A ReFED és a The Spoon 2026-os jelentése rávilágít, hogyan forradalmasíthatja a mesterséges intelligencia az élelmiszer-pazarlás és -veszteség elleni küzdelmet. Bár az elemzés amerikai adatokra épül, tanulságai a hazai élelmiszerlánc szereplői számára is kulcsfontosságúak, hiszen a technológia az adatvezérelt méréstől a molekuláris szintű tervezésig kínál megoldásokat. A sikerhez azonban a vállalati folyamatok, az adatminőség és az ösztönzőrendszerek átalakítása is elengedhetetlen.
A mesterséges intelligencia alkalmazása az élelmiszeriparban öt, egymásra épülő fejlettségi szintre osztható. Az alaplépést a pontos mérés és a láthatóság megteremtése jelenti, ahol okosmérlegek, kamerák és szenzorok mutatják meg valós időben a keletkező hulladék mennyiségét. Ezt követi a döntéstámogatás és az előrejelzés, amikor a rendszerek az időjárási, készlet- és eladási adatok alapján tesznek javaslatokat a termelésre vagy a rendelésre. A harmadik, többnyire még kísérleti fázisban a generatív mesterséges intelligencia köti össze a töredezett adatbázisokat, míg a negyedik szinten már megjelennek az önállóan cselekvő autonóm rendszerek és a folyamatokat modellező digitális ikrek. A legfejlettebb szakasz a biológiai tervezést állítja a középpontba, amely során a technológia segítségével ellenállóbb, hosszabb ideig elálló növényfajták és új termékösszetételek fejleszthetők ki, így a pazarlás már a tervezőasztalon megelőzhető.
Ez a technológia a teljes élelmiszerláncban komoly gyakorlati hasznot hoz. A mezőgazdaságban a szenzorok és a számítógépes látás a növénybetegségek korai felismerésében, valamint a betakarítás optimalizálásában nyújtanak segítséget. A feldolgozóiparban a gépmeghibásodásokat előrejelző prediktív karbantartás és a minőségellenőrzés kap főszerepet. Erre kiváló példát nyújt a Cargill húsfeldolgozóiban alkalmazott CarVe rendszer, amely vizuális visszajelzéssel csökkenti a csontokon maradó, még hasznosítható hús arányát. A kereskedelemben - például a frissáruk rendelését támogató Afresh rendszerrel - a kereslet pontos előrejelzése minimalizálhatja a selejtet. A leglátványosabb eredményeket jelenleg a vendéglátás és a közétkeztetés mutatja fel, ahol a kamerákkal és képfelismerő szoftverekkel támogatott rendszerek a tapasztalatok szerint akár 30-53%-kal is képesek visszaszorítani a konyhai élelmiszer-hulladékot.
A technológiai fejlettség azonban önmagában kevés a sikerhez. A megfelelő minőségű adatok hiánya és a töredezett informatikai rendszerek gyakran gátolják a mesterséges intelligencia hatékony működését. Emellett komoly akadályt jelentenek a rosszul kialakított vállalati ösztönzők is. Ha például egy üzletvezető teljesítményét kizárólag a folyamatosan feltöltött polcok alapján értékelik, jó eséllyel felül fogja bírálni a kevesebb rendelést javasló szoftvert, még akkor is, ha az iránymutatás egyébként teljesen megalapozott.
A mesterséges intelligencia tehát nem csodaszer, hanem egy feltételesen hatékony döntéstámogató eszköz, amely ott működik igazán jól, ahol a dolgozók hajlandóak és képesek is beépíteni az ajánlásokat a napi működésbe. A vállalkozásoknak éppen ezért érdemes elkerülniük a megfoghatatlan, túlzottan általános digitalizációs projekteket. Sokkal célravezetőbb egy jól mérhető, konkrét probléma - például a túltermelés, a selejt vagy a készletveszteség - kezelésével indítani a rendszer bevezetését. A beruházás megkezdése előtt elengedhetetlen a meglévő adatok rendezése, a projekt eredményességét pedig nem az algoritmus pontosságával, hanem a ténylegesen megmentett élelmiszer mennyiségével és a realizált költségmegtakarítással célszerű mérni.
