AI zachrání čokoládu? Jak data mění receptury i cenu

Ceny kakaa v posledních letech létají nahoru a dolů tak prudce, že to v nákupu i vývoji připomíná krizové řízení, ne plánování. Přidejte extrémy počasí, tlak na udržitelnost a regulace typu Nutri-Score – a máte dokonalý recept na to, aby se z „jisté“ suroviny stala strategická komodita. Čokoláda z toho nevychází dobře. Ne proto, že by o ni lidé přestali stát, ale protože její základní ingredience je čím dál křehčí.

A právě tady začíná být umělá inteligence v potravinářství užitečná způsobem, který jde daleko za marketingové sliby. Když se tradiční gigant Barry Callebaut spojí s NotCo (firmou známou svým AI přístupem k formulacím), není to „hezká inovace do šuplíku“. Je to pokus zrychlit R&D cykly, hledat náhrady surovin a optimalizovat chuť, náklady i dopad na životní prostředí ve stejném kroku.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ beru tuhle zprávu jako signál: AI se přesouvá z prezentací do provozu. A čokoláda je skvělý lakmusový papírek, protože její výroba spojuje zemědělství, logistiku i komplikovanou potravinářskou technologii.

Proč je čokoláda pod tlakem: klima, ceny a dostupnost surovin

Čokoláda je ohrožená hlavně proto, že kakao je citlivá plodina s úzkým „klimatickým oknem“. Když se dlouhodobě mění srážky, teploty a výskyt škůdců, projeví se to na výnosech i kvalitě. Pro výrobce čokolády to znamená tři praktické problémy:

• Volatilita cen kakaa: nákupní týmy řeší větší výkyvy a horší predikovatelnost.
• Kolísání kvality: stejné „kakao z dané oblasti“ se může chovat jinak v chuti, barvě i obsahu tuku.
• Tlak na reformulace: zákazníci chtějí stejný produkt, ale dodavatelský řetězec se mění.

V Česku to nejvíc vidíme v regálech před Vánoci (a teď, koncem roku 2025, obzvlášť): některé tabulky jsou menší, některé dražší a u prémiových značek se častěji mluví o původu surovin. To není náhoda. Čokoláda se stává položkou, kde budou firmy čím dál častěji řešit: Jak udržet chuť a texturu, když se mění vstupy?

Co AI ve vývoji čokolády skutečně dělá (a co nedělá)

Největší přínos AI v R&D není „vymyslí nový recept za vteřinu“. Přínos je v tom, že systematicky zkracuje počet slepých pokusů a pomáhá dělat rozhodnutí s ohledem na více cílů najednou.

Formulace jako optimalizační problém

Receptura čokolády není jen seznam ingrediencí. Je to souhra:

• chuťových profilů (hořkost, kyselost, praženost, sladkost),
• textury (tání, křehkost, viskozita),
• technologických parametrů (temperace, krystalizace kakaového másla),
• nákladů a dostupnosti surovin,
• udržitelnosti (emise, spotřeba vody, odlesňování),
• nutričních metrik (cukr, tuk, vláknina) a případně Nutri-Score.

AI přístup dává smysl, protože tohle je typický multi-kriteriální problém. Lidský tým dokáže být kreativní, ale jakmile chcete optimalizovat pět věcí současně, rychle narazíte na limity intuice.

„Bez lidské zaujatosti“ neznamená „bez lidí“

V původní zprávě zaznívá myšlenka „rychleji a bez lidské zaujatosti“. Já to čtu střízlivě: AI umí odstranit část zkreslení typu „vždycky to děláme takhle“. Ale pořád platí:

• Data mohou být neúplná nebo historicky zkreslená.
• Modely potřebují validaci v laboratoři a výrobě.
• Senzorika (ochutnávky) a brandový profil jsou lidská disciplína.

Dobrá AI pipeline v potravinářství proto vypadá spíš jako spolupráce: model navrhuje kandidáty, tým testuje, měří, vrací data a model se zlepšuje.

Partnerství Barry Callebaut × NotCo: proč je to velká věc

Tohle spojení je zajímavé hlavně tím, že nejde jen o „pilot“. Podle oznámení má NotCo integrovat svou platformu přímo do R&D procesu Barry Callebaut a použít jejich rozsáhlou databázi know-how a ingrediencí.

End-to-end „AI inovační hub“: co si pod tím představit

Když se řekne „end-to-end“, v praxi to často znamená propojit tři vrstvy:

1. Data z formulací a chemie surovin – složení, vlastnosti, interakce.
2. Senzorická data – popisy chuti, textury, preference panelů.
3. Výrobní parametry – chování v reálné technologii (míchání, konšování, temperace, výtěžnost).

Pokud se tohle opravdu propojí, AI umí hledat receptury, které nejsou jen „dobré na papíře“, ale fungují ve výrobě a zároveň splňují cíle typu náklad/stabilita/Nutri-Score.

Proč je čokoláda ideální pro AI (a proč je těžká)

Čokoláda je pro AI lákavá, protože má bohaté historické know-how a měřitelné parametry. Zároveň je těžká, protože maličká změna v tuku nebo emulgátoru může rozbít texturu. Často platí věta, kterou v potravinářství slýchám pořád:

„Chuť jsme trefili, ale ve výrobě to dělá neplechu.“

Pokud AI pomůže předvídat tyhle „neplechy“ dřív, ušetří to měsíce práce.

K čemu to povede v praxi: 5 oblastí, kde AI může čokoládě pomoct

Nečekejte jednu magickou náhradu kakaa. Čekejte sadu malých, ale kumulativních zlepšení. Tady je pět nejrealističtějších směrů.

1) Rychlejší reformulace při výpadcích surovin

Když se změní dostupnost kakaového másla, lecitinů nebo třeba vanilky, firma potřebuje rychle otestovat alternativy. AI umí vytipovat kombinace, které s vyšší pravděpodobností zachovají:

• viskozitu při zpracování,
• „snap“ (lámavost),
• tání v ústech.

2) Snížení cukru bez „dietní“ pachuti

Snížit cukr a udržet chuť je klasický problém. AI může pomáhat hledat rovnováhu mezi sladidly, vlákninou, kakaovou složkou a aromaty tak, aby produkt stále chutnal „jako čokoláda“ a ne jako kompromis.

3) Stabilita a trvanlivost (méně reklamací)

Bloom (šednutí čokolády) je noční můra kvality. Často souvisí s krystalizací tuků a teplotními výkyvy. Kombinace výrobních dat a senzoriky může AI využít k tomu, aby navrhla recepturu a proces méně citlivé na logistiku.

4) Udržitelnost jako parametr receptury, ne jen certifikát

Udržitelnost se často řeší „na papíře“: audit, certifikát, report. Silnější přístup je mít udržitelnost přímo v optimalizaci receptury. To znamená pracovat s metrikami (např. odhad emisí nebo spotřeby vody na ingredienci) a hledat varianty, které snižují dopad bez ztráty kvality.

5) Produktový vývoj podle preferencí trhu

V Evropě (a v ČR) je vidět polarizace: část lidí jde po prémiových hořkých čokoládách, část po dostupné sladké klasice. AI může spojovat prodejní signály, senzoriku a nákladové modely tak, aby portfolio nebylo řízené pocitem, ale daty.

Co si z toho mají vzít zemědělci a potravináři v Česku

Tohle není jen příběh dvou globálních značek. Je to ukázka, jak se AI dostává do potravinových řetězců end-to-end – od pole po recepturu a výrobu.

Pro zemědělství: data o surovinách budou mít vyšší cenu

Pokud potravinářské firmy začnou optimalizovat receptury podle detailních parametrů surovin, poroste poptávka po:

• konzistentním měření kvality,
• trasovatelnosti šarží,
• predikci výnosů a kvality.

V praxi to nahrává preciznímu zemědělství, senzorům, satelitním datům i AI modelům pro předpověď výnosu – tedy přesně tématům, která v téhle sérii řešíme.

Pro potravináře: AI není chatbot, ale proces

Pokud jste výrobce (ne nutně čokolády), princip je přenositelný. AI dává největší smysl tam, kde máte:

1. opakované vývojové cykly,
2. hodně kombinací ingrediencí,
3. jasná měření výsledků (senzorika, laboratorní analýzy, výrobní data).

A hlavně: potřebujete „datovou disciplínu“. Bez ní bude AI jen drahé hobby.

Praktický check-list: jak začít s AI v R&D bez chaosu

Kdybych měl poradit jeden rozumný postup, vypadal by takhle:

1. Zmapujte data, která už máte (receptury, laboratorní výsledky, reklamace, parametry výroby).
2. Zaveďte jednotné názvosloví ingrediencí a šarží (tohle překvapivě často bolí nejvíc).
3. Vyberte 1 problém, který má jasnou metriku (např. snížit náklady o 5 % bez zhoršení senzoriky).
4. Postavte uzavřenou smyčku: návrh → test → měření → zpětná vazba do modelu.
5. Měřte přínos v čase (dny do prototypu, počet iterací, zmetkovitost, stabilita kvality).

Kam to celé směřuje v roce 2026: závod mezi „food AI“ a obecnými modely

Na trhu se rýsují dva přístupy. Buď specializované platformy zaměřené na potraviny (s doménovými daty, ontologií ingrediencí a know-how), nebo obecné modely, které si firmy přizpůsobí na vlastních datech.

Můj názor: vyhrají ti, kdo zvládnou data a proces, ne ti, kdo mají „nejchytřejší model“. V potravinářství totiž rozhoduje, jestli model umí pracovat s realitou výroby, s kvalitou surovin a s tím, co zákazník skutečně pozná při prvním kousnutí.

A čokoláda? Ta nejspíš „nevymře“. Ale může se stát dražší, méně dostupnou a výrazně více diferencovanou. Firmy, které budou umět rychle adaptovat receptury a dodavatelský řetězec, si udrží marži i důvěru zákazníků.

Pokud vás zajímá, jak podobné principy fungují i u jiných komodit (mléko, obilí, rostlinné proteiny), je to přesně ten moment, kdy dává smysl řešit AI v zemědělství a potravinářství jako jednu propojenou disciplínu – ne jako dvě oddělené oblasti.

Jakmile se suroviny stanou nejisté, vítězí ti, kdo umí rychle formulovat, testovat a vyrábět.

Chcete zjistit, kde má AI nejrychlejší návratnost právě ve vašem potravinářském provozu nebo R&D týmu? Začněte jedním konkrétním use-casem a změřte ho. A pak si položte jednoduchou otázku: kdyby kakao zdražilo znovu skokově, jak rychle dokážete přejít na alternativní formulaci bez ztráty kvality?