AI v zemědělství: jak škálovat udržitelné systémy

Třetina veškerého jídla na světě se ztratí nebo vyhodí ještě dřív, než ho někdo sní. To není jen morální problém. Je to i tvrdá ekonomika: promarněná energie, voda, práce, hnojiva, logistika a nakonec i peníze. A právě tady se krásně ukazuje, proč má umělá inteligence v zemědělství a potravinářství smysl – ne jako „hračka pro inovátory“, ale jako nástroj, který umí snížit ztráty v konkrétních bodech řetězce.

Příběh Evy Goulbourne (poradkyně a hostitelky podcastu o potravinových systémech, klimatu a financích) na tom staví překvapivě silnou lekci. Nezačínala jako agronomka ani data scientist. Studovala studenou válku, balistické střely a dějiny umění. Jenže měla „party trik“: dokázala propojit jakoukoli část potravinového řetězce se zbytečným plýtváním a ukázat, kde se dá ušetřit. Z toho se postupně stala kariéra v transformaci potravinových systémů.

Tohle je přesně ten typ myšlení, který dnes potřebují české farmy, potravináři, obchodníci i investoři: systémový pohled + schopnost měřit dopad + chytré nasazení AI tam, kde to dává návratnost.

„Party trik“ jako strategie: najdi páky, ne jen problémy

Klíčový princip je jednoduchý: plýtvání potravinami je „chameleon“ – mění podobu podle toho, kde se díváte. Na poli je to přezrálá úroda nebo špatně načasovaná sklizeň. Ve skladu je to teplota, vlhkost, špatné FIFO. Ve výrobě je to přestavba linek, nestabilní kvalita surovin, neplánované prostoje. V retailu je to špatná predikce poptávky a promo akce, které po sobě nechají hromadu neprodaného zboží.

AI v zemědělství a potravinářství funguje nejlépe právě na těchto „pákách“ – v bodech, kde se opakují rozhodnutí a kde existují data (nebo se dají začít sbírat).

Praktická mapa pák (od pole po regál)

• Produkce (farma): predikce výnosů, monitoring plodin, optimalizace závlahy a hnojení, včasná detekce stresu porostu.
• Sklizeň a skladování: optimalizace termínu sklizně, predikce trvanlivosti, řízení atmosféry ve skladech, minimalizace ztrát u ovoce/zeleniny.
• Zpracování: prediktivní údržba, optimalizace receptur a výtěžnosti, kontrola kvality pomocí strojového vidění.
• Distribuce: plánování tras, predikce zpoždění, řízení chlazeného řetězce.
• Retail a gastro: predikce poptávky, dynamické slevy, plánování výroby v pekárnách, optimalizace objednávek.

Přesně takhle Eva popisuje svou schopnost „napojit“ jakékoli téma zpět na plýtvání. A pro nás je to návod: AI není jeden projekt. AI je sada malých rozhodovacích motorů rozmístěných po řetězci.

AI není kouzlo. Je to disciplína: data, procesy, odpovědnost

Nejčastější důvod, proč se projekty typu „AI predikce poptávky“ nebo „precizní zemědělství“ nechytnou? Většinou ne algoritmus. Většinou realita provozu.

AI projekt v agri/food má tři tvrdé předpoklady:

1. Dostatečná kvalita dat (a jasná definice, co je „pravda“ – výnos, ztráta, reklamace, odpis, zmetek).
2. Rozhodovací proces, do kterého se model zapojí (kdo upraví plán sklizně, kdo změní objednávku, kdo schválí slevu).
3. Motivace a odpovědnost (kdo nese KPI a co se stane, když model doporučí nepopulární krok).

Eva mluví o „ošklivých miminech“ – problémech, které nikdo nechce držet v náručí, protože jsou nepříjemné: kdo to zaplatí, kdo ponese riziko, proč je implementace tak těžká. V českém prostředí je to často ještě přízemnější: „Kdo to bude obsluhovat?“, „Kdo se postará o senzory?“, „Co když spadne signál?“.

Co funguje v praxi (a není to sexy)

• Začněte s jedním konkrétním tokem: např. ztráty u čerstvé zeleniny ve skladu nebo odpisy v retailu u čerstvého pečiva.
• Stanovte baseline: 4–8 týdnů měření stejné metriky stejným způsobem.
• Teprve pak model: jednoduchá predikce často porazí složitý systém, který nikdo nepoužívá.

Moje zkušenost: když se tým shodne na jedné metrice (např. kg odpadu/den a marže), AI se najednou přestane řešit jako „IT projekt“ a začne být vidět jako provozní páka.

„Nemůžete se z toho proinvestovat jen přes VC“: finance jako součást technologie

Eva trefně říká, že se z transformace potravinového systému „nedá vyjet jen přes venture capital“. Důvod je strukturální: zemědělství běží v sezonách, je závislé na počasí a návratnost technologií může být delší než typický investiční horizont.

Pro české firmy to znamená jediné: AI v zemědělství a potravinářství musí mít promyšlený model financování. A často bude kombinovaný.

Tři realistické finanční scénáře pro AI projekty

1. Provozní úspora (self-funding): model se zaplatí z nižších odpisů, energií, zmetkovitosti nebo reklamací.
2. Dodavatelský model (vendor-financing / služby): platíte měsíčně za službu (predikce, monitoring, údržba), ne za „platformu“.
3. Blended finance (kombinované zdroje): komerční kapitál + veřejné programy + případně filantropie u projektů s jasným dopadem (např. snížení emisí, vody, odpadu).

Ten třetí scénář zní vzdáleně, ale v EU je to čím dál běžnější. V praxi to znamená: umět popsat dopad čísly, protože bez toho se finance nerozhýbou.

Konkrétní příklady, kde AI snižuje ztráty a zvyšuje výnos

Nejde o to mít „AI všude“. Jde o to vybrat use-case s rychlou návratností a nízkým rizikem.

1) Predikce výnosů a kvality (plán sklizně a prodeje)

• Vstupy: satelitní snímky, meteodata, historie polí, senzorika půdy.
• Výstupy: odhad výnosu, variability v rámci pozemku, riziko stresu.
• Dopad: méně překvapení ve sklizni, lepší kontraktace, méně „přebytků bez odbytu“.

2) Strojové vidění ve třídění a kontrole kvality

• Vstupy: kamery na lince, referenční dataset vad.
• Výstupy: stabilnější kvalita, méně reklamací, vyšší výtěžnost.
• Dopad: méně zmetků a přetřídění „pro jistotu“.

3) Predikce poptávky v retailu a pekárnách

• Vstupy: prodeje, promo kalendář, počasí, lokální akce.
• Výstupy: doporučení objednávek a výroby.
• Dopad: méně odpisů u čerstvých kategorií a zároveň méně vyprodaných položek.

4) Prediktivní údržba ve výrobě

• Vstupy: vibrace, teploty, proudy motorů, historie poruch.
• Výstupy: včasné zásahy, plánované odstávky.
• Dopad: méně prostoje, méně znehodnocených šarží, stabilnější dodávky.

Všechny tyto příklady mají společné to, co Eva zdůrazňuje: transformace není jen o nápadu, ale o koordinaci lidí, procesů a kapitálu.

Rychlý checklist: jak začít s AI projektem na farmě nebo ve výrobě

Tady je postup, který se mi osvědčil, když se má projekt posunout z „prezentace“ do reality.

1. Vyberte problém, který bolí každý týden (ne jednou za rok). Typicky odpisy, zmetky, energie, prostoje.
2. Definujte metriky v korunách i v kg (např. kg odpadu/den a ztráta marže).
3. Zmapujte rozhodnutí: kdo dnes rozhoduje a kdy (objednávka, sklizeň, slevy, plán výroby).
4. Zkontrolujte data: kde jsou, jak jsou čistá, jak často se aktualizují.
5. Pilot 6–10 týdnů: raději menší, ale s jasným vyhodnocením.
6. Zaveďte „operational ownership“: model musí mít vlastníka v provozu, ne jen v IT.
7. Počítejte s údržbou modelu: sezonnost, změny sortimentu, nové odrůdy.

Tohle není glamour. Ale je to spolehlivé.

Co si vzít z příběhu Evy Goulbourne pro české agri a food

Eva nezačala jako expertka na zemědělství. Začala jako člověk, který uměl spojovat body: plýtvání, klima, finance a konkrétní provozní realitu. A právě to dnes odlišuje firmy, které s AI uspějí, od těch, které jen „testují nástroje“.

Nejlepší AI strategie v potravinářství je nudně praktická: vybrat páku, změřit baseline, nasadit model do procesu a zafinancovat ho tak, aby přežil sezony i výkyvy trhu.

V rámci série Umělá inteligence v zemědělství a potravinářství mě baví jedna věc: jak rychle se z „technologického tématu“ stává téma řízení podniku. A rok 2026 bude v tomhle ohledu ještě tvrdší – tlak na náklady, energii, emise i kvalitu nikam nezmizí.

Pokud chcete posunout udržitelné potravinové systémy z hezké vize do reálného provozu, začněte otázkou, kterou Eva ráda otevírá u „ošklivých miminek“: kdo to zaplatí, kdo ponese riziko – a jak přesně poznáme, že to funguje?