Etika AI v zemědělství: lekce z Říma pro praxi

Největší riziko umělé inteligence v potravinovém řetězci není technické. Je lidské: když se rozhodování přesune do modelů, snadno ztratíme kontrolu nad tím, pro koho systém pracuje a kdo nese následky.

Tohle téma letos na jaře rezonovalo i na místě, kde by to ještě před pár lety čekal málokdo: ve Vatikánu. Právě tam proběhl odborný workshop o etických a společenských dopadech AI a automatizace v potravinovém systému. A i když se diskuse dotýkala restaurací oceněných michelinskou hvězdou, vývoje nových potravin i domácího vaření, pro nás je nejdůležitější přesah: co z toho plyne pro AI v zemědělství a potravinářství v Česku.

Prosinec 2025 je pro zemědělce a zpracovatele typicky čas bilancování: výsledky sklizně, ceny vstupů, plán osevů, investice do techniky, tlak na udržitelnost. AI do toho vstupuje jako „urychlovač“ změn. Jenže rychlost bez pravidel umí nadělat škody. V tomhle článku beru vatikánský kontext jako silnou připomínku: etika AI není brzda inovací — je to bezpečnostní pás.

Proč se etika AI řeší i ve Vatikánu (a proč by vás to mělo zajímat)

Vatikán v posledních letech nevystupuje jen jako morální autorita, ale i jako platforma, která umí dát dohromady technologické firmy, akademiky a veřejný sektor. Klíčovým milníkem byla iniciativa známá jako „Římská výzva k etice AI“ (Rome Call for AI Ethics), která zdůrazňuje, že AI má sloužit člověku, respektovat důstojnost a podporovat spravedlnost.

Pro praxi v zemědělství je to relevantní z jednoduchého důvodu: potraviny jsou strategická infrastruktura. Když AI začne ovlivňovat pěstování, nákup surovin, logistiku, receptury i personalizovanou výživu, dostává se do hry moc nad tím, co je dostupné, za kolik a pro koho.

V Římě zaznívala otázka, která má v českém kontextu až nepříjemně konkrétní podobu:

Když AI začne „doporučovat“, co se má vyrábět a jíst, kdo nastavuje cíle a kdo vlastní data?

V zemědělství to přeložme: Kdo určuje, jak bude model optimalizovat výnos — podle tun, marže, uhlíkové stopy, vody, nebo biodiverzity? A kdo z toho bude profitovat: farmář, zpracovatel, řetězec, nebo dodavatel platformy?

Kde AI v potravinovém řetězci skutečně mění pravidla hry

AI v zemědělství a potravinářství už dávno není jen „hezký pilot“. Většina velkých značek a řada středních podniků investuje do lidí, nástrojů a datových platforem. Praktické dopady se dají rozdělit do čtyř oblastí.

1) Precizní zemědělství: rozhodování po metrech, ne po hektarech

Největší přínos AI v precizním zemědělství je schopnost spojit více signálů najednou: satelitní snímky, drony, půdní senzory, výnosové mapy, počasí a historická data.

Co to znamená v praxi:

• Variabilní aplikace hnojiv a postřiků podle zón
• Včasná detekce stresu porostu (voda, živiny, choroby)
• Predikce výnosu pro lepší kontrakty a logistiku
• Optimalizace závlahy tam, kde má smysl (a kde už je voda politikum)

Etický háček: když model doporučí snížení ochrany nebo hnojení, kdo odpovídá za následky? A když platforma sbírá data z vašich polí, kdo je později použije jako konkurenční výhodu?

2) Potravinářství: AI jako „mozkovna“ pro receptury, kvalitu i náklady

V potravinářské výrobě AI pomáhá hlavně s:

• prediktivní údržbou (méně odstávek)
• kontrolou kvality pomocí kamer a počítačového vidění
• optimalizací receptur (chuť, textura, náklad, alergeny)
• plánováním výroby podle poptávky

Zní to skvěle, ale v Římě padla důležitá obava: pokud AI dokáže „navrhnout perfektní produkt“ — extrémně návykový a levně vyrobitelný — umí to přetížit dodavatelské řetězce a zároveň zhoršit veřejné zdraví.

Tady nejde o sci‑fi. Stačí, aby model maximalizoval KPI typu „opakovaný nákup“ bez mantinelů. Etika se v praxi rovná správně nastaveným metrikám.

3) Dodavatelské řetězce: rychlejší plánování, ale i křehkost

AI umí zlepšit:

• předpověď poptávky
• plán tras a využití skladů
• řízení ztrát (waste) v chlazeném řetězci

Riziko je systémové: pokud se mnoho firem opře o podobné modely a podobná data, trh může reagovat „stádně“. V zemědělství to může znamenat, že více aktérů začne sázet na stejné plodiny či stejné odrůdy, což zvyšuje zranitelnost vůči chorobám a výkyvům počasí.

4) Výživa na míru: kdo vlastní poznání „až na molekulu“

Personalizovaná výživa se posouvá od obecných doporučení k detailní práci s biologickými daty. Vatikánská diskuse mířila k jádru věci: když AI umí propojit jídelníček se zdravotním profilem, vzniká extrémně citlivé know‑how.

Pro potravinářství a retail to bude lákavé. Pro společnost to může být problém.

• Budou data využita k podpoře zdraví, nebo k agresivnějšímu marketingu?
• Nevznikne „výživová nerovnost“, kdy kvalitní doporučení budou jen pro platící?

Tři etické otázky, které by si měla položit každá farma i výrobní podnik

Etika AI často zní jako akademická disciplína. Já to beru pragmaticky: je to sada otázek, které snižují právní, reputační i provozní rizika.

1) Kdo má kontrolu nad cíli modelu?

Model vždy něco optimalizuje. Pokud je cílem jen výnos nebo marže, dopady na půdu, vodu a lidi zůstávají „vedle“. Zaveďte do zadání i nefinanční cíle:

• maximální spotřeba vody na hektar
• limitní dávky dusíku
• cíl snížení ztrát ve výrobě
• minimální diverzita osevního postupu

Jedna věta, kterou si stojí za to zapsat: „AI je tak etická, jak etické jsou její metriky.“

2) Kdo vlastní data a kdo má právo je znovu použít?

U agrárních platforem je nejčastější past v licencích. Data z vašich strojů, polí a výroby mají cenu i pro někoho jiného než pro vás.

Doporučení do smluvního minima:

• jasně definovat vlastnictví dat (raw data i odvozené výstupy)
• zakázat využití pro trénink modelů „pro třetí strany“ bez souhlasu
• vyžadovat možnost exportu dat v běžném formátu

3) Co se stane, když se model mýlí?

Chyby budou. Rozhodující je, jak jsou řízené.

• Máte nastavené prahy, kdy musí rozhodnutí potvrdit člověk?
• Existuje auditní stopa: kdo, kdy a na základě čeho rozhodl?
• Umíte model otestovat na „špatných letech“ (sucho, mrazy, přemnožení škůdců)?

V zemědělství je realita drsná: jedna špatná sezóna může vzít likviditu. AI musí zvyšovat odolnost, ne jen průměrný výkon.

„Duše jídla“ vs. automatizace: falešné dilema

V Římě zaznívala obava, že se může vytratit „duše jídla“ — tradice, kreativita, vztahy u stolu. To je legitimní. Jenže v zemědělství a potravinářství se podle mě nehrají proti sobě „lidskost“ a „automatizace“.

Skutečný konflikt je jinde: centralizace moci a zisku versus férové rozdělení hodnoty.

Když AI pomůže farmáři snížit vstupy, zlepšit půdu a stabilizovat výnos, je to pro společnost dobrá zpráva. Když ale stejná AI uzamkne data, vynutí si závislost na platformě a přenese riziko dolů po řetězci, výsledkem je frustrace a odpor.

Tady se mi líbí vatikánský rámec: důstojnost, práce, spravedlnost. V české realitě to přeložme do provozních zásad:

• AI má šetřit čas lidem, ne je „vyždímat“ vyšším tempem.
• AI má snižovat plýtvání, ne jen zvyšovat tlak na cenu.
• AI má zlepšovat rozhodování, ne ho maskovat „černou skříňkou“.

Praktický plán: jak zavést odpovědnou AI na farmě nebo ve výrobě

Nejrychlejší cesta k odpovědné AI není napsat etický kodex a dát ho na web. Je to udělat pár konkrétních kroků, které projdou i v provozu.

1) Vyberte jeden proces, kde se dá měřit výsledek do 90 dnů

Doporučuji začít tam, kde jsou data už teď:

• predikce poruchy kritického stroje
• kontrola kvality na lince kamerou
• jednoduchý model pro doporučení závlahy v jedné lokalitě
• optimalizace objednávek obalů podle sezóny

2) Definujte „mantinely“ dřív než model

Napište si 5–7 pravidel, která model nesmí porušit. Například:

• nesmí doporučit aplikaci mimo legislativní limity
• nesmí zpracovat osobní data bez souhlasu
• nesmí přijmout rozhodnutí bez lidského potvrzení nad určitou částku/riziko

3) Zaveďte jednoduchý audit a odpovědnosti

Stačí základ:

• vlastník procesu (byznys)
• vlastník dat (IT/OT)
• odpovědný agronom/technolog
• kdo schvaluje změny v modelu

Tohle je mimochodem přesně ten bod, kde firmy nejčastěji chybují: AI je „něčí bokovka“ a pak se všichni diví, že to neškáluje.

4) Ptejte se na práci a dovednosti, ne jen na ROI

AI změní strukturu práce. Dobrá implementace počítá s tím, že:

• některé úkony zaniknou
• jiné přibudou (kontrola, interpretace, práce s daty)
• bude potřeba plán školení

Kdo tohle ignoruje, dostane odpor lidí. A ten vám žádný dashboard nevykompenzuje.

Co si z Říma odnést do českého zemědělství v roce 2026

Hlavní poselství je překvapivě praktické: AI se stává standardem napříč hodnotovým řetězcem, a proto se etika musí stát standardem taky. Ne jako moralizování, ale jako sada pravidel, která chrání lidi, data, půdu i značku.

Pokud jste v sérii „Umělá inteligence v zemědělství a potravinářství“ četli naše texty o precizním zemědělství, monitoringu plodin nebo predikci výnosů, tohle je další dílek skládačky: bez jasných principů může i technicky skvělý projekt skončit tím, že zhorší důvěru, zvýší závislost na dodavateli nebo posílí nerovnosti v řetězci.

Nechci, aby se z AI stal další „povinný software“, který lidi obcházejí. Chci, aby to byl nástroj, který dává smysl i v horších letech — a který je obhajitelný před zaměstnanci, zákazníky i veřejností.

A teď ta otázka, která by měla padnout na každé poradě o digitalizaci: Když AI zrychlí naše rozhodování, zrychlí i naši odpovědnost — nebo ji necháme rozplynout v algoritmu?