AI ve výrobě nápojů: 2D tištěné ovesné mléko

94 % méně obalů a 85 % nižší hmotnost při přepravě. Tohle nejsou marketingové sliby bez čísel, ale konkrétní parametry, se kterými přichází koncept „plochého balení“ rostlinného mléka ve formě tištěných plátů. A právě tady se hezky ukazuje, proč se v našem seriálu „Umělá inteligence v zemědělství a potravinářství“ nevyplatí mluvit jen o dronech nad polem. AI má čím dál častěji prsty i v tom, co se děje po sklizni – v recepturách, výrobě, logistice a udržitelnosti.

Značka Milkadamia (známá hlavně makadamiovým „mlékem“) oznámila, že uvádí na trh ovesnou variantu, ale ne jako klasický nápoj v kartonu. Místo toho prodává tištěné pláty ovesného mléka, které si doma rehydratujete ve vodě přes noc, nebo je rozmixujete „na počkání“. Zní to jako kuriozita? Já bych to tak nebral. Tenhle formát dává smysl hlavně ve chvíli, kdy do hry vstoupí AI řízení kvality, optimalizace receptury a predikce chování produktu.

Proč vůbec „tisknout“ mléko do plátů

Krátká odpověď: protože voda je těžká a obal je drahý (pro klima i rozpočet). Většina rostlinných mlék je z velké části voda. Když ji vozíte napříč státy (a u nás často i napříč Evropou), platíte emisemi i náklady za něco, co má spotřebitel doma v kohoutku.

Milkadamia staví na jednoduché logice: pošlete koncentrát v pevné formě a vodu přidejte až v místě spotřeby. Podobnou myšlenku známe z práškových směsí, jenže „plát“ může být pro část zákazníků příjemnější forma než prášek (méně práší, lépe se dávkuje, působí prémiověji).

Co je 2D tisk potravin v praxi

2D tisk tady neznamená „vytisknu si doma mléko na tiskárně“. Jde o výrobní proces, kdy se mléčná pasta nanáší a „tiskne“ do tenkých vrstev na plochý nosič, který se následně vysuší do stabilních plátů. Výsledek je lehký, skladný a relativně odolný.

Z technologického pohledu je to spíš precizní dávkování a sušení než futuristická 3D tiskárna na kuchyňské lince. A to je dobře – čím méně „kouzel“, tím snazší škálování.

Udržitelnost: méně obalu, méně přepravy, méně odpadu

Značka uvádí dvě čísla, která stojí za pozornost:

• −94 % obalového materiálu
• −85 % hmotnosti produktu

Ať už budou reálné hodnoty v praxi o něco nižší (to se u nových produktů občas stává), směr je jasný: největší stopu u nápojů často nedělá ingredience, ale forma distribuce.

V původním kontextu se připomíná i srovnání dopadu balené vody s kohoutkovou – tam se uvádí až 3 500× vyšší klimatický dopad u balené vody. Přeneseně: pokud má spotřebitel doma vodu a výrobce umí prodat chuť, výživu a funkci v „suché“ formě, dává to environmentálně smysl.

Kde do toho vstupuje AI: receptura, kvalita a stabilita

Krátká odpověď: bez dat a modelů je konzistence plátů loterie. U tekutého nápoje se spousta věcí „schová“ v homogenizaci a standardních kontrolách. U plátů řešíte úplně jiné problémy: lámavost, rozpustnost, pěnivost, chuť po rehydrataci, stabilitu emulze po rozmixování.

AI (a obecně data science) do toho vstupuje ve třech vrstvách.

1) AI pro optimalizaci receptury (méně pokus–omyl)

U ovesného mléka typicky ladíte:

• viskozitu (aby se to dobře „tisklo“)
• sušení (aby se plát nelámal ani nelepíl)
• chuť a aroma (po rehydrataci se některé tóny zvýrazní)
• stabilitu emulze (aby se nápoj po rozmíchání nerozpadal)

Tady AI pomáhá tím, že modeluje vztahy mezi složením, procesními parametry a výslednou kvalitou. Prakticky: místo 200 laboratorních variant zkoušíte 40, protože model navrhne slibné kombinace.

V potravinářství se pro to často používají přístupy typu DOE (design of experiments) doplněné o strojové učení, které lépe zachytí nelinearity (například jak se chová směs při různých teplotách sušení a různém podílu vlákniny).

2) Počítačové vidění a prediktivní kontrola kvality

U plátů je klíčová rovnoměrná tloušťka, absence prasklin, konzistentní barva (indikace přepálení/přesušení), a také povrchová struktura.

Počítačové vidění umí v reálném čase:

• měřit odchylky tloušťky a hustoty
• detekovat mikropraskliny
• hlídat „edge defects“ (okraje se často chovají jinak než střed)

A nejde jen o „vyhodit vadný kus“. Hodnota je v tom, že AI systém zvedne ruku včas a řekne: „Sušíš moc agresivně, za 12 minut ti poroste zmetkovitost.“ To je přesně ten typ optimalizace, který potravinářům šetří peníze i materiál.

3) Predikce chování po rehydrataci (to je zákaznická pravda)

Největší riziko takových produktů je jednoduché: zákazník to zkusí jednou a řekne „to se nerozpouští“ nebo „v kávě se to sráží“.

AI může pomoci modelovat a testovat:

• rozpustnost v různých teplotách vody
• chování v kávě (kyselost, teplota, ionty)
• čas do stabilní emulze po mixování

Když se to udělá dobře, plát není hračka. Je to nový formát suroviny.

Co to znamená pro zemědělství: oves jako „datová plodina“

Krátká odpověď: 2D tištěné mléko posouvá tlak na konzistentní surovinu. Oves pro potravinářství není jen „oves“. Liší se obsahem bílkovin, betaglukanů, tuků, vlhkostí i enzymatickou aktivitou. A když z něj děláte pláty, malé odchylky se můžou projevit víc než u běžného nápoje.

To vytváří prostor pro AI už na úrovni agronomie:

• predikce kvality zrna podle odrůdy, půdy, počasí a agrotechniky
• třídění a blending (míchání šarží tak, aby výsledný profil odpovídal cíli)
• traceabilita: rychlé dohledání, proč konkrétní šarže hůř „tiskla“

Jinými slovy: potravinářský „flat pack“ může zpětně tlačit na preciznější zemědělství. To je přesně propojení farmy a továrny, které v Česku často chybí.

Je to trend, nebo slepá ulička? Realistický pohled pro rok 2025

Krátká odpověď: trh si to vyzkouší, ale přežijí jen produkty, které zjednoduší život. Potravinářské inovace padají nejčastěji na tom, že jsou „zajímavé“, ale přidávají krok navíc.

U plátů se bude rozhodovat podle těchto faktorů:

Co může fungovat

• E-commerce a domácí zásoby: menší objem, nižší poštovné, delší trvanlivost.
• HORECA (kavárny, hotely): standardizované dávkování, méně odpadu, méně skladového prostoru.
• Outdoor a cestování: lehké balení a rychlá příprava.

Co může brzdit adopci

• Chuť a textura po rehydrataci: lidé odpouští „zdravé“, ale ne „divné“.
• Cena za litr po namíchání: udržitelný formát nesmí být jen pro nadšence.
• Návodovost: jakmile je potřeba tři kroky a správná teplota, polovina trhu odpadne.

Mimochodem: existují i další přístupy k „tištěným“ nápojům – třeba koncentráty přímo v obalu. Ale domácí „tiskárny na nápoje“ zatím spíš narazily na realitu (údržba, hygienické limity, servis). To je dobrá zpráva: průmyslové řešení má větší šanci než gadget do kuchyně.

Jak z toho vytěžit hodnotu: 5 konkrétních kroků pro firmy

Krátká odpověď: začněte daty, ne tiskárnou. Pokud jste výrobce potravin, nápojů nebo ingrediencí a přemýšlíte, co si z konceptu „mléčných plátů“ vzít, tady je postup, který dává smysl i bez velkých investic.

1. Zmapujte uhlíkovou stopu distribuce: kolik z vaší stopy dělá obal a logistika vs. výroba.
2. Vyberte produkt vhodný pro „dehydratovanou“ formu: kde zákazník akceptuje míchání (káva, protein, kakao, rostlinné mléko do kuchyně).
3. Založte minimální datový základ: suroviny (šarže), procesní parametry, reklamace, senzorika.
4. Nasaďte jednoduchou AI kontrolu kvality: kamera + model na detekci vad je často rychlejší než složité laboratorní metody.
5. Testujte uživatelskou zkušenost ve dvou scénářích: „přes noc“ a „instantně“. Produkt musí obstát v obou, jinak si ho lidé přizpůsobí a zklamou se.

„U potravin vyhrává technologie, která je neviditelná – protože zákazník jen dostane stejnou (nebo lepší) chuť s menším odpadem.“

Co si odnést a kam se to posune dál

2D tištěné ovesné mléko není jen zvláštní forma balení. Je to ukázka, že AI v potravinářství často znamená optimalizovat proces tak, aby nový formát byl stabilní, chutný a škálovatelný. A v širším kontextu zemědělství je to tlak na konzistentnější suroviny, lepší predikce kvality a propojení dat mezi farmou a výrobou.

Pokud se v roce 2025 bavíme o udržitelnosti, realita je prostá: nejrychlejší úspory často nepřichází z nových plodin, ale z toho, že přestaneme vozit vodu a vzduch v obalech. AI nám v tom může pomoct překvapivě prakticky – od návrhu receptury až po kontrolu každého plátu na výrobní lince.

Chcete zjistit, kde se ve vašem provozu dá AI použít nejrychleji a s měřitelným dopadem – ve výrobě, kvalitě, nebo v plánování surovin? Napište nám zadání a projdeme ho jako projekt: data, cíle, rychlé piloty a teprve pak škálování. Jaký produkt by podle vás nejvíc dával smysl převést do „flat pack“ formátu jako první?