálie (nejen „teplota vysoká“, ale kde, kdy a proč), odhadnout zbytkovou trvanlivost a doporučit rychlé přesměrování. To je typický příklad, kdy AI šetří jak jídlo, tak peníze.

„Ošklivé miminko“: proč je financování těžší než technologie

Eva mluví o problémech, které nikdo nechce nosit na poradu – o „ošklivém miminku“. V agri a foodu to často znamená:

• Kdo zaplatí implementaci, když benefit je rozprostřený po řetězci?
• Kdo ponese riziko, že se sezóna nepovede?
• Jak se rozdělí úspory z menšího odpadu mezi farmáře, výrobce, logistiku a retail?

Tohle je důvod, proč nestačí venture kapitál a proč dává smysl kombinovat různé typy kapitálu (firemní investice, granty, zvýhodněné úvěry, pojištění výnosů). V české realitě to často dopadne tak, že firma chce AI, ale nechce měnit procesy. Nebo naopak – tým je motivovaný, ale chybí rozpočet na integrace.

Moje doporučení: počítejte AI projekt jako změnový program, ne jako nákup softwaru. Do business casu dejte i:

• integrace dat (ERP, MES, WMS, farm management)
• školení a role (kdo model „vlastní“)
• provozní disciplínu (kvalita dat, výjimky, audit)

Jak začít s AI v zemědělství a potravinářství bez slepých uliček

Nejrychlejší cesta k výsledku je překvapivě „nudná“. Funguje to, co má jasné metriky, jednoduché datové vstupy a rozhodnutí, které se dá změnit hned.

Mini-checklist: projekt, který má šanci přežít

1. Jasný cíl v korunách nebo kilogramech
   • např. snížit odpisy čerstvého o 15 % během 90 dnů
2. Jedno rozhodnutí, které AI zlepší
   • objednávka, plán výroby, třídění, přesměrování
3. Jeden vlastník procesu (ne „IT to nějak udělá“)
4. Data v rozumné kvalitě
   • raději 3 spolehlivé zdroje než 20 chaotických
5. Pilot s tvrdým vyhodnocením
   • A/B test na části provozů, porovnání s kontrolní skupinou

Časté otázky z praxe (a přímé odpovědi)

Kolik dat potřebuji? Méně než si myslíte, pokud cílíte na konkrétní rozhodnutí. U predikce poptávky často stačí 12–24 měsíců prodejů + kalendář akcí.

Je lepší začít na farmě, nebo ve výrobě/retailu? Tam, kde máte největší ztráty a kontrolu nad rozhodnutím. U mnoha firem vychází nejrychlejší ROI v plánování výroby a zásob.

Kdy dává smysl generativní AI? Když potřebujete zrychlit práci s dokumenty a znalostmi: receptury, specifikace, interní postupy, komunikace s dodavateli, školení. Na predikce výnosů a kvality se častěji používají klasické ML modely.

Co si vzít z příběhu Evy Goulbourne (a proč to sedí na AI)

Eva postavila kariéru na schopnosti propojovat světy, které se běžně míjejí: zemědělství, klima, finance, retail, filantropii. Přesně to potřebuje i AI v potravinových systémech. Model bez procesů je k ničemu. Procesy bez financí se nehýbou. A finance bez dat často končí špatnými sázkami.

V rámci série Umělá inteligence v zemědělství a potravinářství tohle beru jako praktický kompas: AI je nejúčinnější tam, kde snižuje plýtvání a stabilizuje rozhodování v nejistotě – ať už jde o počasí, ceny vstupů nebo chování zákazníků.

Pokud chcete z AI udělat měřitelný nástroj pro udržitelnější výrobu potravin (a zároveň pro lepší ekonomiku), začněte jedním „chameleonem“: vyberte konkrétní místo, kde vám jídlo mizí, a dejte mu data, vlastníka a rozpočet. Co by byl váš nejdražší typ odpadu – pole, výroba, logistika, nebo prodej?