AI v zemědělství: rajčata na genový edit a roboti

Rajče patří mezi „žíznivé“ plodiny a voda je v celé Evropě (včetně Česka) čím dál dražší vstup. A když se podíváte na druhý konec řetězce – gastro a zpracování – zjistíte, že největší náklady už dávno nejsou jen suroviny, ale práce, energie a odpad. Přesně v tomhle napětí dnes vzniká nejzajímavější food tech: genově editované plodiny, automatizace a umělá inteligence.

Jeden z nedávných dílů zahraničního pořadu o potravinářských inovacích spojil dvě zdánlivě nesouvisející zprávy: rajčata upravená metodami typu CRISPR, aby lépe zvládala sucho, a „přehodnocení“ robotických restaurací, které po prvotním nadšení často narážejí na realitu provozu. Pro naši sérii Umělá inteligence v zemědělství a potravinářství to má společného víc, než se zdá: v obou případech vyhrává ten, kdo umí propojit technologii s procesem a daty.

Proč „rajče odolné vůči suchu“ není jen biotechnologie

Odolnější rajče není samo o sobě zázrak. Zázrak je, když odrůda, agronomická praxe a rozhodování na základě dat začnou fungovat jako jeden systém.

CRISPR jako nástroj, AI jako navigace

Genové editování (např. CRISPR) umí cíleně upravit vlastnosti rostliny – třeba hospodaření s vodou, reakci na stres nebo rychlost zrání. Jenže v praxi farmář neřeší „gen“. Řeší:

• kolik zalévat,
• kdy sázet,
• jaký bude výnos,
• kolik ho bude stát energie,
• jestli mu odběratel vezme kalibr a kvalitu.

Tady se dostává ke slovu AI v precizním zemědělství. Pokud máte senzoriku (vlhkost půdy, teplotu, salinitu), satelitní snímky a historická data, modely strojového učení dokážou:

1. predikovat stres suchem ještě předtím, než je viditelný,
2. optimalizovat závlahu po zónách (ne „na celé pole stejně“),
3. odhadnout výnos a včas upravit výživu či ochranu,
4. propojit pěstování s plánem sklizně a logistikou.

Praktický dopad: genově „vylepšené“ rajče dává největší smysl tam, kde ho AI pomůže zasadit do správného režimu – jinak se část potenciálu ztratí v šumu počasí a provozních zvyklostí.

Co to znamená pro Česko v zimě 2025

Prosinec je období, kdy si skleníky a zpracovatelé dělají rozpočty a uzavírají kontrakty na příští sezónu. V posledních letech se u nás jasně ukazuje jeden vzorec: cena energie a vody umí otočit ekonomiku pěstování během pár měsíců.

Moje zkušenost z projektů s daty v agri/potravinářství je taková: firmy, které dnes investují do AI, často nezačínají „velkým modelem“. Začínají tím, že si sjednotí data o závlaze, výživě, výnosech a reklamací kvalitativních parametrů. Pak teprve dává smysl přemýšlet o nových odrůdách, řízení mikroklimatu nebo automatizaci sklizně.

Roboti v restauracích: problém není robot, ale proces

Automatizace v gastronomii má jednu tvrdou pravdu: pokud je proces špatně navržený, robot ho jen zdraží.

V posledních letech jsme viděli vlnu robotických kuchyní a samoobslužných konceptů. Některé uspěly, spousta projektů ale narazila na kombinaci tří věcí:

• variabilita poptávky (páteční špička vs. úterý odpoledne),
• potřeba lidského „front of house“ (obsluha, reklamace, upsell, atmosféra),
• údržba a spolehlivost automatizace v prostředí s tukem, párou a nepořádkem.

AI je v gastro nejcennější tam, kde není vidět

Když se řekne „robotická restaurace“, lidé si představí mechanickou ruku, která skládá burrito. Reálný přínos AI ale často leží jinde:

• predikce poptávky po hodinách a dnech (méně vyhozeného jídla),
• optimalizace přípravy (co připravit dopředu, co až na objednávku),
• řízení zásob (objednávky surovin podle skutečné spotřeby),
• kontrola kvality (např. kamerové systémy hlídající porce, propečení, konzistenci).

Roboti pak dávají smysl jako „poslední krok“: když máte standardizovaný produkt, jasné pracovní stanice a data, která říkají, co se bude dít. Bez toho robot zůstane drahá atrakce.

Přehodnocení robotů = signál i pro potravináře

Tohle přehodnocení je dobrá zpráva pro celý řetězec. Znamená to posun od „wow efektu“ k návratnosti. A přesně to dnes potřebují i zpracovatelé:

• Kde je největší ztráta (odpad, prostoje, reklamace)?
• Jaký krok automatizovat dřív (balení, třídění, sklad)?
• Jak změřit dopad do 90 dnů, ne za 3 roky?

AI v potravinářství není o tom, že nahradí lidi. Je o tom, že zlepší plánování a stabilitu výroby.

„Zmapovat veškerou zemědělskou půdu“: proč je to víc než marketing

Ve food tech světě se objevují platformy, které slibují mapování obrovských ploch zemědělské půdy pomocí satelitů a AI. Ať už je ambice jakákoli, směr je jasný: agrodata se stávají infrastrukturní vrstvou.

K čemu jsou mapy, když pěstuju na 200 hektarech?

I menší podnik z toho může získat konkrétní věci:

• přesnější zónování pozemků (výnosové mapy, vodní režim),
• odhalení anomálií (suché pruhy, škody zvěří, ucpaná závlaha),
• rychlejší reakce na extrémy počasí,
• lepší podklady pro pojištění, dotace a audit.

A pro zpracovatele je to stejně důležité: když máte lepší predikci sklizně, umíte dopředu plánovat kapacity, směny a logistiku. To je mimochodem jeden z nejrychlejších způsobů, jak snížit náklady na tunu produkce.

Lidský faktor: data bez důvěry nefungují

Jestli se něco opakuje napříč zemědělstvím i gastro, pak je to jedna věta: technologie vyhraje až ve chvíli, kdy jí provoz začne věřit.

Důvěra se buduje takto:

1. AI dává doporučení a zároveň ukazuje „proč“ (vstupy, důvody).
2. Doporučení lze snadno porovnat s realitou (měření, jednoduchý reporting).
3. Lidé v provozu mají možnost model „přeučit“ – aspoň nepřímo (zpětná vazba, poznámky).

Bez toho budou mapy jen hezké obrázky a robot jen drahý stroj.

Od pole po talíř: 5 kroků, které dávají smysl v roce 2026

Pokud uvažujete o AI v zemědělství a potravinářství (a chcete to uchopit tak, aby z toho byly výsledky i leady), držel bych se těchto kroků. Jsou praktické a fungují napříč firmami.

1) Vyberte jednu bolest, ne deset nápadů

Nejrychlejší návratnost mívá:

• závlaha a energie ve sklenících,
• predikce výnosu pro plánování výroby,
• snižování odpadu ve výrobě nebo gastro,
• kontrola kvality na lince.

2) Ujasněte si „co je pravda“ v datech

Jednotky, čas, názvy šarží, odrůd, parcel. Zní to nudně, ale bez toho se modely chovají jako chytrý člověk, kterému pořád měníte definice slov.

3) Začněte s pilotem na 6–10 týdnů

Pilot má mít jasné metriky:

• snížení spotřeby vody (m³/ha),
• snížení odpadu (% nebo kg/den),
• zkrácení prostojů (min/shift),
• zlepšení shody kvality (reklamace/1000 jednotek).

4) Teprve pak řešte automatizaci a hardware

Roboti, kamerové systémy, nové senzory – to všechno je skvělé. Ale až když víte, kde přesně je úzké hrdlo a jak ho budete měřit.

5) Propojte agronomii, výrobu a obchod

Největší peníze leží v koordinaci:

• agronom ví, co se bude sklízet,
• výroba ví, co z toho vyrobí,
• obchod ví, co může slíbit odběratelům.

AI tady funguje jako společný „mozek“ plánování.

Jedna věta, kterou si letos připomínám pořád: Nejdřív optimalizujte rozhodování, potom automatizujte vykonávání.

Co si z toho odnést pro AI v zemědělství a potravinářství

Genově editovaná rajčata odolnější vůči suchu a roboti v restauracích vypadají jako dvě různé kapitoly. Ve skutečnosti patří do stejného příběhu: potravinový systém potřebuje stabilitu, predikci a méně plýtvání. A tohle je přesně oblast, kde AI dává největší smysl.

Pokud jste farmář, pěstitel, zpracovatel nebo provozujete gastro, zkuste si vybrat jeden proces, který vás stojí nejvíc peněz nebo nervů – a ověřte, jak rychle ho umíte zlepšit pomocí dat, jednoduchých modelů a lepšího plánování. Technologie už je dostupná. Rozdíl dělá provedení.

A otázka, která bude v roce 2026 rozhodovat víc než „jestli použít AI“: Kdo ve vašem řetězci vlastní rozhodnutí – člověk s intuicí, nebo tým s daty?