ChatGPT v kuchyni i na poli: méně odpadu, víc zisku

Většina firem si generativní AI pořád spojuje hlavně s „hezkými texty“ a občas i s dost špatnou poezií. Jenže v potravinářství a zemědělství se teď děje něco praktičtějšího: AI se začíná používat jako operační mozek pro rozhodování o zásobách, čerstvosti, odpadu a plánování výroby.

A je jedno, jestli mluvíme o manažerovi restaurace, který potřebuje vědět, jestli mu dneska dojde kuře, nebo o farmáři, který řeší, kdy sklízet a jak omezit ztráty v logistice. Princip je stejný: data už máme, ale neumíme je rychle proměnit v jasné kroky.

Tahle část seriálu Umělá inteligence v zemědělství a potravinářství propojuje dvě zdánlivě vzdálené věci: integraci ChatGPT do provozu gastronomických podniků a nástup chytrých kuchyňských zařízení. Společný jmenovatel? AI v potravinovém řetězci od pole až po talíř.

Generativní AI v provozu: odpovědi místo reportů

Generativní AI dává smysl tam, kde lidé tráví čas hledáním odpovědí v systémech, tabulkách a reportechech. Ne proto, že by „psala“, ale protože umí převést otázku do dotazu nad daty a výsledek vrátit srozumitelně.

V praxi se ukazuje největší přínos v provozních rolích, kde je vysoký tlak na rychlost a přesnost:

• vedoucí kuchyně a provozu (zásoby, prodeje, plánování směn)
• nákupčí (objednávky, predikce spotřeby)
• kvalita a bezpečnost (sledování teplot, expirací, šarží)
• logistika (čerstvost, okna doručení, prioritizace)

Co se změní, když se „zeptáte systému“ normální češtinou

Integrace typu „ChatGPT uvnitř provozního softwaru“ míří na jednoduchou věc: snížit bariéru mezi člověkem a daty.

Místo:

• „Otevři dashboard → filtruj podle týdnů → exportuj → přepočítej“

získáte:

• „Jaké jsou top položky tento týden a proč?“
• „Mám 9 kg kuřecího. Jaká je pravděpodobnost, že do 20:00 dojde?“

A tohle je přesně ten typ posunu, který se dobře přenáší i do zemědělství: agronom se nechce proklikávat satelitními vrstvami a čidly, chce doporučení pro konkrétní blok pole.

Tři pravidla, aby to nebyla jen hračka

Za mě platí, že generativní AI v potravinářství funguje, jen když jsou splněné tři podmínky:

1. AI má přístup ke správným datům (prodeje, sklad, receptury, teploty, dodávky).
2. Výstup je ověřitelný – uživatel vidí, odkud se čísla vzala.
3. Model je „zarámovaný“ procesem – AI doporučí, ale pravidla provozu (např. minimální zásoba, HACCP) rozhodnutí brzdí a kontrolují.

Bez toho hrozí klasické riziko: hezky znějící odpověď, která je provozně špatně.

Chytrá kuchyně jako laboratoř pro AI v potravinovém řetězci

Chytrá kuchyně je spotřebitelská verze téhož trendu, který dnes vidíme v precizním zemědělství: senzory + konektivita + algoritmy.

Zajímavý příklad z chytré domácnosti je zařízení, které zpracovává kuchyňský odpad a mění ho na „granulát“ použitelný jako složka krmiva (např. pro drůbež). Důležitá není jen mechanika (sušení, redukce zápachu), ale hlavně koncept:

• měří se vstupy (kolik, jak často, jaký typ odpadu)
• optimalizuje se proces (energie, doba cyklu)
• vytváří se standardizovaný výstup (materiál pro další využití)

Jestli tohle čtete jako zemědělec nebo potravinář, možná vás napadne: „Tohle je v malém to, co řešíme ve velkém v celé výrobě.“ Přesně.

Proč je odpad nejlepší startovní bod pro AI

Potravinový odpad je měřitelný, drahý a často zbytečný. A hlavně: u odpadu se dá rychle ukázat návratnost.

V podniku typicky vzniká odpad třemi cestami:

• špatná predikce poptávky (uvaří se moc)
• špatná skladová disciplína (neotočí se zásoby, propadnou expirace)
• nedostatečná kontrola čerstvosti (po cestě se přeruší chladový řetězec)

Generativní AI pomáhá hlavně v prvních dvou bodech (doporučení a plánování), senzory a „chytré obaly“ v tom třetím.

Senzory čerstvosti a „chytré obaly“: data, která dávají smysl

Největší problém s expirací je, že datum na etiketě není totéž co reálná čerstvost. Reálný stav ovlivňuje teplota, čas a zacházení během přepravy i skladování.

Proto roste zájem o senzory, které umí:

• sledovat teplotu a čas
• z toho spočítat aktuální a očekávanou čerstvost
• dát jednoduchý signál (např. změna barvy, vizuální indikátor)

V maloobchodu tohle otevírá velmi praktické scénáře:

• dynamické slevy podle skutečné čerstvosti (ne „večer -30 % pro všechny“)
• lepší řízení FIFO/FEFO (expirace řízená stavem, ne jen datem)
• méně reklamací a vyhozeného zboží

A teď ta důležitá vazba na generativní AI: senzory vyrobí data, ale generativní AI je umí převést do rozhodnutí a instrukcí pro lidi.

Jedna z nejlepších definic „AI v potravinách“ zní: Senzory měří, modely počítají, generativní AI vysvětluje a koordinuje.

Paralela s precizním zemědělstvím: stejné vzorce, jiné prostředí

Co se učí chytrá kuchyně, to zemědělství už roky žije – jen v jiném měřítku. Na poli také sbíráte data (satelity, drony, půdní sondy, telemetry ze strojů), řešíte variabilitu a potřebujete rychle rozhodnout.

Kde se potkává farma, sklad a kuchyně

Z mé zkušenosti se nejvíc vyplatí přemýšlet v „mostech“ mezi články řetězce:

1. Predikce: výnos/poptávka → plán sklizně/výroby → plán nákupu
2. Kvalita: stav plodiny/šarže → řízení čerstvosti → méně ztrát
3. Koordinace lidí: instrukce pro posádky, řidiče, sklad, kuchyň → méně chyb

Když se tyhle mosty propojí, AI přestává být „feature“ a stává se provozním standardem.

Praktický příklad (bez magie)

Představte si regionální výrobnu jídel a síť výdejen:

• senzory v logistice hlídají teplotu a dobu přepravy
• systém skladu hlídá šarže a FEFO
• generativní AI (v češtině) dává vedoucímu směny odpovědi:
  • „Které šarže musíme dnes vydat jako první?“
  • „Kde hrozí překročení teploty a co je rychlá náprava?“
  • „Kolik porcí zítra realisticky prodáme podle minulých dat a svátků?“

Tohle je přesně typ „AI operátora“, který dnes vzniká v gastro softwaru – a postupně se posouvá do potravinářské výroby a zemědělských podniků.

Co si ohlídat: data, bezpečnost, odpovědnost

AI v potravinách naráží na dvě tvrdé hranice: bezpečnost potravin a provozní odpovědnost. Pokud doporučení zhorší hygienu nebo dostupnost, škoda je okamžitá.

Nejčastější chyby, které vídám

• Nejasné vlastnictví dat (kdo je spravuje, kdo rozhoduje o kvalitě dat)
• Chybějící „audit trail“ (proč AI doporučila právě tohle)
• Příliš volné použití generativního modelu bez omezení na interní znalosti
• Přecenění přesnosti predikcí v sezónách a svátcích

Doporučený postup zavedení (rychlý a realistický)

1. Vyberte 1 use-case s dopadem na peníze: odpad, vyprodání zásob, čerstvost.
2. Zmapujte zdroje dat: POS, sklad, teploty, dodavatelé, receptury.
3. Zaveďte „ověřitelné odpovědi“: AI vrací číslo i zdroj (report, tabulka).
4. Nastavte hranice: co AI smí navrhovat a co musí eskalovat člověku.
5. Měřte po 30 dnech: odpad (kg/Kč), vyprodání, reklamace, doba plánování.

Tenhle postup funguje podobně v restauraci i v zemědělském družstvu – jen se liší systémy a role.

Co z toho plyne pro české zemědělství a potravinářství v zimě 2025

Prosinec je pro potravináře a gastro typicky období extrémní volatility: večírky, sváteční provoz, výpadky lidí, tlak na logistiku a čerstvost. Právě teď se ukazuje, jestli jsou vaše plánovací procesy robustní, nebo stojí na hrdinství pár lidí.

Generativní AI typu ChatGPT má jednu velmi praktickou hodnotu: zkracuje rozhodovací cyklus. Neřeší všechno. Ale když umí během minut odpovědět na otázky, na které jste dřív potřebovali hodinu práce, začne se šetřit čas i peníze.

Pokud máte pocit, že se vám data hromadí, ale provoz se podle nich neřídí, je to dobrý signál, že je čas udělat další krok: propojit sběr dat (senzory, stroje, ERP) s vrstvou, která s nimi umí mluvit lidsky.

A teď jedna věc, kterou říkám napříč projekty: AI v zemědělství a potravinářství nebude vyhrávat díky „nejchytřejším modelům“, ale díky nejlépe zvládnutým procesům a datům. Kdo to pochopí dřív, bude mít méně odpadu, stabilnější kvalitu a klidnější provoz.

Co by ve vašem provozu mělo největší dopad, kdybyste se mohli „zeptat systému“ jednou větou a dostat ověřitelnou odpověď do 10 sekund?