AI v alternativním mase: jak škálovat bez humbuku

V lednu 2023 se rozjela mediální přestřelka: velké médium prohlásilo rostlinné maso za „módu“, a lidé z oboru (včetně Rachel Konrad, která prošla Teslou, Impossible Foods a dnes působí v Production Board) to nenechali bez reakce. Ten spor nebyl jen o titulky. Byl o něco praktičtějšího: jak poznat, co je skutečný trend, co je jen hype a co se umí dlouhodobě uživit.

A právě tady se hezky potkává svět alternativních proteinů s tématem naší série „Umělá inteligence v zemědělství a potravinářství“. Protože realita je prostá: chuť a cena rozhodují, ale škálování (výroba, kvalita, dodávky, marketing) vyhrává nebo prohrává na datech. A data dnes bez AI často zůstávají nevyužitá.

Tenhle článek bere podcastový kontext jako odrazový můstek a jde dál: ukáže, kde AI v alternativním mase opravdu pomáhá, jaké metriky sledovat, co dává smysl už teď v Česku a na co si dát pozor, pokud chcete z tématu získat obchodní hodnotu (a ne jen další prezentaci do šuplíku).

Rostlinné maso není „móda“. Je to produktová disciplína

Rostlinné maso neprohrává proto, že by lidé „přestali chtít udržitelnost“. Prohrává, když není dost dobré v běžných nákupních situacích: ve slevě, v akci, do školní jídelny, do kantýny, do grilu na chalupu.

Nejčastější bariéry, které v praxi slyším od výrobců i retailerů, jsou pořád stejné:

• Cena: alternativy často nedosáhnou na psychologické cenové hladiny (např. „pod 50 Kč za porci“).
• Senzorika: vůně, textura, „dozvuk“ bílkovin, chování na pánvi.
• Důvěra a jednoduchost: složení, alergeny, zpracování, srozumitelnost.
• Konzistence šarží: stejné sousto v lednu i v červnu.

AI nepřekryje slabý produkt. Ale výrazně zrychlí iteraci a sníží náklady na hledání správné receptury i správného trhu.

Myth-busting: „Když prodeje nerostou, trh se zhroutil“

Pokles tempa růstu po období boomu je normální. Důležité je rozlišit:

• normalizaci po hype (zákazník se vrací k racionálnímu nákupu),
• od strukturálního problému (produkt nedává smysl cenou, chutí, nebo dostupností).

A tohle rozlišení je přesně typ úlohy, kde se hodí AI: umí spojit prodeje, promo akce, recenze, dostupnost, sezónnost a lokální kontext do jednoho obrazu.

Kde AI zrychluje vývoj alternativních proteinů

Největší přínos AI dnes není „magická receptura“. Je to rychlost rozhodování: co testovat, v jakém pořadí, a proč.

AI pro receptury: od tisíců variant k několika vítězům

Vývoj rostlinného masa je kombinatorická úloha. Měníte podíly bílkovin (hrách, sója, pšenice), tuků, vlákniny, pojiv, aromat, barviv, procesních podmínek extruze… a každá změna ovlivní chuť i výrobní stabilitu.

AI tady funguje ve třech krocích:

1. Modelování vztahu „složení → vlastnost“ (textura, šťavnatost, výtěžnost, cena).
2. Optimalizace na více cílů najednou (chuť + náklady + nutriční profil + stabilita).
3. Doporučení dalšího experimentu (aktivní učení) tak, aby se laboratoř netočila v kruhu.

Praktický dopad: méně slepých pokusů, rychlejší „go/no-go“ rozhodnutí a dřívější posun z pilotu do výroby.

Senzorika a spotřebitel: AI spojuje jazyk recenzí s reálným prodejem

Čistě laboratorní hodnocení často míjí realitu. Zákazník nehodnotí „tvrdost v N“ nebo „water holding capacity“. Zákazník řekne: „Je to gumový“, „smrdí to po hrachu“, „na grilu se to rozpadlo“.

AI umí udělat dvě užitečné věci:

• NLP analýzu recenzí a stížností (e-shop, sociální sítě, zákaznická linka) a převést ji na témata: textura, pachuť, slanost, cena.
• Propojit témata s daty o nákupu: kde se produkt vrací do košíku a kde končí jako „jednorázový experiment“.

Tady vzniká tvrdá pravda, kterou mám rád: opakovaný nákup je jediná reklama, která se počítá.

Digitální dvojče výroby: méně zmetků, stabilnější kvalita

Jakmile rostete, začíná bolet výroba: šarže, teploty, vlhkost, tlak, rychlost šroubu, změny surovin. AI a pokročilá analytika (často nad MES/SCADA daty) pomáhá:

• predikovat odchylky kvality ještě během běhu linky,
• hlídat drift surovin (jiná bílkovina, jiná šarže),
• optimalizovat nastavení tak, aby výtěžnost držela i při změně dodavatele.

Tohle je přesně typ „neviditelné“ inovace, která nedělá titulky, ale dělá marži.

AI ve škálování: dodavatelský řetězec, cena a dostupnost

U alternativních proteinů se často diskutuje ideologie. V praxi rozhoduje logistika. Pokud není produkt na regále, není ani „trend“.

Předpověď poptávky: méně vyhazování, méně výpadků

Alternativní maso je citlivé na:

• promo akce,
• sezónu (grilovací období, leden a „odlehčení“),
• lokální preferenci (městské vs. venkovské prodejny),
• cenovou elasticitu.

AI forecasting modely (kombinující prodeje, ceny, promo kalendář, počasí, lokální události a dostupnost) typicky zlepšují:

• plánování výroby,
• skladové zásoby,
• rozvoz do prodejen.

Pro leadově orientované firmy (výrobci technologií, integrátoři, datové týmy) je tohle často nejlepší „entry point“: rychlá ROI, jasná metrika, škálovatelnost.

Optimalizace nákladů: kde opravdu utíkají peníze

AI nepřesune ceny surovin. Ale pomůže najít kompromis: co změnit, aby produkt zůstal chutný a současně levnější.

Konkrétní páky, které dávají smysl modelovat:

• náhrady surovin (např. směsi proteinů vs. jeden prémiový zdroj),
• zkrácení procesních kroků,
• snížení zmetkovitosti,
• energetická náročnost (čas/teplota/účinnost).

U výroby potravin se často vyplatí i „nudná“ AI: prediktivní údržba. Když stojí extrudér nebo balicí linka, nejde jen o opravu. Jde o nedodané objednávky a ztracenou důvěru retailu.

Co si z toho vzít v Česku: praktický plán na 90 dní

Nejčastější chyba firem v potravinářství: začnou AI projektem „shora“ (strategický dashboard), ale bez kvalitních datových základů a bez rozhodnutí, které má AI reálně zlepšit.

Tady je postup, který funguje a je realistický i pro středně velké výrobce:

1) Vyberte jeden problém, který má finanční metriku

Dobré startovní případy:

• snížení zmetkovitosti o X %,
• zlepšení přesnosti forecastu o X %,
• snížení zásob o X dní,
• zvýšení opakovaného nákupu o X p. b.

Bez metriky se z AI stane „hezký experiment“.

2) Udělejte rychlý datový audit (1–2 týdny)

Zmapujte:

• kde leží prodejní data (ERP, retailer, e-shop),
• kde leží výrobní data (MES/SCADA, laboratorní výsledky),
• jak se značí šarže, receptury, změny nastavení,
• jaké jsou mezery (ruční Excel, chybějící timestampy, nejednotné kódy).

3) Postavte „minimum viable model“ (4–6 týdnů)

Cíl: ne dokonalost, ale použitelnost.

• u forecastu: baseline vs. AI model, test na 8–12 týdnů historie,
• u kvality: predikce odchylky + doporučení zásahu (např. úprava vlhkosti směsi),
• u recenzí: témata + korelace s vracením produktu do košíku.

4) Zapojte výrobu a obchod, nechte je model „škrábat“

Model, který nejde používat v provozu, je akademie. Dejte uživatelům možnost říct: „Tohle je nesmysl, protože…“ a upravte vstupy.

5) Rozhodněte: škálujeme, nebo končíme

AI není povinná výbava. Pokud po pilotu není efekt, ukončete to a vyberte jiný use-case. Disciplína je výhoda.

Kam to míří v roce 2026: AI jako motor R&D i důvěry

Vývoj alternativních proteinů bude v příštích letech méně o mediálních soubojích a víc o tom, kdo zvládne:

• zlevnit bez zhoršení chuti,
• držet stabilitu šarží,
• rychle reagovat na preference trhu,
• prokázat kvalitu a konzistenci daty.

A tady je moje nepopulární teze: bez AI bude škálování alternativních proteinů zbytečně drahé. Ne proto, že by lidé bez AI neuměli vyrobit burger. Ale proto, že bez AI se budete učit pomalu, a potravinářství je dnes rychlost.

Pokud jste výrobce, retailer, nebo technologický dodavatel, dává smysl začít malým, měřitelným projektem. V rámci série „Umělá inteligence v zemědělství a potravinářství“ se k tomu budeme vracet i z dalších úhlů: od predikce výnosů surovin až po automatizaci kvality ve výrobě.

A teď jedna otázka, která rozhoduje o všem: Kdybyste měli AI použít jen na jedinou věc v alternativních proteinech, byla by to chuť, cena, nebo dostupnost?