AI v potravinách a na poli: co sledovat po SKS 2025

Když se v jednom týdnu sejdou témata jako umělá inteligence, robotika, nové kuchyňské spotřebiče a udržitelnost, většina lidí si představí „chytrou kuchyň“ a pohodlnější vaření. Jenže to je až poslední článek řetězce. Skutečná změna začíná dřív: na poli, ve skladu, v mlékárně, v pekárně a v logistice.

Právě proto dává smysl, že na konferenci Smart Kitchen Summit 2025 (SKS 2025) vystoupil Mark Cuban – podnikatel a investor, který dlouhodobě sleduje, jak technologie posouvají celé trhy. Nejde o to, jestli řekne „AI je budoucnost“. To dnes umí každý. Důležité je, které části potravinového systému se dají automatizovat rychle, kde se vyplatí investovat do dat a kde naopak AI narazí na realitu provozu.

Tenhle článek je součástí série „Umělá inteligence v zemědělství a potravinářství“ a bere SKS 2025 jako odrazový můstek: co podobné akce signalizují, co si z nich odnést do českého agra a potravinářství, a hlavně – jaké konkrétní kroky udělat v roce 2026, aby z AI nebyla jen položka v prezentaci.

Proč „Smart Kitchen“ začíná na poli, ne v kuchyni

Nejkratší odpověď: spotřebitel uvidí změnu v kuchyni, ale náklady a rizika se rozhodují v produkci. Když se někde dá ušetřit 1–3 % nebo snížit zmetkovitost o pár desetin, v maloobchodu to vypadá malé. V primární výrobě a zpracování to ale často znamená rozdíl mezi ziskem a ztrátou.

AI v zemědělství a potravinářství typicky přináší hodnotu ve třech vrstvách:

1. Predikce a plánování (výnosy, spotřeba energií, poptávka, údržba)
2. Kontrola kvality a bezpečnosti (vizuální inspekce, odhalení odchylek, sledovatelnost)
3. Optimalizace procesu (krmné dávky, receptury, sušení, chlazení, trasy)

SKS 2025 byl postavený kolem AI, robotiky, spotřebičů a udržitelnosti. To je dobrá kombinace, protože udržitelnost není „hezká nálepka“ – je to důsledek efektivity. Méně odpadu, méně zbytečných převozů, méně energie na jednotku produkce.

Co si z toho vzít pro český kontext

České firmy často řeší stejnou věc: lidé nejsou, energie je drahá, tlak na cenu je vysoký a regulace se zpřísňuje. V takové situaci AI dává smysl, když:

• řeší konkrétní provozní bolest (zmetky, odstávky, reklamace),
• opírá se o data, která už existují (ERP, MES, senzory, laboratorní výsledky),
• má jasně měřitelný přínos do 3–9 měsíců.

Co Mark Cuban (typicky) vidí dřív než ostatní

Jasná pointa: investoři typu Marka Cubana se dívají na to, kde AI vytváří novou cenovou výhodu, ne jen „lepší produkt“. To je v potravinách zásadní, protože marže bývají nízké a rozdíly se dělají v procesech.

Z praxe jsem si všiml jednoho vzorce: technologičtí investoři bývají skeptičtí k projektům, které stojí na „jednom super modelu“, ale věří firmám, které:

• sbírají data dlouhodobě a systematicky,
• mají distribuční kanál (přístup k farmám, výrobním linkám, kuchyním),
• dokážou AI zabalit do služby, kterou provoz zvládne bez doktorátu.

To je i dobrý filtr pro vás: když dodavatel AI neumí vysvětlit přínos na jedné A4 včetně nákladů na integraci a údržbu, je to riziko.

4 témata, která byste na podobných akcích měli „lovit“

• AI + robotika v manipulaci: třídění, paletizace, sklad, příprava surovin.
• Computer vision v kvalitě: kontrola povrchu, barvy, velikosti, defektů, etiket.
• Prediktivní údržba: kompresory, chlazení, čerpadla, dopravníky.
• Energetická optimalizace: špičky, tarify, řízení chladu/tepla, rekuperace.

Tohle jsou oblasti, kde AI v potravinářství často funguje hned, protože data jsou bohatá a procesy opakovatelné.

Kde AI v zemědělství a potravinářství vydělá peníze nejrychleji

Odpověď bez omáčky: tam, kde se dá snížit variabilita. Variabilita je drahá – vytváří odpad, zmetky a nejistotu.

Precizní zemědělství: méně „průměrování“, více rozhodování po zónách

V rostlinné výrobě jde často o to, že jeden pozemek není homogenní. AI pomáhá spojit vrstvy:

• satelitní a dronová data (vitalita porostu),
• půdní mapy a historie výnosů,
• počasí a lokální senzory,
• záznamy o aplikaci hnojiv a postřiků.

Výsledkem je variabilní dávkování a lepší načasování zásahů. Ne proto, že by „AI měla pravdu vždy“, ale protože umí rychle zúžit možnosti a upozornit na problém dřív, než ho uvidíte okem.

Praktický příklad využití (typický pro střední podnik):

• 1–2 plodiny, u kterých máte největší náklad na vstupy,
• 1 sezóna pilotu na 10–20 % výměry,
• metrika: spotřeba dusíku na hektar + stabilita výnosu.

Potravinářská výroba: AI jako „druhý pár očí“ na lince

Ve výrobě potravin bývá nejrychlejší ROI u vizuální kontroly a řízení procesu:

• Vizuální inspekce: kamera + model rozpozná defekty nebo odchylky konzistentněji než člověk na konci směny.
• Odhad kvality suroviny: predikce vlhkosti, tuku, bílkovin z nepřímých signálů.
• Optimalizace receptur a parametrů: menší rozptyl, méně přeseřizování.

Můj názor: největší chyba je chtít „AI pro celou továrnu“ hned. Začněte jedním kritickým uzlem, kde už dnes měříte zmetkovitost nebo reklamace.

Logistika a plýtvání: AI jako nástroj proti tichým ztrátám

V prosinci 2025 je tlak na náklady i dostupnost některých komodit stále téma. A to zvyšuje cenu špatných rozhodnutí.

AI se tady uplatní v:

• predikci poptávky a lepším plánování výroby,
• řízení zásob s ohledem na trvanlivost,
• optimalizaci tras a vytížení,
• detekci teplotních incidentů v cold chain.

„Tiché ztráty“ bývají zrádné: nejsou vidět na jedné faktuře, ale sečtené dělají hodně.

Jak poznat, že AI projekt v praxi dopadne dobře

Rychlá odpověď: úspěch není o modelu, ale o datech, provozu a odpovědnosti.

Kontrolní seznam: 10 věcí, které si vyjasnit před startem

1. Kdo je vlastník problému (ne „IT“, ale provoz/agrónom/technolog).
2. Jaká je výchozí metrika (zmetkovitost, downtime, spotřeba energie, výnos).
3. Jaká data už máte a jak často vznikají.
4. Jak se data dostanou do řešení (exporty, API, ruční zadání).
5. Kdo bude řešit kvalitu dat (chybějící hodnoty, špatné jednotky).
6. Jak bude vypadat rozhodnutí v praxi (alert, doporučení, automatická akce).
7. Co je „fail-safe“ režim, když AI selže.
8. Jak se bude měřit přínos po 30/60/90 dnech.
9. Kdo to bude udržovat po pilotu (interně vs. dodavatel).
10. Jak se řeší bezpečnost a přístupová práva.

Pokud neumíte popsat, jak AI změní konkrétní rozhodnutí v provozu, nebude mít dopad.

„Malý pilot“ neznamená „malá ambice“

Dobře navržený pilot má být malý rozsahem, ale ostrý v metrice. Například:

• jedna výrobní linka,
• jedna komodita,
• jedna farma,
• jeden sklad.

A jasná ekonomika: kolik stojí 1 % zmetkovitosti nebo 1 hodina odstávky. Bez toho se AI mění v diskusi o pocitech.

Co sledovat v roce 2026: trendy, které se přelijí i k nám

Odpověď: AI se přesune od „analýzy“ k „řízení“ – a to vyvolá potřebu lepších datových základů.

Tři konkrétní posuny, které čekám:

1. Více autonomních systémů: nejen doporučení, ale automatické úpravy parametrů (např. chlazení, dávkování, třídění).
2. Standardizace dat: tlak na interoperabilitu mezi stroji, senzory a softwarem.
3. Požadavky na auditovatelnost: bude se chtít vědět, proč systém rozhodl, a jak se to projeví na bezpečnosti potravin.

Pro české zemědělství a potravinářství je to příležitost i varování. Příležitost, protože „dohánět“ se dá rychle. Varování, protože bez datové disciplíny (čistá měření, jednotky, historie) AI nepomůže.

Co můžete udělat hned teď (a získat z toho leadově měřitelné výsledky)

Nejpraktičtější krok: vyberte jednu oblast, kde AI zlepší rozhodování do 90 dnů, a připravte data.

Doporučený postup, který funguje ve firmách i na farmách:

1. Sepsat 3 nejdražší problémy (v Kč/měsíc).
2. U každého problému zapsat, jaká data existují (a kde).
3. Vybrat jeden use-case s nejmenší integrací.
4. Udělat pilot s jasnými metrikami a odpovědností.

Pokud chcete, připravte interně „jednostránkový brief“: problém, metrika, dostupná data, očekávaný přínos, časový plán. Tenhle dokument je rozdíl mezi pilotem a nekonečnou debatou.

A teď jedna otázka, která posune diskusi dopředu: Které rozhodnutí ve vaší výrobě nebo na vašich pozemcích byste chtěli dělat na základě dat každý den – ale dnes na to nemáte čas nebo jistotu?