AI a alternativní maso: co rozhoduje o úspěchu

Propad prodejů rostlinných burgerů není důkaz, že „alternativní maso byla jen móda“. Je to důkaz, že většina firem i investorů podcenila dvě věci: chuť a cenu – a přecenila marketingový hype.

Přesně tenhle spor rozdmýchal před časem i mediální rozruch kolem článku, který prohlásil rostlinné maso za pomíjivý trend. V podcastu The Spoon se k tomu vrací Rachel Konrad (ex-Tesla, ex-Impossible Foods, dnes Production Board) a její pohled je pro náš seriál „Umělá inteligence v zemědělství a potravinářství“ užitečný hlavně z jednoho důvodu: v pozadí celé debaty je práce s daty. A v roce 2025 už se ta práce bez AI prakticky nedá dělat rychle, levně a ve škále.

Tahle oblast není o tom, že by „AI vařila burger“. Je o tom, že AI (a obecně datová analytika) zkracuje vývojové cykly, snižuje plýtvání, pomáhá odhadovat poptávku a optimalizuje výrobu – od farmy až po závod na zpracování.

Mediální hype vs. realita trhu: proč se alternativní maso „zaseklo“

Alternativní proteiny se nezasekly proto, že by lidé hromadně zavrhli udržitelnost. Zasekly se proto, že spotřebitelé hlasují peněženkou a jazykem.

V praxi se opakuje stejný vzorec:

• První nákup udělá zvědavost (nebo doporučení).
• Druhý nákup udělá chuť, cena a dostupnost.
• Třetí nákup udělá zvyk (a ten je drahý).

Když Rachel Konrad mluví o mediálním „hullabaloo“, mezi řádky říká: nenechte se řídit titulky. Trh potravin je pomalý, marginální, tvrdý. Neodpouští produkty, které jsou „skoro jako“ – a zároveň dražší.

Co s tím má společného AI v potravinářství

AI je dnes nejpraktičtější nástroj, jak tuhle „skoro jako“ fázi překonat.

• V R&D pomáhá hledat kombinace surovin a procesů, které posunou chuť a texturu.
• V provozu pomáhá snižovat náklady (energie, odpad, výtěžnost).
• V obchodu pomáhá odhadnout, kde produkt dává smysl (a kde shoří na ceně).

A to je přesně moment, kdy se alternativní maso propojuje s tématy, která řeší české zemědělství a potravinářství: efektivita, predikce, optimalizace a stabilita dodavatelských řetězců.

Co si mohou vzít zemědělci a potravináři z příběhu Impossible a CES

To, že Impossible Foods přivezli na CES (technologický veletrh) v roce 2019 „Impossible 2.0“, byla chytrá komunikace. Ale nebyla to jen komunikace. Byla to demonstrace, že potravina je technologický produkt – a že vývoj potravin se začíná podobat vývoji hardwaru nebo aut.

Z pohledu praxe v Česku to přináší dvě důležité lekce:

1. Produktové iterace jsou normální. „Verze 2.0“ u potravin dřív zněla divně, dnes je to realita. Chuť se ladí, receptury se upravují, procesy se zefektivňují.
2. Data patří do řízení výroby. Kdo řídí výrobu pocitem, bude mít vyšší zmetkovitost, horší plánování a dražší jednotku.

AI jako motor iterací: rychlejší vývoj receptur a procesů

V potravinářství je drahé testovat vše „na mokro“ (v kuchyni či pilotní lince). AI dokáže část práce přesunout do simulací a chytrého návrhu experimentů.

Konkrétní přínosy, které dnes firmy běžně sledují:

• Zkrácení času vývoje (méně slepých uliček v testování)
• Vyšší konzistence šarží díky predikci odchylek a včasným zásahům
• Snížení ztrát z přestřelů v dávkování, teplotách, časech a vlhkosti

Tohle jsou „nudné“ věci. A právě ty dělají rozdíl mezi produktem, který přežije, a produktem, který se chvíli prodává díky hype.

Kde AI skutečně pomáhá: 5 praktických oblastí od farmy po regál

AI v alternativních proteinech je nejcennější tam, kde má dost dat a jasný cíl: zlevnit, zlepšit chuť, stabilizovat kvalitu a snížit dopady.

1) Predikce poptávky a plánování výroby

Největší tichý zabiják potravin je špatné plánování. U „nových“ kategorií (rostlinné maso, fermentované proteiny) je to ještě horší, protože historie prodejů je krátká a sezónnost se teprve tvoří.

AI modely pro predikci poptávky typicky kombinují:

• prodeje po týdnech a prodejnách
• promo akce a cenové elasticity
• regionální preference
• signály z e-commerce (vyhledávání, konverze, košíky)

Cíl je jednoduchý: vyrobit správné množství, ve správný čas, pro správný kanál.

2) Optimalizace receptur: chuť, textura, výživové profily

„Dobrá chuť“ není abstrakce. Dá se měřit pomocí senzorických panelů a spotřebitelských testů – a AI umí hledat vzorce.

V praxi se často optimalizuje několik parametrů najednou:

• profil aminokyselin (výživa)
• obsah soli a tuku (zdravotní očekávání)
• šťavnatost a struktura (požitek)
• cena surovin (ekonomika)

Největší přínos AI je v tom, že navrhne, které experimenty stojí za to udělat, místo aby se testovalo náhodně.

3) Řízení kvality a konzistence šarží

U rostlinných proteinů (hrách, sója, pšenice) je běžná variabilita vstupu: jiná sklizeň, jiná vlhkost, jiné složení.

AI v řízení kvality obvykle řeší:

• predikci vlastností směsi z laboratorních a procesních dat
• detekci anomálií (kdy se šarže „rozjíždí“)
• doporučení úprav procesu (např. teplota, rychlost míchání, čas)

Tady se krásně potkává precizní zemědělství (stabilnější surovina) a smart manufacturing (stabilnější produkt).

4) Udržitelnost: energie, voda, odpad

Rostlinné alternativy se často prodávají i přes environmentální argument. Jenže pokud je výroba neefektivní, výhoda se tenčí.

AI se používá k:

• optimalizaci spotřeby energie (např. plánování běhu linek)
• minimalizaci odpadu (lepší výtěžnost, méně reworku)
• řízení vody a CIP procesů (čištění zařízení) tak, aby splnily hygienu a zároveň neplýtvaly

5) Rychlejší rozhodování managementu (a méně „pocitologie“)

Tohle je nejméně sexy, ale nejdůležitější. AI dashboardy a rozhodovací modely pomáhají odpovědět:

• Které SKU má smysl držet?
• Které receptury škálují bez propadu kvality?
• Kde cena suroviny rozbije marži?
• Který kanál (retail, gastro, vlastní e-shop) dává nejlepší jednotkovou ekonomiku?

Když se o alternativním mase mluví jako o módě, často jde jen o to, že firmy neměly disciplínu v datech.

„Je rostlinné maso jen trend?“ Tři odpovědi, které dávají smysl v roce 2025

Krátká odpověď: není to trend. Je to kategorie, která se normalizuje a čistí.

1) Kategorie se přesouvá z hype do rutiny

Po vlně nadšení přichází fáze, kdy zůstanou jen produkty, které splní tři podmínky:

• chutnají i „masožravcům“
• jsou cenově blízko živočišným variantám
• mají stabilní kvalitu a dostupnost

AI tady není marketingová berlička. Je to způsob, jak se k těmto podmínkám prokousat.

2) Vítězí hybridní přístup, ne ideologie

V praxi poroste to, co lidem sedí do života: hybridní strava (méně masa, lepší maso, více rostlinných bílkovin). V českém kontextu to často znamená:

• luštěninové směsi a polotovary, které dávají smysl do běžné kuchyně
• produkty do školních a firemních jídelen, kde rozhoduje cena a výživové normy
• gastro segment, kde se dá dobře „prodat“ chuťový zážitek

AI pomáhá odhadnout, kde má smysl začít, a kde je to předem ztracené.

3) Tlak na zemědělství: výnosy, půda, klima

Evropské zemědělství řeší extrémy počasí, tlak na pesticidy i emise. Alternativní proteiny nejsou jediná odpověď, ale jsou jednou z nich.

A pokud chceme bílkoviny vyrábět chytřeji, potřebujeme:

• data z polí (precizní zemědělství)
• data ze zpracování (potravinářská výroba)
• data z trhu (poptávka a ceny)

Bez AI se tohle propojuje těžko.

Co můžete udělat hned: mini-checklist pro firmy v zemědělství a potravinářství

Pokud jste producent surovin, zpracovatel nebo značka a zvažujete alternativní proteiny (nebo obecně inovace v potravinách), doporučuji začít pragmaticky:

1. Zmapujte data, která už máte: laboratorní výsledky, šarže, reklamace, výrobní parametry, prodeje.
2. Vyberte jeden problém, který má finanční dopad do 3–6 měsíců (např. odpad, výtěžnost, predikce poptávky).
3. Nastavte metriky: Kč/šarže, % zmetkovitosti, kWh/t, přesnost forecastu.
4. Začněte pilotem na jedné lince nebo jedné produktové řadě.
5. Teprve potom škálujte – jinak jen rozšíříte chaos.

Jedna věta, která se mi v praxi potvrzuje: AI nepřidá disciplínu do procesu, jen ji bez milosti odhalí.

Kam to míří dál: alternativní proteiny jako test dospělosti potravinářství

Alternativní maso je dobrý „stres test“ pro celý obor. Ukazuje, kdo umí pracovat s daty, rychle iterovat a udržet kvalitu i marži. A ukazuje i to, že udržitelnost bez ekonomiky nefunguje.

Pokud sledujete náš seriál o umělé inteligenci v zemědělství a potravinářství, berte tenhle příběh jako varování i příležitost: nejde o to, jestli je AI módní. Jde o to, jestli máte pod kontrolou čísla, která rozhodují o přežití produktu.

Chcete z AI vytěžit konkrétní přínos pro vaše plodiny, receptury nebo výrobu? Začněte jedním use-casem a jedním zdrojem dat – a buďte nekompromisní v měření výsledků. Jaký proces ve vašem podniku dnes nejvíc trpí „pocitovým řízením“?