AI v agropotravinářství: rajčata na míru a roboti s rozumem

Rajče je „obyčejná“ plodina jen na papíře. Ve skutečnosti patří mezi náročnější kultury na vodu a v suchých letech se z něj stává lakmusový papírek toho, jak dobře (nebo špatně) máme nastavené hospodaření se zdroji. A když k tomu přičtete tlak na cenu, kvalitu a dostupnost potravin, dostanete jednoduchou rovnici: bez technologií, dat a chytré automatizace se potravinový řetězec bude dál zadrhávat.

Zaujalo mě, jak se v posledních měsících v jednom balíčku potkávají tři zdánlivě vzdálené směry: genová editace (CRISPR) u rajčat, AI platformy mapující zemědělskou půdu a robotizace gastronomických provozů, která se po prvotním nadšení vrací na zem a začíná dávat smysl tam, kde opravdu pomáhá. Dohromady to dobře ilustruje, kam se posouvá téma naší série Umělá inteligence v zemědělství a potravinářství: od „wow“ demonstrací k tvrdé praxi.

Genově editovaná rajčata: méně vody, více jistoty

Směr je jasný: odolnost vůči stresu (hlavně suchu a teplu) bude pro zeleninu v EU klíčová. U rajčat to platí dvojnásob – nejen kvůli spotřebě vody, ale i kvůli tomu, jak moc výnos a kvalitu ovlivní pár špatných týdnů v kritické fázi.

CRISPR a další metody genové editace se tady neprodávají jako „biohack“, ale jako nástroj pro šlechtění s konkrétním cílem: upravit vlastnosti tak, aby rostlina zvládla víc s méně. V praxi to může znamenat například:

• efektivnější hospodaření s vodou (lepší regulace průduchů, práce s kořenovým systémem),
• vyšší tolerance k teplotním výkyvům,
• stabilnější kvalita plodu při stresu,
• potenciálně i nižší ztráty po sklizni (delší trvanlivost), což je v potravinářství obrovské téma.

Kde do toho vstupuje umělá inteligence

AI nedělá CRISPR za vědce. Dělá ale rychlejší a levnější cestu od nápadu k ověřenému výsledku. Typický „AI přínos“ v šlechtění a agronomii vypadá takto:

1. Modelování vlastností: z dat o genotypech, fenotypech a prostředí (tzv. G×E) AI odhaduje, které zásahy a křížení dávají největší šanci na úspěch.
2. Digitální fenotypizace: kamery, drony a senzory sbírají data o růstu, stresu a vitalitě; algoritmy vyhodnocují rozdíly, které by člověk v poli snadno přehlédl.
3. Predikce výnosu a kvality: AI překlápí průběžná data do odhadů, které zajímají pěstitele i odběratele (výnos, velikost, cukernatost, vady).

Jedna „nepopulární“ pravda: bez kvalitních dat z konkrétních lokalit zůstává i nejlepší genetika jen slibem. Proto dává smysl vnímat genovou editaci jako součást širšího systému precizního zemědělství – ne jako izolovaný trik.

Praktický scénář pro české pěstitele

Když se bavím s lidmi z praxe, nejčastěji chtějí dvě věci: stabilitu a předvídatelnost. Tohle je realistický postup, který dnes může fungovat i u nás:

• Pilotní bloky (malé plochy) s novými odrůdami a různé režimy závlahy.
• Senzory půdní vlhkosti + počasí na úrovni honů / skleníků.
• AI doporučení závlahy (kdy a kolik), navázané na vývoj plodů.
• Vyhodnocení sezóny: porovnání výnosu, kvality, spotřeby vody a práce.

Takhle se z „technologie“ stává investice, kterou lze obhájit před finančním ředitelem i před vlastními nervy.

AI mapování zemědělské půdy: proč je „digitální dvojče“ polí důležitější, než zní

Kdo chce řídit zemědělství datově, musí nejdřív vědět, co vlastně řídí. Mapování světové zemědělské půdy pomocí satelitních dat, modelů a AI je typický příklad trendu, který působí vzdáleně, ale má velmi konkrétní dopad.

V praxi jde o to, aby šlo:

• přesně identifikovat plodiny a jejich fáze růstu,
• odhadovat výnosy v čase,
• sledovat stres z nedostatku vody,
• vyhodnocovat dopady počasí, chorob a škůdců,
• lépe plánovat logistiku a zpracování.

Co to mění v potravinářství (a proč to zajímá nákup)

Potravinářství dnes netrpí jen nedostatkem surovin, ale nedostatkem jistoty. Když máte lepší predikce, umíte:

• dřív vyjednat kontrakty,
• lépe plánovat výrobu (směny, kapacity, energie),
• snížit „bezpečnostní“ zásoby,
• reagovat na výpadky dodávek dřív, než se projeví v regálu.

Z pohledu LEADS (a to je fér říct nahlas): firmy, které mají data o surovinách včas, se přestávají rozhodovat pocitově. A to je přesně moment, kdy hledají partnery na datovou integraci, prediktivní modely a automatizaci rozhodování.

Roboti v restauracích: méně efektů, více užitku

Automatizace v gastronomii si prošla typickou křivkou očekávání. Nejprve „robotické restaurace“ a videa, která vypadají dobře na sociálních sítích. Pak tvrdá realita: údržba, hygienické normy, rozmanitost menu, špičky, reklamace, lidský faktor.

Dnes se to láme do praktičtějšího přístupu: robot dělá úzký, opakovatelný úkon, člověk řídí zážitek a výjimky. Tenhle posun je pro potravinářství a agri dodavatelský řetězec důležitý, protože ukazuje, jak má vypadat rozumná automatizace:

• automatizovat tam, kde je vysoká variabilita nízká,
• nechat lidskou práci tam, kde rozhoduje kontext, komunikace a improvizace,
• měřit dopad: čas, zmetkovitost, bezpečnost, náklady.

Kde do toho patří AI

AI je mozek, robot je ruka. Bez dobrého „mozku“ je robot jen drahá mechanika.

Konkrétní AI přínosy v gastro provozu:

• predikce poptávky (kolik připravit, kdy a z čeho),
• optimalizace zásob (méně vyhozeného jídla),
• řízení kvality (vizuální kontrola porcí, konzistence),
• plánování směn podle dat, ne podle zvyku.

A jedna věc, která se podceňuje: AI často přinese víc úspor v kuchyni bez robotů než robot bez AI. Když zlepšíte plánování a zásobování, snížíte odpad a stres, což je v prosinci (sezonní špičky, firemní akce, svátky) znát dvojnásob.

Potravinový odpad a recyklace: data jsou rychlejší než dobré úmysly

Sváteční období v Česku pravidelně zvyšuje objem potravinového odpadu v domácnostech i provozech. A i když se o tom mluví roky, největší posun obvykle přichází až ve chvíli, kdy:

• máte měření (co přesně se vyhazuje),
• máte motivaci (náklady, legislativa, ESG),
• máte proces (třídění, svoz, recyklace, kompost, bioplyn).

Pilotní projekty recyklace potravin ukazují, že nestačí mít „stroj“. Potřebujete systém. A systém je typická AI disciplína: klasifikace odpadu, predikce objemů, optimalizace svozu a vyhodnocování dopadů.

Praktická rada pro firmy: pokud chcete začít, nezačínejte technologií. Začněte auditním týdnem:

1. 7 dní vážit a kategorizovat odpad (suroviny, neprodané, talířový odpad).
2. Označit tři největší příčiny.
3. Nasadit jednoduché změny (porce, nákup, sklad, menu).
4. Teprve pak vybírat nástroj (software/AI, recyklace, automatizace).

Nejčastější otázky z praxe (a přímé odpovědi)

„Je genová editace to samé co GMO?“

Ne. Genová editace často upravuje vlastní geny organismu bez vnášení cizí DNA, zatímco GMO typicky znamená vložení genetického materiálu z jiného organismu. Regulace a vnímání veřejnosti se ale liší podle zemí a je potřeba s tím počítat.

„Kde AI v zemědělství přináší nejrychlejší návratnost?“

Nejrychleji se obvykle vrací závlahové řízení, predikce výnosu, detekce stresu porostu a optimalizace vstupů (hnojiva, ochrana). Důvod je jednoduchý: šetříte materiál, práci a snižujete ztráty.

„Dává smysl robotizace v menších provozech?“

Ano, pokud jde o úzký proces (např. výdej, jednoduchá příprava, balení, mytí), kde je nedostatek lidí nebo vysoké náklady na chyby. Všechno ostatní je spíš marketing.

Co si z toho odnést do roku 2026

Rajčata odolnější vůči suchu, AI mapování polí a střízlivější robotizace gastronomie jsou stejný příběh: potraviny se začínají řídit jako systém. Ne izolovaně po oborech, ale napříč řetězcem.

V rámci série Umělá inteligence v zemědělství a potravinářství mi z toho vychází jedno doporučení, které se vyplatí zopakovat: zaměřte se na rozhodnutí, která děláte často a draze – a dejte jim data. Ať už jde o závlahu u rajčat, plánování kapacit ve výrobě, nebo snížení odpadu v gastronomii.

Pokud teď řešíte, kde začít, zkuste si položit jednu nepříjemně praktickou otázku: Které tři procesy vám každý měsíc berou nejvíc peněz – a které z nich by šly řídit predikcí místo intuice?