Az élelmiszer-pazarlás az élelmiszerrendszerek egyik legjelentősebb és legtartósabb hatékonysági problémája. A veszteségek mérséklésében egyre nagyobb szerepet kaphatnak a mesterséges intelligencián alapuló megoldások, amelyek az élelmiszerlánc különböző szakaszaiban támogathatják a pontosabb tervezést, a veszteségek korai felismerését és a megelőző intézkedéseket.
A ReFED és a The Spoon 2026-ban megjelent jelentése az Egyesült Államok élelmiszerrendszerén keresztül vizsgálja, hogyan használható a mesterséges intelligencia az élelmiszer-veszteség és -pazarlás mérésére, megelőzésére és csökkentésére. Bár az elemzés amerikai példákra épül, számos megállapítása az európai és a magyar élelmiszerlánc szereplői számára is hasznosítható.
A méréstől az autonóm rendszerekig
A jelentés az MI alkalmazási lehetőségeit öt, egymást részben átfedő fejlettségi és alkalmazási szintbe rendezi.
Az első a mérés és a láthatóság megteremtése. A kamerák, intelligens mérlegek és IoT-szenzorok valós időben mutatják meg, miből, mikor és mennyi válik hulladékká. Ez különösen az üzemi konyhákban és egyes termelési folyamatokban jelent előrelépést, ahol korábban sok veszteség becsléseken alapult vagy rejtve maradt.
A második szakasz az előrejelzés és a döntéstámogatás. A rendszerek az értékesítési előzményeket, a szezonalitást, az időjárást, a készletszinteket és más működési adatokat elemezve rendelési, termelési vagy készletgazdálkodási javaslatokat készítenek.
A harmadik fázist a generatív MI és a fejlett analitika jelenti. Ezek a megoldások képesek lehetnek eltérő formátumú, töredezett adatforrások összekapcsolására és az adott működési helyzethez igazodó ajánlások megfogalmazására. E megoldások jelentős része azonban még korai vagy kísérleti szakaszban van.
A negyedik szakaszban jelennek meg az autonóm és előretekintő rendszerek. Az MI-ágensek a jövőben nemcsak ajánlásokat adhatnak, hanem előre meghatározott jogosultságok és ellenőrzési szabályok mellett több lépésből álló feladatokat is végrehajthatnak. Ehhez kapcsolódnak a digitális ikrek is, amelyek egy gazdaság, raktár vagy feldolgozóüzem virtuális modelljeként segíthetik a várható következmények előzetes vizsgálatát.
Az ötödik, legtávolabbra mutató fázis a biológiai tervezés és a molekuláris szintű fejlesztés. Az MI gyorsíthatja a hosszabb eltarthatóságú, ellenállóbb vagy kedvezőbb minőségi tulajdonságokkal rendelkező növényfajták fejlesztését, valamint új összetevők és termékösszetételek azonosítását. A cél itt már az, hogy a veszteség lehetőségét részben még az alapanyagok és az élelmiszerek tervezésekor mérsékeljék.
A mezőgazdaságban az MI-alapú számítógépes látás és a szenzorok segíthetik a növények állapotának, érettségének és betegségeinek korai felismerését – Fotó: Shutterstock
Gyakorlati alkalmazások az élelmiszerláncban
A mezőgazdaságban az MI-alapú számítógépes látás és a szenzorok segíthetik a növények állapotának, érettségének és betegségeinek korai felismerését, valamint a betakarítási veszteségek valós idejű mérését. A technológia jelenleg elsősorban az emberi döntéshozatal pontosításában nyújt értéket: a termelő hamarabb észlelheti a problémát, és időben módosíthatja például az öntözést, a növényvédelmet vagy a betakarítás ütemezését.
Az élelmiszer-feldolgozásban a veszteség sokszor nem látható hulladékként, hanem gyengébb kihozatal, selejtes tétel vagy váratlan gépleállás formájában jelentkezik. A prediktív karbantartási rendszerek a berendezések működési adatai alapján jelezhetik előre a meghibásodásokat. A számítógépes látás a minőségellenőrzésben és a kihozatal javításában is alkalmazható. A jelentés egyik példája a Cargill húsfeldolgozó üzemeiben használt CarVe rendszer, amely valós idejű vizuális visszajelzéssel segíti a dolgozókat abban, hogy kevesebb hasznosítható hús maradjon a csonton.
A kereskedelemben az MI egyik legfontosabb feladata a kereslet-előrejelzés és a rendelésoptimalizálás. A rövid eltarthatóságú termékeknél már kisebb előrejelzési hibák is jelentős veszteséget okozhatnak. Az MI-alapú rendszerek üzletenként készíthetnek rendelési javaslatokat, figyelembe véve az értékesítési, készlet-, időjárási és szezonális adatokat. A jelentésben bemutatott Afresh rendszer több országban támogatja a frissáruk pontosabb rendelését.
A vendéglátás és a közétkeztetés az MI-alapú hulladékcsökkentés egyik legérettebb területe. A kamerával, mérleggel és képfelismerő szoftverrel felszerelt rendszerek automatikusan azonosíthatják és mérhetik a kidobott élelmiszereket. A jelentésben idézett szolgáltatói és vállalati tapasztalatok szerint az MI-alapú hulladékmérő rendszerek alkalmazásával egyes szállodai, éttermi és intézményi konyhákban 30–53 százalékkal csökkent az élelmiszer-hulladék mennyisége. A hangsúly egyre inkább nemcsak a veszteségek mérésére, hanem azok megelőzésére helyeződik.
Nem minden a technológián múlik
A jelentés egyik legfontosabb megállapítása, hogy az MI technikai pontossága önmagában nem garantálja az élelmiszer-pazarlás csökkenését.
Gyakori akadály az adatok töredezettsége: az értékesítési, készlet-, termelési és logisztikai információk sok esetben külön rendszerekben és eltérő formátumban állnak rendelkezésre. Megfelelő adatminőség nélkül még a fejlett modellek sem képesek megbízható eredményeket szolgáltatni.
Az ösztönzőrendszerek is ellentmondhatnak a hulladékcsökkentési céloknak. Ha például egy üzletvezetőt elsősorban a polcok feltöltöttsége alapján értékelnek, akkor felülbírálhatja az alacsonyabb rendelési mennyiségre vonatkozó MI-javaslatot, még akkor is, ha az szakmailag megalapozott. A technológia csak akkor hoz valódi eredményt, ha az ajánlásai beilleszthetők a napi működésbe, és a dolgozóknak van lehetőségük a szükséges intézkedések megtételére.
A jelentés ezért azt javasolja, hogy a vállalkozások ne általános digitalizációs célként vezessék be az MI-t, hanem egy jól körülhatárolható, mérhető veszteségforrás kezelésével kezdjenek. A beruházás előtt rendezni kell az adatokat, az eredményességet pedig nem csupán a modell pontosságával, hanem a ténylegesen elkerült veszteséggel, a kihozatal javulásával, a selejt csökkenésével vagy a költségmegtakarítással célszerű mérni.
A mesterséges intelligencia tehát nem csodaszer, hanem feltételesen hatékony döntéstámogató eszköz. Ott képes érdemi eredményt elérni, ahol a probléma pontosan azonosítható, megfelelő minőségű adatok állnak rendelkezésre, a vállalati ösztönzők támogatják a veszteségcsökkentést, és a szervezet képes a rendszer által adott információk alapján ténylegesen cselekedni.
Az élelmiszeripari vállalkozások számára ezért elsősorban azok a kisebb, jól mérhető alkalmazások jelenthetik a reális kiindulópontot, amelyek közvetlenül kapcsolódnak a selejt, a túltermelés, a készletveszteség vagy a nem tervezett leállások csökkentéséhez.
