AI v produkci olivového oleje: lekce z Temeculy

Na 26 akrech v kalifornské Awanga vyrostla za 22 let firma, která začínala „jen“ jako změna směru z vína na olivový olej. Temecula Olive Oil Company dnes stojí na kombinaci tvrdohlavé vytrvalosti, chytrých obchodních rozhodnutí (třeba ochutnávková místnost v době, kdy to skoro nikdo nedělal) a přístupu k farmě jako k živému ekosystému. Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je na tom nejzajímavější jedno: tenhle příběh ukazuje, že technologické uvažování není výhradně doména „agro-korporací“.

A teď ta praktická rovina. Olivový olej je citlivý produkt: kvalita se láme v detailech – od stavu plodů, načasování sklizně, logistiky lisování až po skladování. Přesně v těchto bodech umí AI v zemědělství a chytrá automatizace přidat hodnotu i menším a řemeslným producentům. Ne tím, že nahradí zkušeného farmáře. Tím, že zvedne laťku konzistence, sníží ztráty a dá lepší kontrolu nad tím, co se na farmě i ve výrobě opravdu děje.

Co si z Temeculy odnést: kvalita vzniká v systému, ne v náhodě

Klíčová lekce z rozhovoru (a upřímně i z většiny úspěšných potravinářských značek) zní: produkt je výsledkem systému. Thom Curry popisuje biodiverzitu farmy (přes 32 středomořských odrůd oliv, byliny, ovoce), regenerativní prvky (využití hospodářských zvířat pro údržbu) i cirkularitu (vedlejší produkty z oliv jako kompost či palivo). To všechno jsou „analogové“ kroky, které ale přímo volají po digitální vrstvě.

AI a datové řízení dávají smysl právě tam, kde:

• máte více proměnných (odrůdy, mikroklima, různé parcely)
• kvalita je citlivá na čas (okno sklizně, čas od sběru do lisování)
• chcete škálovat, ale nechcete ztratit charakter (řemeslnost a kontrolu)

Proč biodiverzita zvyšuje nároky na data (a tím i na AI)

Biodiverzita je skvělá pro odolnost a půdu. Zároveň zvyšuje komplexitu rozhodování. Když máte desítky odrůd a různá stanoviště, roste potřeba mít rychlý přehled: kde se co děje, co dozrává, kde hrozí stres suchem, kde přichází škůdce.

AI v precizním zemědělství se tady dá použít velmi přímočaře:

• satelitní a dronové snímky + modely pro detekci stresu porostu
• jednoduché prediktory pro optimální termín sklizně po parcelách
• včasná signalizace odchylek (anomálie) v růstu a zdravotním stavu

Nejde o „high-tech pro efekt“. Jde o to, aby biodiverzita nepřerostla farmáři přes hlavu, když začne růst objem výroby.

Ochutnávková místnost jako „datový senzor“: prodejní kanál, který učí výrobu

V příběhu Temeculy je silný moment: Nancy se rozhodla otevřít jednu z prvních ochutnávkových místností v USA a Thom o tom pochyboval. Ukázalo se, že to byla trefa. Z pohledu dnešního potravinářství to není jen marketing. Je to zpětnovazební smyčka.

Ochutnávková místnost (nebo farmářský prodej, e-shop, klub předplatitelů) vám dá unikátní signály:

• které profily oleje lidé preferují (ovocnost, hořkost, pikantnost)
• jak reagují na ročníky a odrůdy
• co funguje v párování s jídlem (a tím nepřímo i v recepturách)

Jak do toho vstupuje AI v potravinářství

Jakmile sbíráte objednávky, hodnocení, poznámky z degustací a vracíte to do výroby, dostáváte prostor pro AI v potravinářství:

• modely, které propojí senzorická hodnocení se šaržemi (čas sklizně, odrůda, parcela)
• doporučení pro „blend“ (míchání šarží) podle cílového chuťového profilu
• predikce poptávky: kolik které varianty vyrobit, aby neležela na skladě

Tohle je často rychlejší cesta k návratnosti než složité robotické investice. A hlavně: není to proti řemeslu. Je to disciplína.

Mobilní mlýn a logistika: místo, kde AI umí zachránit kvalitu

Thom Curry vyvinul první mobilní mlýn na olivový olej v Kalifornii. Proč je to důležité? Protože v olivách běží degradace kvality od okamžiku sklizně. Každá hodina navíc znamená vyšší riziko oxidace, fermentace a ztráty aromatiky.

Největší nepřítel kvality je prodleva. A prodlevy jsou často logistické: kapacita lisování, plán směn, dostupnost lidí, doprava z různých sadů.

Konkrétní AI scénáře pro „od sadu do lahve“

Tady dává smysl kombinace plánování, predikcí a automatizace:

1. Optimalizace harmonogramu sklizně

   • vstupy: předpověď zralosti (obrazová data), počasí, dostupnost pracovních týmů
   • výstup: pořadí parcel tak, aby se maximalizovala kvalita a minimalizovaly prostoje

2. Dynamické plánování lisování

   • vstupy: příjezdové časy, kapacita mlýna, typ oliv
   • výstup: fronta šarží s minimem čekání

3. Kontrola kvality v reálném čase

   • senzory teploty, doby zpracování, případně NIR (blízká infračervená spektroskopie)
   • AI model vyhodnocuje odchylky od „ideálního profilu“ a upozorní obsluhu

4. Traceability (sledovatelnost) bez papírového pekla

   • automatický záznam šarže: parcela → čas sklizně → mlýn → tank → plnění
   • výhoda: audit, důvěra zákazníků, rychlé řešení reklamací

Pro české producenty (nejen oliv, ale třeba moštů, pivních speciálů, sýrů nebo olejů ze semen) je tenhle princip přenositelný: kde je čas kritický, tam je AI nejvíc vidět na výsledku.

Regenerativní zemědělství + AI: spojení, které funguje i v praxi

Regenerativní přístup na farmě Temeculy stojí na jednoduchých, ale účinných principech: půda se má zlepšovat, ne vyčerpávat; vedlejší produkty se nemají vyhazovat; zvířata mohou být součástí údržby krajiny.

AI tady není „zelená nálepka“. Je to nástroj, jak regenerativní postupy řídit s menším rizikem.

Co se dá měřit a řídit pomocí AI (bez přehnaných investic)

• Voda: predikce závlahy podle půdní vlhkosti, evapotranspirace a předpovědi počasí
• Půda: mapy variability, cílené zásahy jen tam, kde dávají smysl
• Škůdci a choroby: včasná detekce z fotografií a trendů z terénních záznamů
• Biomasa a řez: plánování řezu podle vitality stromů a očekávané násady

Praktický přístup, který se mi dlouhodobě osvědčuje jako „nejméně bolestivý“: začít jedním problémem, který stojí peníze (ztráty kvality, zmetky, prostoje), a teprve pak rozšiřovat.

„Lidé se to musí naučit“: vzdělávání jako nejlevnější technologie

V článku zazní i vzdělávací iniciativa a spolupráce se školami. To je mimochodem něco, co v zemědělství rozhoduje o tom, jestli se technologie uchytí.

AI projekty padají nejčastěji na tři věci:

• nikdo nevěří datům (protože neví, jak vznikla)
• nikdo je nepoužívá v rozhodování (protože se nevejdou do rutiny)
• nikdo neví, co dělat, když model „řekne něco divného“

Mini-checklist: jak začít s AI na farmě nebo ve výrobě

Pokud řešíte AI v zemědělství a potravinářství v roce 2026 a nechcete se utopit v buzzwordech, berte to takhle:

1. Vyberte jednu metrikou měřitelnou bolest (např. čekání šarží před lisováním).
2. Zajistěte minimální sběr dat (časové razítko, teplota, původ šarže).
3. Nastavte „pravdu v provozu“ (kdo potvrdí, že data sedí a proč).
4. Nechte model dělat jen doporučení – první 2–3 měsíce bez automatického řízení.
5. Vyhodnoťte dopad: méně ztrát, stabilnější kvalita, nižší náklady.

Tohle je cesta, která vede k výsledkům i bez toho, aby se z farmy stala IT firma.

Co z příběhu Temeculy platí pro Česko a střední Evropu

Olivovníky u nás nejsou mainstream, ale princip je univerzální: kvalita + udržitelnost + škálování se bez chytrého řízení dřív nebo později začnou prát mezi sebou. A přesně tady má AI smysl.

• Máte regionální výrobek a nechcete zlevnit surovinu? AI pomůže snížit ztráty a držet kvalitu.
• Roste vám poptávka, ale lidí na provoz nepřibývá? AI pomůže v plánování a kontrole.
• Chcete být regenerativní, ale nechcete riskovat výnos? AI pomůže cílit zásahy.

Řemeslo a data nejsou protivníci. Jsou to dvě ruce téže práce.

Na konci roku 2025, kdy se v zemědělství řeší drahé vstupy, tlak na transparentnost a čím dál častější výkyvy počasí, je jedna věc jasná: vyhrávají ti, kdo dokážou rozhodovat rychleji a přesněji – bez ztráty charakteru produktu.

A teď otázka, která posune debatu z teorie do praxe: Které dvě hodiny ve vašem procesu jsou pro kvalitu nejdražší – a jak by vypadalo, kdyby šly zkrátit o polovinu pomocí dat a jednoduché AI automatizace?