AI v zemědělství: jak inovovat, když VC peníze mizí

V roce 2023 spadla hodnota venture kapitálových investic do food techu o 59 % – z 22,5 mld. USD (2022) na 9,2 mld. USD (2023). To není kosmetická úprava trhu. To je studená sprcha pro každého, kdo staví produkt v potravinářství, zemědělství nebo navazujících dodavatelských řetězcích.

A přesto mám pocit, že právě tohle může být pro evropské (a české) firmy paradoxně dobrá zpráva. Když peníze nejsou „na růst za každou cenu“, vítězí technologie, které šetří náklady už teď a umí to prokázat čísly. A přesně tady má umělá inteligence v zemědělství a potravinářství jednu obrovskou výhodu: dokáže přinést efekt v řádu týdnů až měsíců, ne let.

Tenhle článek je součástí série Umělá inteligence v zemědělství a potravinářství a bere propad investic do food techu jako kulisu: co se mění, co investoři (a banky) chtějí slyšet – a jak postavit AI projekty tak, aby prošly i v období „utahování opasků“.

Proč funding spadl a co to znamená pro inovace v praxi

Propad investic má dvě jasné příčiny: dražší peníze a horší exitové prostředí. Vysoké úrokové sazby zvyšují nároky na návratnost, IPO okno zůstává dlouho přivřené a investorům se nechce financovat růst bez vidiny zpeněžení.

Do toho přichází realita spotřebitele: i když se tempo inflace cen potravin zpomalilo, kumulativně jsou ceny vysoko. To bolí hlavně nové značky a prémiové CPG produkty – zákazník šetří a regál odpouští méně.

Z pohledu firem to znamená jediné: „hezký příběh“ už nestačí.

• Investor i CFO chtějí profitabilitu nebo minimálně jasnou cestu k ní.
• Hraje se na unit economics: kolik stojí vyrobit jednotku, doručit ji, reklamovat ji.
• A technologie musí mít měřitelný dopad: snížení zmetkovitosti, úsporu energií, menší ztráty, vyšší výnos.

Tohle je přísnější svět. Ale je férovější.

Které části food techu dostaly největší ránu – a proč to souvisí s AI

Největší propady zasáhly segmenty, které byly postavené na růstu, marketingu a dotovaných službách.

E-commerce a rozvozy: konec „růstu za dotaci“

Online nákupy potravin a rozvoz jídla spadly meziročně zhruba o 67 % (a od vrcholu 2021 dokonce o 87 %). Důvod je jednoduchý: investoři už neplatí expanzi, pokud nevychází ekonomika jedné objednávky.

AI tady může pomoct, ale jen tehdy, když jde po nákladech:

• predikce poptávky a optimalizace zásob (méně vyhozeného zboží),
• plánování tras a vytížení kurýrů,
• dynamické ceny u rychle kazících se položek.

Jinými slovy: ne „hezčí aplikace“, ale méně odpadu a méně kilometrů.

Restaurant tech a retail tech: tlak na produktivitu

Technologie pro restaurace a retail zaznamenaly propad kolem 71–72 %. Tady se ukazuje trend, který v roce 2025 v Evropě sílí: nedostatek personálu a tlak na mzdy nutí podniky hledat automatizaci.

Smysluplné AI use-cases:

• predikce návštěvnosti a plánování směn,
• řízení spotřeby energií (chlazení, HVAC),
• počítačové vidění pro kontrolu kvality a ztrát (např. v pekárnách, výrobě, porcování).

Alternativní proteiny: méně hype, víc infrastruktury

Alternativní proteiny zažily vystřízlivění. Ne proto, že by zmizela poptávka po udržitelnější výrobě, ale protože ekonomika výroby je tvrdá disciplína.

Zajímavý posun je směrem k „picks and shovels“: místo sázení na značky se více řeší vstupy a výrobní infrastruktura (např. fermentační kapacity, náhrady růstových médií). A právě tady AI často dává nejrychlejší návratnost:

• optimalizace receptur a procesních parametrů,
• prediktivní údržba bioreaktorů,
• detekce odchylek v dávkách (časná prevence ztrát).

AI jako odpověď na „méně peněz“: 5 oblastí s nejrychlejší návratností

Když je kapitál drahý, vítězí projekty s krátkým paybackem. V zemědělství a potravinářství se opakovaně ukazuje pět oblastí, kde AI umí přinést efekt rychle – bez megainvestic.

1) Predikce výnosů a rizik na poli

Odpověď je přímočará: lepší rozhodnutí o vstupu (osivo, hnojivo, postřik) snižuje náklady a zvyšuje stabilitu.

Typické přínosy:

• lepší načasování zásahů (méně zbytečných přejezdů),
• odhad výnosu pro prodej a logistiku,
• včasná identifikace stresu porostu.

V praxi často stačí kombinace satelitních dat, jednoduchého modelu a dobrého dashboardu. Ne každý potřebuje drony a „vesmírnou“ infrastrukturu.

2) Precizní aplikace vstupů (hnojiva, pesticidy)

Nejrychlejší úspory bývají nudné: neaplikovat to, co není potřeba. AI modely (spolu s mapami variability) pomáhají definovat zóny a dávky.

Konkrétní metrika, kterou doporučuju sledovat:

• Kč/ha u vstupů před a po,
• počet přejezdů,
• výnos a kvalita (např. N-látky u obilnin).

3) Počítačové vidění pro kontrolu kvality

Ve výrobě potravin je kontrola kvality drahá a často závislá na lidech. Kamera + model umí hlídat tvar, barvu, poškození, příměsi nebo správné balení.

Výhoda v době nízkého financování: nasazení může být modulární.

• začnete jednou linkou,
• změříte zmetkovitost a reklamace,
• teprve potom škálujete.

4) Predikce poptávky a snížení potravinového odpadu

Kdo v potravinách nesnižuje odpisy, dobrovolně pálí marži. AI pro forecast není jen pro řetězce – i střední výrobce nebo pekárna může zlepšit plán.

Praktický postup:

1. sjednotit data z prodejů, akcí, svátků a počasí,
2. vybrat 20–50 klíčových SKU,
3. měřit MAPE (chybu forecastu) a odpisy,
4. přidávat SKU až po ověření.

V prosinci je to zvlášť aktuální: sezónnost, dárkové balíčky, výkyvy ve spotřebě. AI dává smysl právě tam, kde excel končí.

5) Energetická optimalizace v provozech

Energie je v potravinářství velká položka (chlazení, mražení, pára, kompresory). AI umí najít vzory: kdy špičkujete, kde přetápíte, kdy se zařízení chová „divně“.

Když chcete rychlou návratnost, začněte tímto:

• monitoring spotřeby po 15 minutách,
• detekce anomálií,
• doporučení pro obsluhu (ne nutně automatické zásahy).

Jak postavit AI projekt, který přežije „investorskou zimu“

Největší chyba, kterou vidím, je začínat modelem. Správný start je finanční.

Model pro CFO: 4 čísla, která musíte mít

AI projekt v zemědělství a potravinářství by měl mít od začátku tyto čtyři veličiny:

1. Baseline (výchozí stav): zmetkovitost, odpisy, spotřeba, výnos.
2. Cíl: o kolik to chcete zlepšit (v % i Kč).
3. Náklady: implementace + provoz (data, licence, servis, senzory).
4. Payback: za kolik měsíců se to vrátí.

Pokud payback neumíte odhadnout, je to signál, že ještě nevíte, co řešíte.

„Malý pilot“ nestačí. Chce to pilot s rozhodnutím

Pilot bez závazného rozhodnutí je jen drahá demonstrace.

Dobře nastavený pilot má:

• jasné KPI (např. -15 % odpisů u čerstvého sortimentu),
• pevné trvání (typicky 6–12 týdnů),
• předem dané pravidlo „go/no-go“.

Data: radši 80 % kvality než 100 % architektury

V době omezeného kapitálu se vyplatí pragmatismus. Lepší je začít s dostupnými daty (ERP, váhy, teploty, výstup z linky) a postupně přidávat senzory, než rok navrhovat „dokonalý datový sklad“.

AI v potravinách vyhrává tehdy, když je zapojená do denního provozu – ne když existuje jako prezentace pro board.

Co si z propadu investic odnést (a co udělat ještě v Q1 2026)

Propad fundingů v food techu není signál „inovace končí“. Je to signál, že se mění pravidla: od růstu k efektivitě, od příběhů k číslům, od aplikací k infrastruktuře.

Pokud jste zemědělec, výrobce potravin, nebo technologie dodavatel, udělejte tři konkrétní kroky:

1. Vyberte jeden proces s velkou nákladovou položkou (odpisy, energie, zmetky, vstupy na ha).
2. Zaveďte měření a baseline do 30 dnů (klidně ručně, když musíte).
3. Spusťte pilot AI s jediným cílem: prokázat finanční efekt.

A pak přijde zajímavá otázka: když kapitál zpomalí, kdo bude „dalším investorem“ do inovací v potravinách? Já vsázím na firmy, které si dokážou spočítat návratnost – a AI používají jako nástroj, ne jako nálepku.

Pokud chcete, můžeme to vzít prakticky: vybereme váš use-case, spočítáme návratnost a navrhneme pilot, který dává smysl i v období drahých peněz. Jaký je u vás největší zdroj ztrát – pole, linka, nebo logistika?