Chytré sledování čerstvosti: méně odpadu, víc kontroly

Vyhazujeme jídlo hlavně ne proto, že by se zkazilo „přes noc“, ale protože si už nejsme jistí. Krabička v lednici bez data. Otevřený sýr „někdy minulý týden“. Mleté maso, u kterého si nepamatujete, jestli má ještě tři dny, nebo už jen tři hodiny. A právě tahle nejistota je tichý zabiják domácího rozpočtu i udržitelnosti.

Na začátku roku 2024 se po více než půl dekádě vývoje dostal na trh produkt, který tuhle nejistotu řeší překvapivě prostě: Ovie LightTags – malé světelné štítky na potraviny. Nejde o „appku, co všechno vyřeší“, ale o fyzický signál přímo tam, kde ho potřebujete: na krabičce, sáčku, misce, obalu.

A proč je to důležité pro naši sérii Umělá inteligence v zemědělství a potravinářství? Protože čerstvost je ve skutečnosti problém precizního monitoringu – stejná logika, jakou AI používá při sledování plodin, vlhkosti půdy nebo rizika chorob. Jen přesunutá z pole do lednice.

Proč domácí „inventarizace“ potravin většinou selhává

Domácí řízení zásob je chaotické, protože postrádá tři věci: standard, disciplínu a zpětnou vazbu. V praxi to vypadá tak, že si jednou řeknete „budu si to psát“, vydržíte týden a pak se systém rozpadne.

Hlavní důvody jsou banální:

• Informace nejsou u jídla. Pokud je datum v telefonu, ale rozhodujete se u lednice, dohledávání vás zdrží.
• Mozek špatně pracuje s neurčitostí. Když si nejste jistí, volíte bezpečnou variantu: vyhodit.
• Neexistuje vizuální priorita. Lednice neříká: „Tohle sněz dnes, tohle vydrží.“ Všechno vypadá stejně.

Tady vzniká prostor pro „malou technologii“, která netlačí na složité návyky, ale přidá jasný signál. A přesně to LightTags dělají.

Jak fungují Ovie LightTags (a proč je to chytřejší, než to zní)

Princip je jednoduchý: nalepíte štítek na potravinu a nastavíte počet dní kliknutím. Jedno kliknutí = jeden den. Barva pak signalizuje, kolik času zbývá.

Barevný semafor pro čerstvost

Ovie používá tři stavy:

• Tyrkysová: zbývá více než 24 hodin
• Žlutá: zbývá 24 hodin nebo méně
• Červená: čas vypršel

Praktický detail, který mám rád: blikání se zrychluje, jak se blíží konec, a existují i vzory pro lidi s poruchami barevného vidění. To je přesně typ „hardwarové UX“ drobnosti, která rozhoduje o tom, jestli to bude používat celá domácnost, nebo jen jeden nadšenec.

Není to „AI zařízení“. A přesto do AI příběhu patří.

LightTags samy o sobě nejsou typický AI produkt. Ale představují klíčový stavební kámen AI v potravinovém řetězci: kvalitní data a konzistentní rutinu.

AI bez dat je jen hezké demo. A data o tom, kdy byl produkt otevřen, jak dlouho je v lednici a kdy se má spotřebovat, jsou přesně ta „poslední míle“, která často chybí.

Od pole do lednice: co má společného čerstvost a precizní zemědělství

Precizní zemědělství stojí na jednoduché myšlence: měřit, vyhodnocovat, jednat. Senzory v půdě měří vlhkost, model vyhodnotí stres plodin a farmář zavlažuje cíleně. U potravin doma je to stejné, jen místo zavlažování je to „spotřebovat dřív“.

Sledování čerstvosti je forma „mikro-precizního monitoringu“

• Na farmě řešíte: kde hrozí plíseň, kde chybí dusík.
• V domácnosti řešíte: co se zkazí nejdřív, co má ještě čas.

V obou případech platí, že vizuální signál často porazí komplikovaný dashboard. Farmář chce mapu rizika. Vy chcete barvu na krabičce.

Proč by se AI měla zajímat o domácí lednici

Protože velká část plýtvání vzniká až u spotřebitele. Když se bavíme o AI v potravinářství, lidé často skočí rovnou k výrobě, logistice nebo robotům ve skladech. Jenže největší „díra“ může být v chování na konci řetězce.

A tady je moje nepopulární stanovisko: pokud chceme plýtvání opravdu snížit, budeme muset kombinovat dvě věci:

1. Technologii, která zjednoduší rozhodování (jako LightTags)
2. Modely a predikce, které časem zpřesní pravidla „kolik dní“ (to je prostor pro AI)

Co přináší chytré tagy v praxi (domácnost, gastro, malý retail)

Nejrychlejší přínos je okamžitá orientace. Druhý přínos je překvapivější: změna návyků bez moralizování. Když vám v lednici začne pravidelně žloutnout zbytkové jídlo, nebudete si číst poučky – prostě si příště naberete méně nebo to dáte do krabičky, která je víc „na očích“.

Domácnost: jednoduché pravidlo „žlutá jde dopředu“

Zaveďte jedno pravidlo: všechno žluté se dává do přední zóny lednice (nebo do „dnešní police“). To samo o sobě často sníží počet vyhozených zbytků.

Tipy, kde to funguje nejlépe:

• otevřené mléčné výrobky
• maso po otevření (ne podle minimální trvanlivosti, ale podle reálné práce s ním)
• uvařené jídlo ve skleněných dózách
• načaté omáčky a dipy

Gastro provoz: rychlá vizuální kontrola bez papírování

V gastronomii se běžně používají popisky a systémy FIFO. Realita ve špičce? Popisek se odlepí, fix zmizí, někdo to „dopíše později“. Světelný tag (nebo obecně vizuální indikátor) má výhodu, že:

• je vidět z dálky
• nepotřebuje číst text
• dává signál i novému brigádníkovi

Neříkám, že tím nahradíte hygienické standardy. Ale jako „druhá vrstva“ kontroly to dává smysl.

Malý retail a farmářské prodejny: lepší rotace zboží

U menších prodejen bývá problém v tom, že zboží se doplňuje ručně a rotace stojí na zkušenosti. Vizuální indikace může urychlit rozhodnutí:

• co dát do akce dnes
• co přesunout do zpracování (např. hotová jídla)
• co darovat dřív, než ztratí hodnotu

Kde nastupuje AI: od „klikni sedmkrát“ k predikci zkázy

Dnešní Ovie přístup je nastavený na jednoduchost. Ale další logický krok v potravinářství je prediktivní čerstvost – ne pevné „dny“, ale výpočet podle podmínek.

AI tady může přidat hodnotu třemi směry:

1) Predikce podle teplotní historie

Čerstvost není jen o čase. Je o tom, jak stabilně byla potravina chlazená. Pokud máte data z chytré lednice, teplotního senzoru nebo logistiky, model dokáže přepočítat riziko zkázy mnohem přesněji než univerzální doporučení.

2) Počítačové vidění: rozpoznání potravin a automatické nastavení

Nejslabší místo ručních systémů je zadání: co to je a na jak dlouho. AI může pomoci tím, že kamera (mobil/lednice) rozpozná:

• typ potraviny
• velikost balení
• datum na obalu

A rovnou navrhne dobu sledování. Vy jen potvrdíte.

3) Doporučení „co uvařit“ podle rizika zkázy

Tohle je část, která přináší nejvíc leadů v B2B: když propojíte sledování čerstvosti s recepty, nákupním seznamem a plánem vaření, dostanete systém, který:

• snižuje odpad
• šetří peníze
• zjednodušuje rozhodování

A hlavně: dá se měřit (kolik položek skončilo červeně, kolik se spotřebovalo včas).

Co si z příběhu Ovie odnést, pokud vyvíjíte AgriFood AI

Ovie vyvíjelo hardware roky a nakonec doručilo jednodušší variantu původní vize. To není slabost, to je realita trhu.

Tři praktické lekce, které bych si z toho vzal do vlastního produktu:

1. Vyhrává jednoduché chování, ne komplexní funkce. Jedno kliknutí za den je nudné. A právě proto to lidé zvládnou.
2. Vizuální signál porazí notifikace. Telefon pípá pořád. Lednice „nepípá“, ale barva na krabičce je neignorovatelná.
3. Data bez rutiny jsou k ničemu. Pokud systém nevede k opakovatelnému používání, AI vrstva nebude mít z čeho učit ani co optimalizovat.

Přesnost v potravinářství nezačíná v cloudu. Začíná u toho, že někdo včas pozná, co má sníst dnes.

Co můžete udělat už tento týden (bez ohledu na technologii)

Jestli vás myšlenka „sledování čerstvosti“ zaujala, zkuste mini pilot v domácnosti nebo ve firmě. Bez velkých slibů.

• Vyberte 10 položek, které nejčastěji vyhazujete (typicky zbytky, mléčné, otevřené omáčky).
• Nastavte jednoduché pravidlo: žluté dopředu, červené ven.
• Po 7 dnech si spočítejte, kolik položek šlo pryč.

Pokud jste v gastronomii nebo potravinářské výrobě, udělejte to samé na jedné stanici nebo v jednom skladu a měřte:

• ztráty v Kč
• počet položek po expiraci
• čas, který zabere kontrola

Kam to celé směřuje v roce 2026

Prosinec 2025 je období, kdy firmy i domácnosti řeší rozpočty, úspory a plánování na další rok. A plýtvání jídlem je zvláštní kategorie: je to únik peněz, který se špatně vidí. Právě proto budou mít v roce 2026 navrch řešení, která kombinují jednoduchý návyk (tag, barva, signál) s „mozkovou“ vrstvou (AI doporučení a predikce).

V rámci série Umělá inteligence v zemědělství a potravinářství se často bavíme o tom, jak AI pomáhá na poli a ve výrobě. Já bych k tomu přidal jedno: AI, která nedojde až k lednici, nechává velkou část úspor na stole.

Pokud řešíte AI projekty v AgriFood, zkuste se na chvíli dívat „od konce“: kde přesně vzniká odpad, kdo dělá poslední rozhodnutí a jak mu ho co nejvíc zjednodušit. Jak by vypadala vaše predikce, kdyby se dala přečíst jednou barvou?