AI v agri a food tech: jak růst i při poklesu investic

V 1. pololetí 2024 spadly investice do agrifoodtech na 7 miliard USD ve 427 obchodech. To není drobná korekce – to je signál, že investoři přestali financovat „hezké slidy“ a začali vyžadovat prokazatelné jednotkové ekonomiky, kratší návratnost a reálné nasazení. Pro zemědělství a potravinářství to může být paradoxně dobrá zpráva.

Když je kapitálu méně, vyhrávají technologie, které šetří peníze hned: energii, suroviny, práci a zmetkovitost. A přesně tady se umělá inteligence v zemědělství a potravinářství přestává tvářit jako „inovace“ a začíná fungovat jako tvrdý nástroj na efektivitu. Tenhle díl našeho seriálu „Umělá inteligence v zemědělství a potravinářství“ proto beru jako praktický návod: co z investičního útlumu vyčíst a jak postavit AI projekty tak, aby přežily i období opatrnosti.

Co pokles financování ve food tech opravdu znamená

Pokles investic neznamená, že trh nemá budoucnost. Znamená, že se změnila laťka. Investoři se posunuli od růstu „za každou cenu“ k otázkám typu: Kolik to ušetří? Kdy? Na jakém provozu to už běží?

V epizodě zpravodajského pořadu z oblasti food tech zazněly vedle čísel o financování i příklady tlaku na firmy: propouštění u producenta kultivovaného masa a zároveň rostoucí zájem o praktičtější inovace – třeba robotiku ve výrobě.

Proč je to pro AI dobré (a pro spoustu jiných trendů ne)

AI je dnes jedna z mála kategorií, která umí investorovi i CFO ukázat jasný mechanismus návratnosti:

• Menší plýtvání surovinami (optimalizace receptur, dávkování, výtěžnosti).
• Nižší náklady na práci (automatizace rutinních kontrol, plánování směn, robotické buňky).
• Méně reklamací (detekce vad, stabilnější kvalita).
• Lepší energie a logistika (predikce poptávky, plánování výroby, řízení chladu).

Jedna věta, kterou rád používám pro vedení firem: „AI je dnes nejrychlejší cesta k úspoře jednotkových nákladů bez rozšiřování haly.“

Kde AI nejrychleji přináší ROI v zemědělství a potravinářství

Pokud chcete AI projekt obhájit v době, kdy se kapitál zdražil, musíte začít u míst, kde úspora vznikne do 3–9 měsíců. Tohle jsou oblasti, které v praxi vycházejí nejlépe.

Predikce poptávky a plánování výroby

Největší „tichý žrout“ marže je špatné plánování: vyrábíte moc (odpisy), málo (ztracené objednávky), nebo ve špatnou chvíli (přesčasy, expediční chaos).

AI modely nad historickými prodeji, promo akcemi a sezonností (u nás typicky Vánoce, Velikonoce, grilovací sezóna, školní rok) umí:

• snížit přebytky hotových výrobků,
• stabilizovat vytížení linek,
• omezit „hasení“ výroby a dopravy.

V prosinci 2025 to dává extra smysl: firmy mají za sebou sezónní špičku a přirozeně řeší, co šlo zbytečně do odpadu a kde se dalo plánovat lépe.

Počítačové vidění pro kontrolu kvality

Kontrola kvality je učebnicový příklad: je repetitivní, nákladná a citlivá na únavu. Počítačové vidění (kamery + AI) zvládá 24/7 kontrolu například:

• tvaru, barvy a poškození surovin,
• správnosti etiket a šarží,
• přítomnosti cizích částic,
• konzistence porcí a naplnění obalů.

Nejde jen o „hezké obrázky“. V době útlumu financování jsou přesně tohle projekty, které investoři i banky chápou: snížení zmetkovitosti a reklamací je přímý dopad na cashflow.

Precizní zemědělství: zásahy jen tam, kde to má smysl

V zemědělství je nejrychlejší efekt tam, kde se šetří vstupy: hnojiva, pesticidy, voda a nafta. Kombinace senzorů, satelitních snímků, dronů a AI umožňuje:

• včas odhalit stres porostu,
• lokalizovat ohniska chorob,
• řídit variabilní aplikaci,
• předpovídat výnosy a plánovat sklizeň.

Z pohledu investiční logiky je to zásadní: AI snižuje riziko. A riziko je přesně to, co investoři v období poklesu financování nechtějí kupovat.

Robotika ve výrobě: proč se o ní mluví čím dál víc

Zprávy z oboru ukazují, že se zviditelňují firmy stavící roboty pro kuchyně a potravinářské provozy. Ne proto, že by to bylo „cool“, ale protože se potravinářství potýká se stejnou realitou jako české výrobní podniky: nedostatek lidí, tlak na mzdy, požadavky na hygienu a stabilitu kvality.

AI + robot = automatizace, která se dá škálovat

Samotný robot je mechanika. Hodnota roste ve chvíli, kdy robot „vidí“ a „chápe“ variabilitu potravin:

• nepravidelné tvary surovin,
• rozdíly mezi šaržemi,
• měkké a kluzké materiály,
• nutnost šetrné manipulace.

AI (zejména počítačové vidění a učení z dat) je to, co umožní robotovi dělat práci, kterou dřív zvládal jen zkušený pracovník.

Pragmatický postoj, který doporučuji: začněte na jedné stanici, kde je největší bolest – a teprve pak škálujte. V době dražších peněz je „velký transformační projekt“ často neprodejný.

Spotřebitelské testování a „neuro“ data: přínos i rizika

V oboru se objevují i nápady typu měření reakcí spotřebitelů pomocí mozkových vln. Fascinující? Ano. Ale z pohledu firemního nasazení je fér být skeptický.

Kdy to dává smysl

• Pokud vyvíjíte produkt s vysokou marketingovou investicí a potřebujete snížit riziko uvedení.
• Pokud už máte zralý proces vývoje a chybí vám „posledních 10 %“ jistoty.

Kdy je to spíš rozptýlení

• Pokud nemáte zvládnuté základy: stabilní kvalitu, predikci poptávky, zmetkovitost, OEE.
• Pokud neumíte data propojit s rozhodováním (a skončí to jako drahá studie do šuplíku).

Moje zkušenost: nejlepší AI projekty v potravinářství jsou nudné. A právě proto vydělávají.

Jak nastavit AI projekt, aby prošel i „investiční zimou“

Pokud máte na stole nápad na AI v zemědělství nebo potravinářství, použijte tenhle jednoduchý rámec. Je postavený tak, aby fungoval pro interní schválení i pro externí investory.

1) Začněte metrikou, ne modelem

Klíč je definovat jednu hlavní metriku:

• % zmetkovitosti,
• reklamace na milion kusů,
• spotřeba energie na jednotku,
• odpad v kg/den,
• přesčasy v hodinách/týden,
• ztráty z expirací.

AI je prostředek. Ne cíl.

2) Připravte data jako produkt

Většina projektů padá na tom, že data jsou:

• rozdrobená mezi systémy,
• bez jednotných definic,
• neoznačená (chybí „ground truth“),
• bez odpovědnosti.

Zaveďte datového vlastníka, datový slovník a minimální datové standardy. I malý pořádek udělá velký rozdíl.

3) Pilot do 8–12 týdnů

Cíl pilotu není dokonalý model. Cíl je rozhodnutí:

• škálovat,
• upravit,
• nebo zastavit.

V dobrém pilotu umíte ukázat baseline vs. stav s AI a vyčíslit dopad.

4) Spočítejte návratnost „po českém“

Investoři mají rádi glamour. Ředitel výroby má rád Excel.

Do výpočtu zahrňte:

• cenu integrace a údržby,
• čas lidí na provoz,
• hardware (kamery, senzory),
• školení,
• riziko výpadku.

A pak to postavte proti úspoře v korunách. Pokud se nedostanete na rozumnou návratnost, je lepší to vědět rychle.

„Když kapitál zdraží, vyhrává AI, která šetří náklady ještě před další investiční rundou.“

Časté otázky z praxe (a přímé odpovědi)

Je AI v zemědělství jen pro velké podniky?

Ne. Malé a střední podniky často uspějí rychleji, protože mají kratší rozhodovací cyklus. Typicky začnou s jedním use-casem: monitoring porostu, predikce výnosu nebo kontrola kvality.

Potřebujeme vlastní datový tým?

Ne nutně. Ale potřebujete vlastníka dat a provozního garanta, jinak projekt zůstane externí „krabičkou“, která časem přestane dávat smysl.

Co bude investory zajímat nejvíc?

Tři věci: důkaz nasazení, opakovatelnost a marže. Když ukážete, že AI řeší konkrétní nákladovou položku a umíte to replikovat na další provozy/farmy, jste v úplně jiné lize.

Co si z toho odnést pro rok 2026

Pokles financování ve food tech není stopka inovací. Je to filtr. A AI v zemědělství a potravinářství tím filtrem prochází nejlépe tehdy, když je postavená na tvrdých úsporách a měřitelném dopadu.

Pokud teď plánujete rozpočet na další rok, doporučil bych jednu věc: vyberte jeden proces, který vás stojí nejvíc peněz, a zkuste ho zlepšit pomocí AI během jednoho čtvrtletí. Ne „digitální transformaci“, ale konkrétní zásah.

Chcete si ověřit, kde má AI u vás nejrychlejší návratnost – ve výrobě, logistice nebo na poli? Popište mi váš provoz (typ produktu/plodiny, velikost, hlavní ztráty) a společně z toho uděláme shortlist 2–3 use-casů, které dávají ekonomický smysl i v době opatrných investic.