AI a fermentované mléčné proteiny: lekce z Betterland

V potravinářství se často říká, že „dobrá receptura si cestu najde“. Jenže příběh značky Betterland Foods ukazuje, že ani skvěle chutnající produkt s udržitelným příběhem nemusí přežít, když narazí na realitu maloobchodu, cenotvorby a komunikace se zákazníkem.

Betterland (včetně čokoládových tyčinek WOO a „cow‑free“ mléka) stavěl na syrovátkové bílkovině vyrobené přesnou fermentací. Podle dostupných informací firma v roce 2023 řešila ukončení či prodej; následně zaznělo upřesnění, že nejde o „zavření“, ale o přípravu na prodej a jednání s většími CPG hráči. Ať už dopadne transakce jakkoli, případ je cenný: ukazuje, kde se v alternativních proteinech nejčastěji láme chleba.

V rámci naší série „Umělá inteligence v zemědělství a potravinářství“ mě na tom zajímá hlavně jedna věc: kolik z těchto rizik jde řídit daty a AI – a jak konkrétně. Protože u startupů s fermentovanými bílkovinami dnes nejde jen o vědu. Jde o exekuci.

Co Betterland odhalil: problém není jen technologie

Hlavní pointa: přesná fermentace může dodat funkčnost podobnou živočišným proteinům, ale úspěch na trhu rozhoduje kombinace ceny, distribuce a srozumitelné komunikace.

Betterland nevstupoval do prázdného prostoru. Mléčné výrobky i sladkosti jsou extrémně konkurenční kategorie a spotřebitelská loajalita je v nich tradičně vysoká. Pokud k tomu přidáte „nuancovanou“ zprávu typu „bez zvířat, ale identické“, dostáváte marketingově složitý úkol.

A pak je tu ekonomika: přesná fermentace typicky znamená vyšší náklady (zejména při menších objemech), složitější výrobu, více kroků v dodavatelském řetězci a často i vyšší nároky na řízení kvality. To všechno se dá zvládnout – ale jen když je firma schopná řídit nejistotu.

„Bez krav“ není automaticky srozumitelné

Klíčová překážka: zákazník si během 3–5 sekund u regálu musí vytvořit jistotu, že produkt je bezpečný, chutný a stojí za tu cenu.

U fermentovaných mléčných proteinů narážíte na několik bariér:

• Jazyk a framing: „fermentace“ zní pro část lidí přirozeně (jogurt, kvásek), pro část laboratorně.
• Alergeny a očekávání: syrovátkový protein „bez zvířat“ může být stále problém pro alergiky na mléčné bílkoviny – zákazník musí pochopit rozdíl mezi laktózou a mléčnou bílkovinou.
• Funkčnost vs. emoce: „pění jako mléko“ je racionální benefit, ale v kategorii sladkostí a mléka vyhrává i zvyk, značka, dostupnost.

Tady se AI hodí překvapivě prakticky: ne jako „robotický marketér“, ale jako nástroj pro rychlé testování sdělení na různých segmentech.

Kde AI reálně pomůže alt-protein startupům (a proč to není hype)

Hlavní pointa: AI dokáže zkrátit cyklus „vymyslím → vyrobím → zjistím, že to lidé nechápou“ na „otestuji → upravím → teprve pak škáluji“.

U přesné fermentace je drahé dělat chyby pozdě. Každá špatná šarže, každá špatně nastavená cenovka nebo špatně vybraná prodejní síť bolí násobně víc než u běžného CPG.

1) AI v R&D: lepší receptura, méně slepých uliček

Co AI umí: modelovat vztah mezi složením a výslednými vlastnostmi (chuť, textura, stabilita, pěnivost), navrhovat varianty receptur a prioritizovat experimenty.

Typické použití:

• predikce stability (např. oddělování fáze v nápoji)
• optimalizace sladidel a aromat pro „clean label“ bez ztráty chuti
• zrychlení experimentů pomocí aktivního učení (model navrhuje, které testy mají nejvyšší informační hodnotu)

Moje zkušenost z praxe: firmy často podceňují, kolik času se ztratí v „ruční“ iteraci receptur. AI tady není magie – je to disciplinovaný způsob, jak přestat hádat.

2) AI ve výrobě: výtěžnost a konzistence rozhodují o marži

Co AI umí: hlídat odchylky ve fermentaci, predikovat výnosy a snižovat variabilitu mezi šaržemi.

U přesné fermentace je běžné, že malá změna (teplota, pH, dávkování živin, kvalita vstupních surovin) udělá velký rozdíl ve výtěžnosti. Z pohledu byznysu to znamená jediné: kolísající COGS (náklady na vyrobenou jednotku). A když COGS kolísá, cenotvorba i retail vyjednávání jsou peklo.

AI se zde používá jako:

• systém včasného varování (anomaly detection)
• prediktivní řízení procesu (soft-senzory, modely pro online odhad koncentrací)
• plánování výroby (kdy spustit šarži, jak kombinovat zakázky)

3) AI v go‑to‑market: méně intuice, víc pravděpodobnosti

Co AI umí: odhadovat poptávku, optimalizovat cenu a vybrat kanály, kde má produkt šanci.

Betterland ukazuje, jak těžké je prorazit v kategoriích, kde lidé „jedou svoje“. AI může pomoct odpovědět na otázky, které se jinak řeší pocitem:

• Které segmenty zákazníků nejspíš přijmou „animal‑free whey“?
• Jaký claim funguje v e‑shopu a jaký v kamenném retailu?
• Jak citlivá je poptávka na cenu (price elasticity) při různých baleních?

Prakticky to znamená spojit:

• data z kampaní (CTR, konverze, dotazy na zákaznické lince)
• data z prodeje (opakované nákupy, regionální rozdíly)
• retail signály (promo, umístění, out‑of‑stock)

A postavit nad tím modely, které dávají doporučení – ne jen report.

Proč „prodej značky“ dává smysl a co si z toho odnést v Česku

Hlavní pointa: u fermentovaných proteinů často vyhrávají ti, kdo mají přístup ke kapacitám, distribuci a trade marketingu – ne jen k technologii.

Pokud firma usoudí, že nejlepší cesta je „zabalit“ značky a prodat je většímu CPG hráči, není to ostuda. Je to uznání reality:

• velcí hráči mají vyjednané podmínky s řetězci
• umí financovat zalistování, promo a logistiku
• mají procesy pro kvalitu, compliance a škálování

Z pohledu českého trhu je to relevantní hned dvakrát. Za prvé: maloobchod je u nás koncentrovaný a zalistování je tvrdé. Za druhé: spotřebitel je cenově citlivý – pokud produkt nedá jasný důvod „proč připlatit“, dlouho nevydrží.

Co to znamená pro české potravináře a agri startupy

Pokud vyvíjíte alternativní proteiny, funkční potraviny nebo nové ingredience, doporučuji dívat se na AI jako na „pojistku“ proti třem typům drahých omylů:

1. Omyl v produktu: dobrá chuť nestačí, musí sedět i textura, stabilita a očekávání v použití.
2. Omyl v ekonomice: bez kontroly výtěžnosti a variabilit bude marže mizet.
3. Omyl v komunikaci: zákazník musí rozumět benefitu bez školení.

Praktický checklist: jak AI nasadit, aniž byste vyhodili rozpočet

Hlavní pointa: nejde o to koupit „AI platformu“, ale vybrat 2–3 use-casy, které se vrátí do 90–180 dní.

Tady je postup, který se mi opakovaně osvědčil:

1. Začněte jedním metrikovým problémem. Např. „kolísá výtěžnost“, „vrací se dotazy na alergen“, „nefunguje opakovaný nákup“.
2. Udělějte datovou inventuru. Co už máte (LIMS, MES, ERP, e‑shop data, reklamace, šarže)?
3. Postavte jednoduchý model a ověřte přínos. Klidně jen predikce odchylky šarže nebo segmentace zákazníků.
4. Teprve pak automatizujte rozhodování. Např. pravidla pro zastavení procesu, doporučení pro recepturu, pricing guardrails.

V potravinářství se AI vyplácí tehdy, když sníží variabilitu. Variabilita je tichý zabiják marže i reputace.

Co bude v roce 2026 rozhodovat o vítězích v alt-proteinech

Hlavní pointa: trh bude méně odpouštět příběhy bez ekonomiky a více oceňovat firmy, které umí škálovat konzistentně.

Ke konci roku 2025 je znát, že investoři i retail jsou opatrnější. Nestačí „udržitelný slib“; musí být vidět, že firma rozumí:

• výrobnímu řízení (kvalita, výtěžnost, náklady)
• poptávce (kdo kupuje, proč, jak často)
• regulaci a označování (jasná komunikace, bez zmatků)

A tady se kruh uzavírá: AI v zemědělství a potravinářství není jen o monitoringu polí nebo predikci výnosů. Stejná logika práce s daty (predikce, optimalizace, řízení rizika) je přesně to, co alt-protein firmy potřebují, aby přežily tlak na cenu i důvěru.

Pokud vyvíjíte nový produkt s fermentovanými bílkovinami nebo jinou udržitelnou ingrediencí, dal bych si dnes jednu otázku dopředu: Které rozhodnutí děláme naslepo – a co by se změnilo, kdybychom měli model místo odhadu?