AI-washing v agro a potravinářství: jak poznat realitu

41 % potravinářských retailerů už používá AI – a to je dvojnásobek oproti minulému roku. Tohle číslo by mělo zajímat každého, kdo podniká v zemědělství, potravinářství nebo dodavatelském řetězci. Ne proto, že „AI je všude“, ale protože se rychle mění očekávání: zákazníci, obchodní partneři i investoři chtějí vidět měřitelný dopad, ne jen slovo „AI“ na slidech.

A právě tady vzniká problém, který se v posledních měsících skloňuje čím dál častěji: AI-washing – přikrášlování toho, co systém opravdu dělá. V zemědělství a potravinářství je to extra citlivé. Když se nadsadí schopnosti algoritmu v reklamě na nápoj, je to trapas. Když se nadsadí schopnosti AI v řízení kvality, predikci výnosů nebo bezpečnosti potravin, může to být drahý průšvih.

V tomhle dílu série Umělá inteligence v zemědělství a potravinářství beru konkrétní signály z trhu (od analýzy kořenů přes chytré nákupní vozíky až po generování produktových konceptů) a převádím je do praktické otázky: jak poznat, že AI v agru a potravinářství přináší hodnotu – a kdy jde jen o marketing?

AI-washing: proč je v potravinách a agru nebezpečnější než jinde

AI-washing je v praxi jednoduchý vzorec: firma tvrdí, že její produkt je „AI-driven“, ale ve skutečnosti je to jen klasická automatizace, pravidla typu if-then, nebo model bez reálného učení na datech z provozu. V B2B světě potravin a zemědělství to často vypadá jako „predikce“ bez validace, „počítačové vidění“ bez robustnosti nebo „personalizace“ bez pochopení kontextu.

Kde se AI-washing nejčastěji schovává

Nejčastěji se to děje ve třech místech:

1. Pitch decky a tendry – když je těžší získat investici nebo zakázku, přichází pokušení zveličovat.
2. Piloty bez přenositelnosti – ukázka funguje „v laboratoři“, ale v reálném provozu (špína, prach, změny osvětlení, sezónnost dat) se to rozpadne.
3. Nejasné metriky – místo „snížili jsme zmetkovitost o 12 %“ uslyšíte „zvyšujeme efektivitu“.

Proč to bolí víc právě v agro a potravinách

V tomhle odvětví nejde jen o UX nebo marketingové preference. Jde o:

• bezpečnost potravin (HACCP, dohledatelnost, kontrola kontaminace),
• stabilitu dodávek (poptávkové šoky, výpadky sklizní, ceny energií),
• udržitelnost (hnojiva, voda, uhlíková stopa),
• vysoké náklady na chyby (znehodnocená šarže, reklamace, sankce, reputace).

Jedna přehnaná prezentace AI může ušetřit týmu měsíc obchodního cyklu. Ale může taky přidat rok problémů, když se nasadí řešení, které se nedá řídit a auditovat.

Test „skutečné AI“: 9 kontrolních otázek pro farmáře, výrobce i startupy

Když se bavím s lidmi z provozu, funguje mi jednoduchý princip: když nejde vysvětlit data → model → rozhodnutí → dopad, nejde to koupit. Tady je sada otázek, které rychle odhalí, jestli je AI reálná a připravená na praxi.

1) Jaký je konkrétní výstup modelu?

Je to skóre rizika? Segmentace obrazu? Predikce výnosu v t/ha? Doporučení dávky dusíku? Pokud firma popisuje výstup jako „insights“, zbystřete.

2) Na jakých datech to běží – a kdo je vlastní?

• senzory na poli, satelitní snímky, drony,
• výrobní data (OEE, zmetkovitost, teplotní profily),
• laboratorní výsledky,
• prodejní a skladová data.

U potravin je běžné, že data jsou roztříštěná. Seriózní dodavatel to umí popsat a má plán integrace.

3) Jak se řeší sezónnost a drift?

V agru se mění odrůdy, počasí, půda i technologie. Model z loňska může letos systematicky chybovat. Kdo hlídá drift a jak často se model přeučuje?

4) Jak se měří úspěch?

Chci slyšet metriky typu:

• snížení zmetkovitosti v %,
• úspora vody v m³/ha,
• snížení krádeží / ztrát v retailu,
• zkrácení času kontroly kvality,
• zlepšení přesnosti predikce (MAE/MAPE).

5) Co se stane, když model „neví“?

Dobrý systém má režim „nevím“ a předá případ člověku. Špatný systém vždycky vyplivne odpověď.

6) Je to auditovatelné?

V potravinářství potřebujete dohledatelnost. Pokud nejde zpětně vysvětlit, proč model doporučil konkrétní akci, bude to při incidentu slabé místo.

7) Jak vypadá nasazení v provozu?

Počítejte s tím, že 70 % práce je integrace, změna procesů, školení, datová disciplína.

8) Jaké jsou provozní náklady?

AI není jen licence. Jsou tu náklady na:

• datové toky,
• údržbu kamer/senzorů,
• validaci,
• změnové řízení.

9) Kdo nese odpovědnost?

Když AI doporučí špatnou dávku postřiku nebo špatně vyhodnotí šarži, kdo to řeší? Smluvně i procesně.

Jednověté pravidlo: AI bez metrik a odpovědnosti je jen marketing.

Kde je AI opravdu vidět: od kořenů (RhizoNet) k „self-driving“ laboratořím

Nejlepší protiváha AI-washingu jsou příklady, kde je přínos hmatatelný. Výzkumný nástroj typu RhizoNet (neuronová síť pro analýzu kořenů) ukazuje přesně to, co zemědělství potřebuje: automatizovat měření, které dřív brzdila ruční práce.

Proč jsou kořeny zásadní (a proč se dlouho ignorovaly)

Nadzemní část plodiny vyfotíte snadno. Kořeny jsou problém: jsou skryté, data se získávají obtížně a hodnocení bývá subjektivní. Přitom kořenový systém rozhoduje o:

• toleranci k suchu,
• příjmu živin,
• stabilitě rostlin,
• reakci na stres.

Když AI zrychlí a zpřesní analýzu kořenové biomasy, není to „hezká demo funkce“. Je to cesta k:

• rychlejšímu šlechtění odrůd,
• testování hnojiv a biostimulantů,
• přesnějším agronomickým doporučením.

Co si z toho odnést pro praxi

Pokud jste výrobce vstupů, šlechtitel nebo větší farma, dívejte se po projektech, které splňují tři podmínky:

• jasný datový vstup (snímky, senzory, laboratorní testy),
• automatizace úzkého hrdla (čas lidí),
• vazba na rozhodnutí (odrůda, dávka, termín, zásah).

Takhle vypadá AI, která má šanci přežít i po odeznění hype.

AI v retailu: když data z obchodu začnou řídit výrobu a logistiku

To, že podíl retailerů používajících AI vyskočil na 41 %, není jen retailová historka. Pro potravinářství to znamená, že se urychlí tlak na:

• přesnější predikci poptávky,
• lepší dostupnost zboží,
• menší plýtvání,
• kontrolu ztrát a podvodů.

Chytré vozíky a počítačové vidění nejsou „hračky“

AI-nákupní vozíky a kamerové systémy se často prezentují jako komfort pro zákazníka. Skutečný přínos je ale v datech:

• co se bere do ruky a vrací,
• kde vznikají ztráty,
• jak se mění chování při promo akcích,
• jaký je reálný tok zboží v regále.

A tohle se postupně propisuje zpět do výroby: kratší plánovací cykly, více „make-to-demand“ a tlak na flexibilitu balení.

Praktický dopad pro výrobce a dodavatele

Chcete-li z AI v retailu těžit (a ne jen reagovat), udělejte tři věci:

1. Standardizujte produktová data (EAN, alergeny, nutriční hodnoty, fotky, logistické jednotky).
2. Zaveďte lepší forecast–feedback smyčku (porovnání plánu vs. realita týdně, ne kvartálně).
3. Měřte plýtvání po kategoriích a hledejte příčiny (balení, expirace, promo).

AI vám tu nepomůže, pokud nemáte pořádek v datech. Pomůže vám ale velmi rychle, když ho máte.

Generativní AI v potravinářství: 50 konceptů denně a 70 000 receptů… a co z toho plyne

Generativní AI se v potravinách chytá na dvou frontách: vývoj produktů a inspirace k vaření/nákupu. Příklad velké značky, která generuje desítky konceptů denně, ukazuje trend: firmy zrychlují „ideation“ fázi a testují více variant.

Kde generativní AI reálně šetří čas

• rychlé varianty příchutí a produktových linek,
• návrhy textů a claims (s následnou právní kontrolou),
• mapování spotřebních příležitostí (kdy, proč, s čím),
• interní rešerše zákaznických insightů.

U receptů (desítky tisíc variant) dává smysl hlavně propojení na:

• regionální preference,
• skladovou dostupnost,
• dietní omezení,
• cenu košíku.

Kde to naopak často sklouzne k AI-washingu

Generativní AI je náchylná na „hezké výstupy“, které ale nejsou pravdivé nebo proveditelné. U receptů typicky:

• nesedí gramáže,
• chybí technologický postup,
• ignorují se alergeny a kontaminace,
• neodpovídá to reálnému sortimentu.

Seriózní implementace proto stojí na kombinaci:

• generativního modelu,
• pravidel a omezení (alergeny, technologie),
• napojení na ERP/WMS a sklad,
• lidské validace u citlivých kategorií.

Dobrá generativní AI v potravinách není „víc textu“. Je to lepší rozhodnutí o tom, co vyrobit, naskladnit a prodat.

Co si odnést (a jak z toho udělat lead): praktický plán na 30 dní

Pokud jste farma, potravinářský výrobce, technologický dodavatel nebo startup, doporučuju přestat řešit „máme AI?“ a začít řešit „máme dopad?“. Tady je realistický 30denní plán, který funguje i v prosinci, kdy se často plánuje další rok a uzavírají rozpočty.

1. Vyberte jeden proces s jasným painem (plýtvání, zmetkovitost, kontrola kvality, plánování, voda/hnojiva).
2. Sepište 3 metriky úspěchu (např. -10 % zmetků, -5 % nákladů na suroviny, +3 % dostupnosti).
3. Zmapujte data (kde jsou, v jaké kvalitě, kdo je vlastní).
4. Nastavte pilot na 6–8 týdnů s měřením před/po.
5. Definujte odpovědnosti: kdo rozhoduje, kdo schvaluje, kdo řeší výjimky.

Chcete-li to zrychlit, pomáhá krátký „AI due diligence“ workshop: projdeme datové zdroje, rizika AI-washingu a navrhneme pilot, který má šanci přežít audit i realitu provozu.

AI v zemědělství a potravinářství už není exotika. Je to infrastruktura. Otázka na rok 2026 zní: budete ji řídit vy – nebo vás budou řídit nablýskané slidy bez metrik?