Generativní AI v kuchyni: méně hype, víc jistoty

Leden 2024 přinesl jednu užitečnou připomínku: generativní AI může vaření reálně zlepšit, ale přepálená očekávání lidi rychle otráví. Chris Young (známý z kulinárně‑technologického světa a také z vývoje chytrých teploměrů) to pojmenoval přesně: krátkodobě bude „AI marketing“ pro spoustu domácností zklamáním – podobně jako kdysi sliby kolem IoT. Dlouhodobě ale přijdou výhody, které budou vidět každý den u plotny.

A teď to důležité pro náš seriál „Umělá inteligence v zemědělství a potravinářství“: kuchyně je jen poslední článek řetězce. To, co se učíme na „malém“ příkladu (senzory, modely, automatické řízení), je stejný princip, který dnes zvyšuje bezpečnost potravin, stabilitu kvality a efektivitu výroby – od skleníku po balicí linku.

V prosinci 2025, kdy je tlak na ceny energií i potravin pořád citelný a firmy hledají úspory bez zhoršení kvality, dává smysl dívat se na AI střízlivě: ne jako kouzelnou hůlku, ale jako systém „měř–vyhodnoť–jednej“.

Proč je generativní AI ve vaření často zklamáním

Nejčastější problém není model. Je to zadání a kontext. Když se generativní AI zeptáte „jak upéct kuře“, dostanete odpověď, která může znít hezky, ale ignoruje rozdíly mezi troubami, velikostí masa, teplotou z lednice, tvarem pekáče i tím, jestli chcete šťavnaté stehno, nebo prsa bez růžové.

Chris Young popsal praktickou zkušenost: u starších modelů (např. generace typu GPT‑3.5) byly kulinární odpovědi „z pohledu kuchaře“ často nepoužitelné. U novějších modelů (typově GPT‑4) už se kvalita výrazně zvedla – ne vždy perfektní, ale často „dost dobrá“, což je pro večeři v úterý večer přesně to, co lidi potřebují.

Kde se AI ve vaření láme

AI ve vaření naráží na tři tvrdé limity:

1. Chybí jí měření reality v reálném čase – bez teploty v jádře, bez informace o výkonu plotny, bez vlhkosti v troubě.
2. Nedostane kvalitní vstup – uživatel napíše „stek“, ale neřekne tloušťku, propečení, typ pánve, výchozí teplotu.
3. Dostane špatný zdrojový kontext – když se AI „učí“ z nekvalitních receptů, vrací nepřesnosti. Young zmiňuje, že když prompt navede model na ověřené zdroje (renomované receptové postupy), odpovědi se výrazně zlepší.

Pointa: generativní AI bez senzorů je jako agronom bez dat z pole. Umí radit, ale nevidí, co se opravdu děje.

„Hloupé spotřebiče“ jsou dnes zbytečný luxus

Youngova poznámka je nepříjemná, ale trefná: v době levných, přesných senzorů a dostupného výpočtu je zvláštní, že spousta spotřebičů stále „neví“, kdy přidat nebo ubrat výkon.

Chytrá kuchyně není o tom, že lednice pošle notifikaci. Chytrá kuchyně je o tom, že systém sám hlídá kritické veličiny a dělá malé korekce, aby výsledek dopadl.

Co to znamená prakticky (a proč to lidi ocení)

Lidi nechtějí futuristický showroom. Chtějí, aby:

• kuře nebylo vysušené,
• rýže se nepřipálila,
• pečení vyšlo i při rozptýlení,
• a aby se to dalo zopakovat zítra stejně.

Tohle je přesně princip, který už dnes funguje ve výrobě potravin: opakovatelný proces, kontrola kritických bodů, dohledatelnost. V kuchyni tomu říkáme „vyšlo to“, v potravinářství „splnili jsme parametry šarže“.

Senzory + fyzikální modely: proč je „AI na zařízení“ často lepší než cloud

Jedna z nejzajímavějších částí Youngova přístupu je důraz na výpočet „na čipu“ (na samotném zařízení), ne v cloudu. U chytrého teploměru to dává brutální smysl: když vypadne Bluetooth nebo internet, vaření pokračuje a měření běží dál.

Tohle je mimochodem přímá paralela k zemědělství:

• Na poli často není stabilní konektivita.
• Ve stáji nechcete, aby kritické alarmy závisely na internetu.
• Na výrobní lince potřebujete reakci v milisekundách, ne „až dorazí odpověď z cloudu“.

Edge AI v praxi: kdy se vyplatí

Výpočet na zařízení (edge AI) se vyplatí, když:

• potřebujete spolehlivost i při výpadcích,
• jde o bezpečnost (teplota, HACCP, kontrolní body),
• rozhodnutí musí být rychlé,
• a data nechcete posílat mimo provoz (soukromí, know‑how).

Cloud dává smysl pro trénování modelů, agregace dat a dlouhodobou optimalizaci. Ale „pravda v okamžiku“ často vzniká na senzoru.

„Dost dobrá odpověď“ je v kuchyni (i ve výrobě) zlatý standard

Young říká něco, co marketéři neradi slyší: lidé často nepotřebují perfektní odpověď. Potřebují odpověď včas.

V kuchyni je nejcennější chvíle ta, kdy stojíte u pánve a nejste si jistí, jestli už otočit maso, jestli je omáčka moc řídká, nebo co dělat, když se něco srazilo. AI asistent, který dá rychlou, rozumnou radu, má obrovskou hodnotu – i když by šéfkuchař udělal něco o 10 % líp.

V potravinářství to platí stejně:

• Když senzor ukáže odchylku, operátor potřebuje jednoduché doporučení dalšího kroku.
• Když se mění surovina (vlhkost mouky, obsah tuku v mléce), technolog potřebuje rychlou korekci procesu.

Generativní AI tu může fungovat jako „překladač“ mezi daty a rozhodnutím: vysvětlit, co se děje, a navrhnout postup. Ne nahradit odborníka, ale zkrátit čas k akci.

Jak nastavit generativní AI, aby radila líp

Z praxe se mi osvědčuje (a v duchu Youngova komentáře to platí dvojnásob):

1. Vynutit kontext: „Mám 250 g lososa, 3 cm tloušťka, pánev litina, cíl medium, start z lednice.“
2. Zaměřit AI na ověřené postupy: místo obecného dotazu přidejte „drž se standardních kulinárních technik“.
3. Napojit na senzory: teploměr, váha, časovač – bez měření je rada vždycky do určité míry střelba.

Tohle není „prompt magie“. Je to procesní disciplína, která připomíná práci s daty v precizním zemědělství.

Co si z toho má odnést zemědělství a potravinářství

Kuchyně je skvělé testovací prostředí pro AI, protože okamžitě vidíte výsledek. Když se něco nepovede, je to jasné. V zemědělství a výrobě se chyby někdy projeví až za týdny – a jsou dražší.

Youngův pohled se dá přeložit do tří pravidel, která bych v roce 2026 klidně vytesal do zdi každého „AI projektu“ ve food řetězci:

1) Bez senzorů není AI, jen domněnky

V zemědělství to znamená investovat do měření (půdní vlhkost, NDVI, meteorologie, váhy krmiva, teplotní řetězec). V potravinářství do inline měření (teplota, pH, vodní aktivita, viskozita, průtoky).

2) Spolehlivost porazí „wow efekt“

Funkce, která funguje 99 % času, je lepší než efektní demo, které selže při prvním výpadku signálu. Edge výpočty, lokální fallback režimy a jasné alarmy jsou nudné. A přesně proto vydělávají.

3) Partnerství je často rychlejší než „všechno vlastní“

Young skepticky popisuje, že velké značky spotřebičů často neumí dlouhodobě držet několik let vývoje software a iterace. V agro‑ a potravinářství je to podobné: podnik umí skvěle dělat technologii, ale AI produktový vývoj je jiný sport.

Praktický model, který dnes dává smysl:

• výrobce stroje/linky dodá robustní hardware a bezpečnost,
• specializovaný dodavatel dodá algoritmy, modely a integrace,
• provoz si pohlídá data, proces a návratnost.

Mini-checklist: jak poznat, že AI projekt ve food řetězci má šanci

Když se bavím s lidmi z výroby nebo zemědělských podniků, stačí mi pět otázek:

1. Jaké rozhodnutí bude AI zrychlovat nebo zpřesňovat? (Ne „co umí model“, ale „co se bude dělat jinak“.)
2. Jaká data to napájí a jak často? (Jednou denně vs. každou sekundu je zásadní rozdíl.)
3. Co se stane, když vypadne konektivita?
4. Jak se ověří přínos za 30 dní? (Ne za rok.)
5. Kdo je vlastníkem procesu po nasazení? (Kdo to udrží, aktualizuje, zlepší.)

Když na tohle není jasná odpověď, je to spíš prezentace než projekt.

Kam to míří v roce 2026: od „AI receptů“ k řízení kvality

Největší posun nepřijde z toho, že vám AI napíše recept. Přijde z toho, že AI propojí nákup surovin, predikci kvality, řízení procesu a minimalizaci odpadu.

V kuchyni to bude znamenat méně zkažených potravin, víc konzistence a míň stresu u vaření. V zemědělství a potravinářství to znamená:

• stabilnější kvalitu šarží,
• lepší využití energie (optimalizace ohřevů/chlazení),
• méně reklamací,
• a hlavně lepší bezpečnost potravin díky kontrole kritických bodů.

A pokud si mám vsadit: vyhrají řešení, která jsou „neviditelná“. Prostě fungují.

„AI, která pomáhá v reálném čase a drží vás v pohybu, je cennější než AI, která brilantně vysvětluje teorii.“

Jestli vás zajímá, jak tyhle principy převést z kuchyně na pole nebo do výroby, je to dobrý moment začít: vyberte jeden proces, jeden problém, jedno měření – a postavte kolem toho pilot. Co by byl váš první krok: kvalita, bezpečnost, nebo snížení odpadu?