AI vertikální farmy: salát z jednoho bloku, celý rok

4,5 milionu liber listové zeleniny ročně z plochy jednoho městského bloku. To není marketingová básnička – to je konkrétní výkon nové vertikální farmy firmy Plenty v kalifornském Comptonu. Když si to převedeme do „evropských“ čísel, bavíme se zhruba o 2 000 tunách ročně. A hlavní důvod, proč takové číslo vůbec dává smysl, není jen hydroponie nebo LED osvětlení. Je to automatizace a datové řízení výroby, tedy přesně ta část, kde se v praxi potkává umělá inteligence v zemědělství a potravinářství s reálným provozem.

V prosinci 2025 se u potravin už moc nehraje jen na cenu za kilo. Do rozhodování vstupuje stabilita dodávek, energetická náročnost, tlak na omezení pesticidů, kvalita v zimních měsících a stále častěji i uhlíková stopa a plýtvání v logistice. Vertikální farmy slibují „zeleninu hned vedle města“ – ale poslední roky zároveň ukázaly, že bez dobré ekonomiky jednotky produkce to celé spadne.

Tenhle článek bere Plenty jako případovou studii a rozebírá, co přesně v takové továrně na zeleninu dělá AI, kde jsou slepé uličky, co se dá realisticky přenést do evropského (i českého) prostředí a na co se ptát, pokud zvažujete pilot, investici nebo partnerství.

Proč jsou 3D věže a robotika víc než „hezká technologie“

Vertikální farma dává smysl tehdy, když je to výrobní systém, ne skleník s drahými světly. Plenty staví na pěstování ve vertikálních věžích téměř o výšce dvou pater, nikoli na klasických „policích“ v regálech, jak to dělá řada jiných CEA provozů (Controlled Environment Agriculture – řízené prostředí).

Plenty veřejně uvádí, že jejich systém má dosahovat až 350× vyššího výnosu než konvenční farma na stejné ploše. I kdyby byl reálný násobek nižší (a v praxi často záleží na plodině a definici „plochy“), klíčové je, že výnos je vedlejší produkt optimalizace:

• maximalizace využití prostoru (3D geometrií)
• minimalizace práce na jednotku produkce (robotikou)
• minimalizace variability (daty a řízením procesů)

Kde do toho vstupuje AI (a kde „jen“ automatizace)

Hodně firem říká „AI“ i tam, kde jde o pevně naprogramovanou automatiku. V moderní vertikální farmě se ale AI typicky projeví ve třech vrstvách:

1. Vnímání (computer vision a senzory): kamery, hyperspektrální snímání, termální data, senzory EC/pH, průtoky, CO₂, vlhkost, teplota, PPFD (intenzita světla).
2. Predikce a diagnostika (modely): odhad růstu, včasná detekce stresu, predikce výnosu, odchylek, rizik plísní.
3. Řízení (optimalizace): doporučení nebo automatická změna receptu – světlo, klima, živiny, zavlažování, rychlost proudění vzduchu.

Čím víc se farma blíží průmyslové výrobě, tím víc se AI přesouvá od „hezkých dashboardů“ k něčemu, co rozhoduje o marži: stabilita kvality a snížení zmetkovitosti.

Jak AI z CEA dělá „recepturu“ na růst – a proč je to důležité pro ekonomiku

Největší mýtus vertikálního farmaření: že stačí postavit halu, dát dovnitř regály a světla a rostliny „nějak porostou“. Porostou. Ale ekonomika se zlomí až ve chvíli, kdy dokážete opakovaně vyrábět stejnou kvalitu s minimálními odchylkami.

V praxi to znamená, že každá plodina má svůj pěstební recept: kombinaci světelného spektra a fotoperiody, teplotního profilu, VPD (tlakový deficit vodní páry), dávkování živin a řízení proudění vzduchu. AI je užitečná zejména tam, kde:

• vztahy nejsou lineární (např. světlo × teplota × CO₂)
• cíl není jen výnos, ale i textura, křehkost, barva, trvanlivost
• potřebujete reagovat na změny v reálném čase (např. mikroklima v různých částech věže)

Praktický příklad: proč se vyplatí „honit“ uniformitu

U listové zeleniny rozhoduje i maličkost.

• Nerovnoměrná velikost listů komplikuje balení.
• Vyšší vlhkost v jedné zóně zvyšuje riziko mikrobiálních problémů.
• Nevyrovnaná transpirační aktivita zkracuje trvanlivost v regálu.

AI model, který včas odhalí vznikající odchylku (třeba na základě obrazu listů a mikroklimatických dat), může upravit režim ještě dřív, než problém „propíše“ do celé šarže. V kontextu leadů a byznysu je tohle zásadní: nejdražší zelenina je ta, kterou vyhodíte.

4,5 milionu liber ročně z města: logistika, čerstvost a potravinová bezpečnost

Vertikální farmy se rády prodávají jako odpověď na „food miles“ – kilometry potravin. U listové zeleniny to není detail, ale jeden z hlavních nákladů i zdrojů ztrát.

Když pěstujete blízko spotřeby:

• zkrátíte čas od sklizně k prodeji
• snížíte potřebu agresivního chlazení a dlouhých skladovacích cyklů
• omezíte znehodnocení kvality (vadnutí, mechanické poškození)

Plenty uvádí, že jejich produkce míří do maloobchodu v severní i jižní Kalifornii a část se používá i v gastronomii (včetně leteckého cateringu). To je dobrá připomínka: CEA není jen „městská farma pro lokální hipstery“, ale může fungovat jako stabilní dodavatel pro řetězce.

Pesticidy a „pesticide-free“: co to reálně znamená

V uzavřeném prostředí dává „bez pesticidů“ větší smysl než na poli. Neznamená to nulové riziko – stále řešíte hygienu, vstupy, sanitační režimy, biofilm ve vodních okruzích. Ale AI a automatizace tu přináší dvě výhody:

• sledovatelnost (traceability) šarží včetně parametrů prostředí
• rychlejší detekci anomálií (zápach, kondenzace, změna barvy listů)

A to se v potravinářství počítá. Nejen kvůli regulaci, ale i kvůli reputaci.

Proč vertikální farmy v posledních letech narážely – a co se (konečně) mění

Realita posledních let byla tvrdá: řada vertikálních farem měla problém s kapitálovou náročností, cenami energie a podceněnou operativou. V USA to bylo vidět na případech, kdy se ambiciózní expanze předběhla s cashflow.

Plenty v komunikaci zdůrazňuje „pozitivní jednotkovou ekonomiku“ – a je to správný směr. V CEA totiž nestačí, že něco umíte vypěstovat. Potřebujete to umět vypěstovat opakovaně, levněji a s menší variabilitou, než zvládne konkurence.

AI jako nástroj pro „unit economics“

Když se bavím s lidmi z provozu, vychází mi, že největší finanční dopad mají tyto AI/ML use-cases:

1. Predikce výnosu a plánování sklizní (lepší naplnění kontraktů, méně penále, méně přebytků)
2. Optimalizace energie (světlo a klima jsou největší žrouti; cílem je stejné parametry s nižší spotřebou)
3. Zkrácení cyklu / zvýšení obrátkovosti (rychlejší růst při zachování kvality)
4. Snížení práce (robotika a chytré workflow, méně ruční manipulace)

Nejde o „cool“ AI. Jde o AI, která se pozná na faktuře.

Co si z Plenty může odnést český a evropský trh

Česko nemá kalifornské počasí ani ceny nemovitostí, ale má něco jiného: silnou sezónnost, vysoký podíl dovozu zeleniny v zimě a rostoucí tlak na stabilitu kvality. V prosinci se to projevuje nejvíc – salát je, ale často drahý, cestovaný a ne vždy v kondici.

Vertikální farma v ČR nemusí hned mířit na „mega“ objemy. Dává mi větší smysl přemýšlet ve třech realistických směrech:

1) Pilotní CEA pro retail nebo foodservice

Cíl: stabilní dodávky několika SKU (rukola, baby špenát, kadeřávek, saláty) s jasnými parametry.

2) „Receptury“ jako know-how

Vítězí ten, kdo má data a umí je převést na konzistentní kvalitu. Technologie si časem koupí každý, ale pěstební recepty a provozní disciplína jsou konkurenční výhoda.

3) Integrace do potravinářských řetězců

Zajímavá je vazba na zpracování: balírny, ready-to-eat saláty, výrobce sendvičů, centrální kuchyně. Když se zkrátí logistika, klesá odpad a roste trvanlivost.

Rychlý checklist: na co se ptát, když řešíte AI ve vertikální farmě

Pokud jste investor, producent, retailer nebo technologický partner, tyhle otázky rychle odhalí, jestli je projekt „na prezentaci“, nebo připravený na provoz.

1. Jaká data sbíráte a v jaké frekvenci? (minuty vs. hodiny; obrazová data vs. jen klima)
2. Kdo vlastní pěstební receptury a modely? (dodavatel technologie vs. farma)
3. Jak měříte kvalitu? (nejen výnos; i křehkost, trvanlivost, uniformita)
4. Jaká je strategie energie? (tarify, rekuperace, optimalizace světelných cyklů)
5. Co se stane při výpadku AI? (fallback režimy, manuální řízení, bezpečnost)
6. Jaké máte metriky jednotkové ekonomiky? (náklady na kg, zmetkovitost, OEE)

„Vertikální farma není farma. Je to potravinářský provoz, kde se pěstuje.“

Tohle nastavení mysli bývá rozdíl mezi pilotem, který hezky vypadá, a provozem, který se dá škálovat.

Kam se to posune v roce 2026: AI bude řídit i chuť a trvanlivost

Nejbližší vývoj už nebude jen o „víc kilo na metr“. Bude o tom, že AI pomůže cílit vlastnosti, které zákazník reálně pozná:

• chuť (poměr hořkých a sladkých tónů u rukoly)
• textura a křupavost
• trvanlivost bez chemických zásahů
• stabilní vzhled v regálu (méně reklamací)

A jakmile se to propojí s poptávkou z trhu (prodejní data, sezónní špičky, promo akce), vzniká uzavřená smyčka: poptávka → plán → pěstební režim → sklizeň → kvalita → zpětná vazba. To je přesně ten typ datového řízení, kterému se v sérii Umělá inteligence v zemědělství a potravinářství věnujeme.

Další krok je jasný: pokud chcete zjistit, kde má AI ve vašem provozu nejrychlejší návratnost, začněte mapováním dat, metrik a rozhodovacích bodů. A pak se ptejte jednoduše: které rozhodnutí dnes děláme „od oka“ a můžeme ho dělat na základě dat?