Generativní AI v kuchyni: méně hype, víc výsledků

Většina lidí si generativní AI spojuje s texty a obrázky. Jenže u jídla je laťka jinde: když se model „splete“, nejde o překlep, ale o zkaženou večeři, plýtvání surovinami nebo i zdravotní riziko. Právě proto mě baví střízlivý pohled šéfkuchaře a technologického podnikatele Chrise Younga: generativní AI nám v kuchyni může výrazně pomoct, ale přepálená očekávání spálí důvěru stejně, jako to před lety udělalo mnoho IoT „chytrých“ zařízení.

Do série Umělá inteligence v zemědělství a potravinářství to zapadá perfektně. Kuchyň je totiž poslední článek potravinového řetězce – a stejné principy, které rozhodují o tom, jestli AI zvládne „dobře poradit“ u pánve, rozhodují i o tom, jestli bude dávat smysl AI v potravinářství, řízení kvality, optimalizaci výroby a snižování plýtvání.

Proč se AI v kuchyni nesmí prodávat jako zázrak

AI v kuchyni funguje jen tehdy, když je přilepená k realitě: k senzorům, fyzice a ověřeným postupům. Young trefně popisuje, že řada lidí romantizuje návrat „k ohni a uhlí“. Jako zážitek fajn. Ale historicky byla kuchyně spíš nebezpečné pracoviště než domácí svatyně. Moderní kuchyně je bezpečnější – a přesto se podle něj poslední dekády inovace často točí kolem povrchních funkcí místo toho, aby spotřebiče reálně pomáhaly s tím nejdůležitějším: udržet správnou teplotu a správný proces.

Youngova kritika míří i na marketing: když AI slibuje, že „uvaří za vás“, lidé čekají autopilota. Realita je zatím jiná. A to je v pořádku.

Praktická AI v kuchyni je spíš dobrý parťák než robotický šéfkuchař.

Co se pokazí, když se přehání očekávání

Z praxe (a z toho, co vídám u firemních pilotů v agri/food) se opakuje stejný scénář:

• AI nemá kvalitní data (v kuchyni: teploty, hmotnosti, čas, typ suroviny; ve výrobě: šarže, vlhkost, vstupní parametry).
• AI nemá „ground truth“ – tedy jistotu, co se ve skutečnosti děje.
• AI dává odpověď, která zní sebevědomě, ale stojí na neurčitém kontextu.

U receptu to skončí přesolenou omáčkou. Ve výrobě to skončí zmetkovitostí nebo reklamacemi. A to je důvod, proč se vyplatí mluvit o kuchyni jako o laboratorním prostředí pro „AI, která se dá ověřit“.

„Dost dobrá“ odpověď je často ta nejlepší (a nejvíc vydělá)

Největší krátkodobá hodnota generativní AI v kuchyni není v kreativitě, ale v rychlé orientaci v problému. Young popisuje, že odpovědi z dřívějších modelů na kuchařské dotazy byly z pohledu šéfkuchaře často nepoužitelné. S novější generací se to zlepšilo – a když AI navíc čerpá z důvěryhodných zdrojů a jasně daného kontextu, dostanete odpověď, která vás typicky „nepošle do zdi“.

A to je přesně ten moment, který je přenositelný do zemědělství a potravinářství:

• Agronom často nepotřebuje dokonalou predikci. Potřebuje včasné, praktické doporučení (co zkontrolovat, co změřit, co udělat dnes).
• Technik na lince nepotřebuje esej. Potřebuje rychlý postup, jak zúžit příčinu (teplota, vlhkost, dávkování, kalibrace).

Mini-scenáře, kde „dobrá rada hned“ zachrání suroviny

1. Maso se peče moc rychle zvenku, uvnitř je syrové → AI poradí úpravu teploty a odpočinek, ale ideálně v kombinaci s teploměrem.
2. Těsto je řídké/tučné mouky se chovají jinak → AI vysvětlí korekce hydratace a jak poznat správnou konzistenci.
3. Zelenina vadne v lednici → AI navrhne skladování podle typu (vlhkost, obal, etylen).

Všimněte si společného jmenovatele: AI je nejlepší ve vysvětlování a rozhodovacích „malých odbočkách“, které normálně stojí čas, nervy a suroviny.

Senzory + fyzika + AI na zařízení: recept na důvěru

Young zmiňuje chytré teploměry, které počítají modely strojového učení přímo na čipu, ne v cloudu. Tohle je pro potraviny zásadní trend: „edge AI“ (AI na zařízení) zvyšuje spolehlivost, rychlost i soukromí. Když vypadne připojení, systém pořád měří a vyhodnocuje. V kuchyni to znamená: nepřeruší se vaření. Ve výrobě to znamená: linka nezůstane „slepá“.

Proč na tom záleží v potravinářství a zemědělství

• Latence a výpadky: Sklady, haly, pole – konektivita není samozřejmost. Edge AI drží provoz.
• Bezpečnost dat: Receptury, parametry výroby, know-how. Méně dat v cloudu = menší riziko.
• Auditovatelnost: Když AI vychází z měření (teplota, vlhkost), je snazší vysvětlit „proč“.

A tady je moje jednoduché pravidlo: čím blíž je AI fyzickému měření, tím méně se z ní stává „magie“ a tím víc je to nástroj.

Proč velké značky často nezvládnou AI samy (a co s tím)

Young není vůči velkým výrobcům spotřebičů zbytečně krutý, jen realistický: udržet víceletý vývoj AI funkce je kulturně i procesně těžké. Hardware firmy umí vyrábět spolehlivé zařízení, ale software (a hlavně iterace, testování, práce s daty) vyžaduje jiný rytmus.

V potravinářství to vidíme podobně: tradiční výrobní firmy často zvládnou automatizaci, ale produktovou disciplínu pro AI (MLOps, správa dat, validace, dlouhodobé zlepšování modelů) teprve budují.

Model, který dává smysl: platformy a partnerství

Young naznačuje cestu: velcí hráči dodají infrastrukturu (spotřebič, výkon, bezpečnost, certifikace) a menší firmy dodají specializované AI moduly (senzory, algoritmy, aplikace). Výsledkem je ekosystém.

Analogie pro agri/food:

• Výrobce technologie pro zemědělství dodá stroj, rozhraní, servisní síť.
• Specializovaná firma dodá model pro predikci výnosu, detekci chorob, optimalizaci hnojení.
• Potravinářský podnik dodá procesní know-how a data.

Tohle je podle mě nejpraktičtější cesta i pro české prostředí: místo „postavíme si vlastní velký model“ radši postavit spolehlivou integraci a datový základ, na který se dají napojovat moduly.

Jak poznat AI, která opravdu snižuje plýtvání jídlem

AI má v kuchyni i ve výrobě smysl tehdy, když měřitelně snižuje ztráty. A ztráty nejsou jen vyhozené potraviny – jsou to i hodiny práce, energie, reklamace, přestávky linky.

Kontrolní seznam pro „AI, které se dá věřit“

Když hodnotíte AI nástroj pro kuchyň, gastro provoz nebo potravinářskou výrobu, ptejte se:

1. Na čem stojí doporučení? Má to oporu v datech ze senzorů, nebo jen v textu?
2. Umí přiznat nejistotu? Dává varianty a vysvětlení, nebo jen jednu „jistou“ odpověď?
3. Je to použitelné v reálném čase? Když jste u plotny nebo u linky, potřebujete odpověď do 10–30 sekund, ne studii.
4. Mění se to s praxí? Sbírá systém zpětnou vazbu (výsledek, šarže, fotka, teplota) a zlepšuje se?
5. Co se stane při výpadku internetu? Je to kritická závislost, nebo jen bonus?

Konkrétní metriky, které dávají smysl sledovat

• Podíl zmetků / reklamací (ve výrobě)
• Množství vyhozených surovin a hotových jídel (gastro)
• Spotřeba energie na jednotku produkce (kWh/kg)
• Stabilita procesu: rozptyl teplot, časů, vlhkosti

Pokud vám dodavatel neumí říct, jak se bude zlepšení měřit, velmi často to znamená, že se zlepšení jen „doufá“.

Co si z kuchyně odnést do zemědělství a potravinářství

Kuchyň je zmenšenina celého potravinového řetězce. Když generativní AI pomůže běžnému člověku uvařit konzistentněji a s menším odpadem, podobné principy se dají aplikovat na pole i do továrny: měření, kontext, rychlé doporučení, ověřitelnost.

Můj postoj je jednoduchý: AI bez dat a senzorů je v jídle často jen hezky znějící nápověda. AI spojená s měřením je nástroj, který šetří peníze. A právě to je v prosinci 2025 téma, které rezonuje: ceny vstupů kolísají, energie je drahá a tlak na udržitelnost roste. Kdo dnes sníží plýtvání o jednotky procent, zítra to pozná v marži.

Pokud řešíte AI v zemědělství a potravinářství prakticky (ne marketingově), začněte otázkou: kde přesně v procesu vzniká nejvíc ztrát a jaké měření mi dnes chybí, abych je mohl řídit?