AI-washing v potravinářství: jak poznat skutečnou AI

V roce 2024 se podíl obchodníků, kteří používají AI, dostal na 41 % – a meziročně to bylo dvojnásobně. Tenhle typ čísel zní jako jasný signál: umělá inteligence se v potravinářství a zemědělství mění z „hezkého slajdu v pitch decku“ na běžný provozní nástroj. Jenže čím rychleji AI proniká do firem, tím častěji se objevuje i druhý trend: AI-washing.

AI-washing je prosté přikrášlování reality. Produkt se tváří „AI‑powered“, ale ve skutečnosti stojí na pravidlech, ručním nastavování nebo minimální automatizaci. Pro potravinářství a agri sektor je to problém – nejen reputační. Pokud si někdo koupí „AI“ a dostane jen marketing, zaplatí to zbytečně časem, penězi a někdy i chybným rozhodnutím v dodavatelském řetězci.

Tento díl série „Umělá inteligence v zemědělství a potravinářství“ bere aktuální dění z food techu jako odrazový můstek a ukazuje, jak odlišit skutečně užitečnou AI (např. analýza kořenů, predikce poptávky, generování produktových konceptů) od bubliny. A hlavně: co si ohlídat, pokud AI zavádíte vy sami.

AI-washing: problém není „AI v názvu“, ale v dopadu

AI-washing škodí ve chvíli, kdy marketing přebije ověřitelný přínos. V potravinářství a zemědělství se pak zbytečně brzdí adopce – lidé si spálí prsty na „AI řešení“, které ve výsledku nic neřeší.

Regulátoři v zahraničí začali téma AI-washingu řešit zejména u investičních tvrzení, ale dopad do food techu je přímý: tlak na růst a na fundraising svádí startupy k přepínání reality na „AI mód“. Podle odhadů investorů mělo už ke konci roku 2024 mít AI v jádru prezentace až zhruba 1/3 startupů. V roce 2025 už je to v některých segmentech skoro povinnost.

Jak AI-washing poznáte za 15 minut (praktický checklist)

Pokud vybíráte dodavatele (nebo chcete mít čisté svědomí u vlastního produktu), ptejte se na věci, které se nedají okecat:

1. Jaký konkrétní model používáte a k čemu přesně? (Např. detekce objektů, predikce poptávky, klasifikace vad)
2. Jaká data model trénují a jak se řeší jejich kvalita? (šumy, chybějící hodnoty, sezónnost)
3. Jak měříte úspěch? Požadujte metriky: přesnost, recall, MAPE, ztráty, SLA, čas ušetřený operátorům.
4. Co se stane, když model „neví“? Opravdu dobré systémy mají fallback (pravidla, lidské schválení, alarm).
5. Jak často se model přeučuje a kdo to platí? AI bez údržby v provozu rychle stárne.

Jedna věta, kterou si hlídám: „AI, která nejde změřit, je často jen dražší workflow.“

Kořeny, které rozhodují o výnosu: proč je RhizoNet důležitější, než zní

AI v zemědělství dává největší smysl tam, kde nahrazuje pomalou ruční práci a zvyšuje propustnost experimentů. Přesně do toho zapadá RhizoNet – neuronová síť pro analýzu kořenů z obrazových dat.

Kořenový systém je „skrytá část“ rostliny, ale rozhoduje o příjmu vody i živin. Kdo dělá šlechtění, výzkum stresu suchem nebo testuje nové postupy hnojení, ví, jak bolestivé je měření biomasy a růstu kořenů. Ruční anotace obrázků je drahá, pomalá a má velkou variabilitu.

Propojení s precizním zemědělstvím

U kořenů nejde jen o laboratorní akademickou hračku. V praxi to míří k tomu, aby se:

• rychleji vybíraly odrůdy odolnější vůči stresu (sucho, chudé půdy),
• ověřovaly přínosy biologických přípravků a „root stimulátorů“ na základě dat,
• zlepšila predikce výnosu díky lepšímu pochopení reakce rostlin na podmínky.

V českém kontextu je to zásadní hlavně kvůli kolísání srážek a tlaku na efektivní hospodaření s dusíkem. AI, která zrychlí výzkum a šlechtění o týdny až měsíce, se může promítnout do reálných agronomických doporučení.

„Self-driving lab“ není sci‑fi, ale logistika

Zaujalo mě, že výzkumníci mluvili o posunu k „self-driving labs“ – samořízeným laboratořím. To je přesně trend, který stojí za pozornost: propojení robotiky (pěstování, manipulace) + AI (vyhodnocení) znamená násobně více experimentů za stejný čas. A v agri vývoji je rychlost náskok.

AI v retailu roste rychle. A s tím i rizika (prodej, ztráty, důvěra)

Retail se stává nejrychlejším „výkladním oknem“ AI v potravinovém řetězci. Když 41 % retailerů už AI používá a trend je prudce rostoucí, je jasné, že se AI přesouvá z centrál do prodejen.

Konkrétní příklady z praxe:

• chytré nákupní vozíky s počítačovým viděním pro detekci zboží a zrychlení checkoutu,
• analýza ztrát a krádeží (detekce anomálií, podezřelé vzory),
• optimalizace zásob a čerstvosti (predikce poptávky, dynamické objednávky),
• personalizace nabídky (doporučování receptů, cross-sell).

CaperCart a „AI v košíku“: kde je reálná hodnota

Smysl AI‑vozíků není v tom, že „to je cool“. Hodnota je v tvrdých metrikách:

• kratší fronty (vyšší průchodnost),
• přesnější evidence zboží (méně rozdílů v inventuře),
• lepší práce s promo akcemi (okamžité reakce),
• snížení ztrát v provozu.

Pokud dodavatel neumí říct, jaký dopad očekává v číslech (třeba na shrinkage nebo čas na pokladně), je to červená vlajka.

Wellness asistenti typu „hydration coach“: užitečnost vs. marketing

Brandové AI asistenty budou fungovat jen tehdy, když přinesou důvěryhodnou službu, ne reklamní monolog. Hydration coach od sportovní značky je dobrý příklad: koncept dává smysl (hydratace ovlivňuje výkon i regeneraci), ale uživatelé velmi rychle poznají, kdy je to jen nástroj na pushování produktu.

V potravinářství a agri světě z toho plyne jedna lekce: pokud stavíte AI poradce (pro výživu, jídelníček, alergeny, udržitelnost), musíte:

• oddělit doporučení od prodeje (jinak se ztratí důvěra),
• vysvětlit, z jakých dat doporučení vychází,
• dát uživateli kontrolu (cíle, omezení, preference),
• přiznat limity (např. kdy má rozhodnout odborník).

Generativní AI ve vývoji potravin: 50 konceptů denně je super… dokud to někdo neověří

Generativní AI zrychluje inovace, ale zároveň zvyšuje riziko „papírových“ produktů, které se v realitě nedají vyrobit. Zpráva o tom, že velká potravinářská firma dokáže generovat až 50 produktových konceptů denně, ukazuje posun: AI se stává interním nástrojem pro R&D, marketing i insight týmy.

Kde generativní AI reálně pomáhá v potravinářství

• návrhy variant receptur a příchutí podle trendů,
• kombinace spotřebitelských insightů s produktovým portfoliem,
• rychlejší tvorba claimů, názvů a obalových konceptů (s lidskou kontrolou),
• simulace cílových person a jejich preferencí.

Co si pohlídat: „vyrobitelnost“ a compliance

Generativní AI neumí sama zajistit, že návrh:

• projde legislativou (tvrzení, alergeny, označování),
• dává smysl technologicky (stabilita, textura, shelf-life),
• sedí na nákupní cenu a dostupnost surovin.

Dobrá praxe je mít u generovaných konceptů povinný „reality check“: technolog, nákup, kvalita, regulatory. Rychlost bez kontroly je jen rychlejší cesta do slepé uličky.

70 tisíc AI receptů: budoucnost plánování jídel, nebo katalog bez chuti?

AI‑generované recepty budou vítězit tam, kde se propojí s dostupností surovin a reálným nákupem. Samotné „máme 70 000 receptů“ je marketingová metrika. Zajímavé je to až ve chvíli, kdy recepty:

• zohlední regionální zvyklosti,
• berou v potaz sklad a akční nabídku,
• umí pracovat s dietními omezeními,
• vytvoří nákupní seznam a přidají položky do košíku.

Pro retail i výrobce to znamená jediné: boj o pozornost se přesouvá do „momentu inspirace“. Kdo je v tomhle okamžiku uživateli užitečný, vyhrává.

Jak poznat, že AI recepty nejsou jen obsahová vata

Zeptejte se (nebo si změřte), zda systém zlepšuje:

• konverzi (kolik doporučení vede k nákupu),
• průměrnou hodnotu košíku,
• míru využití čerstvých surovin (nižší food waste),
• retenci (vrací se uživatel pro další plánování?).

Jak zavést AI v zemědělství a potravinářství bez zbytečných iluzí

Nejrychlejší cesta k hodnotě je začít use-casem, který má jasnou metriku, dostupná data a vlastníka v byznysu. Tady je postup, který se mi opakovaně osvědčil v potravinářských a supply-chain projektech:

1. Vyberte 1 problém s dopadem do P&L (ztráty, odpisy, energie, výnos, produktivita).
2. Zmapujte data: kde jsou, kdo je vlastní, jaká je kvalita, jak často se aktualizují.
3. Definujte metriku úspěchu předem (např. snížení odpisů čerstvého zboží o 10 %).
4. Pilotujte 6–10 týdnů na jedné lokalitě/komoditě.
5. Zaveďte provozní režim: monitoring modelu, odpovědnosti, proces změn.

A k tomu jedna nepohodlná pravda: pokud nemáte disciplínu v datech (správné kódy, jednotky, historie), AI vám ji nenahradí. Jen to odhalí rychleji.

Co z toho plyne pro rok 2026 v agri a potravinách

AI bude dál pronikat do celého řetězce – od výzkumu kořenů přes šlechtění, predikce výnosů, plánování výroby až po chytré prodejny a personalizované recepty. Ale spolu s tím poroste i únava z prázdných slibů.

Firmy, které vyhrají, budou mít jednoduchou výhodu: umí ukázat dopad v číslech a umí ho opakovat v provozu. A to je přesně opak AI-washingu.

Pokud řešíte, kde začít s AI ve vašem zemědělském nebo potravinářském projektu, položte si jednu otázku: Které rozhodnutí dnes děláme „od oka“ – a kolik nás to stojí týdně nebo měsíčně? Tam obvykle leží nejrychlejší lead na smysluplnou automatizaci.