AI ve vertikálních farmách: proč je $1 mld. signál trhu

Když se vertikální farma financuje podobně jako retail park nebo logistický sklad, není to jen „další investiční zpráva“. Je to signál, že technologické zemědělství dospívá do fáze, kdy se řeší ne jen nápady, ale hlavně škálování a provozní disciplína.

Společnost Plenty uzavřela strategické partnerství s realitním investičním fondem (REIT) Realty Income, které otevírá až 1 miliardu dolarů na výstavbu a rozvoj hal pro indoor vertikální farmy. Realty Income bude nemovitosti pořizovat a financovat, Plenty je bude dlouhodobě pronajímat v režimu „net lease“ (nájemce nese většinu provozních nákladů). A to je přesně ten typ struktury, který mění pravidla hry i pro AI v zemědělství: najednou je tlak na data, predikce a optimalizaci mnohem tvrdší, protože běží dlouhodobý závazek nájmu a kapitál je „připoutaný“ k budově.

V rámci naší série „Umělá inteligence v zemědělství a potravinářství“ je tahle zpráva důležitá z jednoho důvodu: AI u vertikálních farem není hezký doplněk – je to nástroj, bez kterého se ekonomika provozu dlouhodobě nesrovná.

Co přesně znamená dohoda Plenty × Realty Income

Dohoda stojí na jednoduchém principu: Plenty se soustředí na pěstování a technologii, Realty Income na nemovitost a kapitál.

Reality Income bude:

• kupovat pozemky a nemovitosti určené pro indoor farmy,
• financovat development,
• následně objekty pronajímat Plenty v dlouhodobých smlouvách.

První konkrétní krok je financování první farmy v kampusu poblíž Richmondu (Virginie). Plenty uvádí, že budoucí vícestřediskový kampus má dosáhnout více než 20 milionů liber produkce ročně napříč více plodinami. První farma má pěstovat jahody ve spolupráci s partnerem Driscoll’s a cílit na severovýchod USA.

Z pohledu trhu je podstatné hlavně tohle: vertikální farma se přestává financovat jako čistý „venture“ projekt a začíná se financovat jako provozní aktivum. A to s sebou nese dvě věci:

1. větší tlak na prokazatelnou jednotkovou ekonomiku (kolik stojí kilogram produkce),
2. vyšší význam automatizace, predikcí a řízení rizik – tedy doména AI.

Proč se v roce 2025 prosazují sale-leaseback a REIT modely

O vertikálních farmách se roky mluvilo jako o budoucnosti městského zásobování. Realita byla tvrdší: energie zdražila, kapitál zchladl a investoři začali chtít méně slibů a více čísel. V USA i jinde se proto rozšířily struktury typu sale & leaseback nebo REIT financování, které jsou v nemovitostech běžné.

U indoor zemědělství to dává logiku:

• farmy jsou kapitálově náročné (stavba, technologie, HVAC, osvětlení, automatizace),
• návratnost je citlivá na provozní detaily (energie, práce, zmetkovitost, logistika),
• nemovitost sama o sobě může být pro investora atraktivní, pokud má dlouhodobého nájemce.

Jenže má to háček. U startupů je takový kapitál často „větší, ale tvrdší“:

• Nájem se musí platit i v měsících, kdy je výnos slabší.
• Provozní chyby se rychle promítají do cashflow.
• Jakmile něco nefunguje, prostor pro improvizaci je menší.

A přesně tady je moje jasná teze: kdo v indoor farmingu neřídí provoz datově, ten dřív nebo později narazí na strop.

Kde přesně AI zvyšuje šanci, že vertikální farma vyjde

AI v vertikálním zemědělství není „robot, co si povídá s agronomem“. Je to sada metod, které zlepšují stabilitu výnosu, snižují plýtvání a zlevňují rozhodování. V prostředí, kde každá hodina světla a každý stupeň teploty stojí peníze, je optimalizace přímo ekonomická nutnost.

Predikce výnosu a kvality: méně překvapení, lepší smlouvy

Nejdražší je nejistota. Pokud farma dodává retailu nebo potravinářskému zpracovateli, potřebuje:

• odhadnout objem sklizně na dny/týdny dopředu,
• hlídat kalibr kvality (velikost, cukernatost, vzhled),
• plánovat sklizeň a logistiku.

AI modely se typicky učí z kombinace:

• senzorických dat (teplota, vlhkost, CO₂, EC/pH živného roztoku),
• obrazových dat (kamery, hyperspektrální snímky),
• provozních dat (režimy osvětlení, zálivka, receptury).

Praktický dopad: lepší predikce = méně penalizací z nedodávek a menší odpis zboží.

Optimalizace zdrojů: energie, voda, živiny

Ve vertikální farmě je zdrojová efektivita měřitelná skoro laboratorně. AI tady funguje jako „autopilot“:

• hledá režimy osvětlení, které udrží kvalitu a současně sníží spotřebu,
• optimalizuje ventilaci a odvlhčování podle skutečné transpirace rostlin,
• hlídá živiny tak, aby nekolísaly a nezvyšovaly stres.

U jahod (které Plenty zmiňuje jako první plodinu v novém kampusu) je to ještě citlivější: chuť a konzistence jsou často důležitější než maximální tuny na metr čtvereční.

Včasná detekce problémů: choroby, stres, odchylky

Indoor prostředí snižuje některá rizika (počasí, krupobití), ale přidává jiná: pokud se v uzavřeném systému rozjede plíseň nebo škůdce, může to být rychlé a drahé.

AI v kombinaci s počítačovým viděním:

• detekuje změny barvy listů a plodů dřív, než si jich všimne člověk,
• hlídá mikroklima po zónách (ne průměr celé haly),
• umí prioritizovat zásahy, aby se šetřila práce.

„Digitální dvojče“ farmy: testování bez rizika

Tuhle část považuju za nejvíc podceňovanou. Jakmile máte dost dat, můžete postavit digitální dvojče (simulaci) a zkoušet:

• změny receptury světla,
• změny hustoty výsadby,
• úpravy sklizňových cyklů,
• dopad cen energie na marži.

Nejde o dokonalou věštbu. Jde o to, že se přestanete rozhodovat „pocitově“.

Co tenhle deal říká českému trhu (a proč to není jen americká kuriozita)

České zemědělství i potravinářství dnes řeší stejný tlak jako jinde v EU: náklady, dostupnost lidí, nejisté počasí, tlak retailu na kvalitu i cenu. Vertikální farmy nejsou univerzální odpověď, ale ukazují směr: produkce se bude čím dál víc řídit jako průmyslový proces.

A to má tři velmi praktické dopady i pro ČR:

1. Data a automatizace budou součástí financování. Investoři a banky chtějí vidět, že umíte řídit riziko. AI a měření nejsou „nice to have“, ale argument pro kapitál.

2. Energetika rozhoduje. V prosinci 2025 je pořád běžné, že firmy počítají scénáře cen elektřiny a tepla. AI, která optimalizuje spotřebu po hodinách (podle tarifu, zatížení, teploty), může být rozdíl mezi „funguje“ a „nefunguje“.

3. Potravinářství bude chtít stabilitu dodávek. Pro zpracovatele i retail je konzistence často cennější než občasná špička. AI predikce sklizně je služba sama o sobě.

Jak poznat, že AI projekt ve vertikální farmě dává smysl

Pokud uvažujete o AI v indoor farmingu (nebo obecně v precizním zemědělství), držel bych se těchto pravidel. Fungují překvapivě univerzálně.

1) Začněte jedním KPI, který bolí

Ne „zavedeme AI“. Konkrétně:

• snížit zmetkovitost o X %,
• zvýšit podíl prémiové kvality o X p. b.,
• snížit spotřebu energie na kg o X %,
• zkrátit čas od detekce problému k zásahu o X hodin.

2) Nejdřív data pipeline, potom model

Ve vertikální farmě často narazíte na to, že data jsou:

• v různých systémech,
• v různých intervalech,
• bez jasné kalibrace.

Bez dobrého sběru a čištění dat bude i chytrý model jen generátor chaosu.

3) „Human-in-the-loop“ je realita, ne slabost

Nejlepší provozy kombinují automatiku a agronoma:

• AI navrhne zásah,
• člověk ho schválí nebo upraví,
• systém se z toho učí.

Tohle je nejrychlejší cesta k důvěře v predikce.

4) Počítejte návratnost v provozu, ne v prezentaci

U indoor farmingu se ROI často láme na detailech:

• údržba technologií,
• dostupnost náhradních dílů,
• školení směn,
• robustnost při výpadku.

AI musí být navržená tak, aby přežila pondělní ráno, ne jen demo na poradě.

Co čekat dál: vertikální farmy jako „datové továrny“ na potraviny

Tenhle typ financování naznačuje, že se vertikální farmy budou dál profesionalizovat. Přijde víc standardizace, víc kontrolingu a tvrdší smlouvy s odběrateli. A spolu s tím poroste význam AI ve třech směrech:

• Standardní reporting výkonu plodin (výnos, kvalita, spotřeba zdrojů) jako součást řízení.
• Prediktivní údržba (světla, čerpadla, ventilace) – odstávka v indoor farmě bolí okamžitě.
• Optimalizace portfolia plodin podle marže a rizika, ne podle intuice.

Pokud se pohybujete v agru, potravinářství nebo investicích do výroby, berte to jako nápovědu: největší hodnota nevzniká jen ve stavbě haly, ale v tom, jak přesně umíte řídit variabilitu biologického procesu. A tam AI sedí přirozeně.

Chcete posoudit, jestli se vám AI vyplatí pro skleníky, indoor pěstování nebo potravinářskou výrobu? Dejte dohromady 2–3 provozní problémy, která vás stojí nejvíc peněz, a začněte od nich. Technologie je až druhý krok.

Otázka, která teď visí ve vzduchu: budou v příštích letech úspěšnější ti, kdo postaví nejvíc metrů čtverečních pěstební plochy – nebo ti, kdo budou mít nejlepší data a nejpřesnější řízení? Já bych si vsadil na druhou možnost.