AI a fermentace: kam míří investice do alt proteinů

Kdo dnes sleduje investice do alternativních proteinů, vidí jasný signál: fermentace táhne, kultivované maso ztrácí tempo. A není to jen nálada investorů. Je to praktická reakce na to, co se dá škálovat, vyrábět levněji a dostat do regálů v rozumném čase.

Good Food Institute (GFI) ve svém kvartálním přehledu za Q3 2024 upozornil, že právě fermentační technologie jsou aktuálně nejživější částí alt-protein trhu, zatímco kultivované maso naráží na delší vývojové cykly, regulaci a drahé výrobní procesy. Tenhle trend má pro české zemědělství a potravinářství překvapivě přímý dopad: tam, kde je fermentace, tam je prostor pro AI. A kde je AI, tam se z laboratorního nápadu častěji stává výrobní realita.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ se dnes podíváme na to, proč fermentace sbírá investice, proč kultivované maso zatím zaostává – a hlavně jak AI zrychluje vývoj, snižuje náklady a pomáhá firmám vyhrávat ve výrobě i v R&D.

Proč investice do fermentace rostou (a proč je to racionální)

Fermentace dnes působí jako „nejkratší cesta“ k alternativním proteinům, které se dají vyrábět ve velkém. Investoři (ať už fondy nebo strategičtí hráči z potravinářství) typicky hledají kombinaci: technologická výhoda, škálovatelnost, regulace „bez překvapení“ a jasná cesta k tržbám.

Fermentace tyhle body často splňuje lépe než jiné směry. Důvody jsou prozaické:

• Procesy jsou průmyslově známé – potravinářské fermentace (kvasinky, bakterie, enzymy) nejsou exotika. Existuje know-how, zařízení, operátoři.
• Time-to-market bývá kratší – část produktů spadá do kategorií, které se dají uvádět na trh rychleji než kultivované maso.
• Náklady se dají zlepšovat iterativně – výtěžnost, rychlost růstu mikroorganismů, složení média i downstream (čištění) se postupně optimalizují.

Z české perspektivy je důležité ještě něco: fermentace se dá propojit s domácí surovinovou základnou (cukerné a škrobové proudy, vedlejší produkty z potravinářství, případně lignocelulózové hydrolyzáty). Pokud se to udělá chytře, zvyšuje to potravinovou soběstačnost i hodnotu lokálních komodit.

Dvě fermentace, které investory baví nejvíc

1) Biomasa fermentace – mikroorganismus je sám „protein“ (např. mykoprotein). Výhoda: jednodušší proces, často menší nároky na čištění.

2) Přesná (precision) fermentace – mikroorganismus vyrábí konkrétní látku (např. protein, enzym, tuk). Výhoda: cílený produkt, potenciálně vysoká přidaná hodnota, ale náročnější downstream.

A teď to hlavní: AI je pro obě oblasti akcelerátor, protože snižuje počet slepých pokusů a zrychluje učení z dat.

Proč kultivované maso zaostává: problém není „science“, ale výroba

Kultivované maso technologicky postupuje, ale ekonomika výroby je pořád tvrdý protivník. Investoři obvykle neodcházejí proto, že by nevěřili biologii. Odcházejí proto, že cesta k masové produkci je dlouhá a kapitálově náročná.

Co kultivované maso brzdí nejčastěji:

• Cena růstových médií a složek, které musí být konzistentní a bezpečné.
• Bioreaktory a škálování – buněčné kultury mají jiné nároky než mikroorganismy. Citlivost procesu je vyšší.
• Downstream a struktura produktu – vyrobit „buněčnou hmotu“ je jedna věc, vyrobit texturu steaku druhá.
• Regulace a schvalování – obvykle delší a nákladnější cyklus.

Tohle jsou důvody, proč fermentace často působí jako „praktičtější“ sázka v horizontu pár let, zatímco kultivované maso je běh na delší trať.

Z hlediska AI je ale pointa jiná: kultivované maso AI potřebuje ještě víc, jenže firmy musí přežít do chvíle, kdy se přínosy projeví ve velké výrobě. A to je přesně místo, kde se láme investiční chuť.

Kde AI přináší nejrychlejší návratnost ve fermentaci

Nejrychlejší ROI z AI ve fermentaci je v řízení procesu, optimalizaci receptur a v predikci kvality. Jinými slovy: méně zmetků, vyšší výtěžnost, kratší vývoj.

V praxi se AI ve fermentaci nejčastěji opírá o tři zdroje dat: data z bioreaktoru (senzory), laboratorní analýzy (metabolity, proteiny) a výrobní záznamy (šarže, odchylky).

1) „Receptura“ není recept: AI hledá optimum v mnohorozměrném prostoru

Fermentace je plná trade-offů: zvednete teplotu, zrychlíte růst, ale zhoršíte kvalitu produktu. Přidáte dusík, zvednete výtěžnost, ale zdražíte médium.

AI (typicky kombinace modelů a optimalizačních algoritmů) umí:

• navrhovat složení média s ohledem na cenu a dostupnost surovin,
• hledat optimální feed strategie (kdy a kolik přikrmovat),
• předpovídat výnos a riziko odchylky už v průběhu šarže.

Praktický efekt? Týmy se přestanou spoléhat na „laboratorní intuici“ jako na hlavní nástroj a začnou dělat rychlejší, datově vedené iterace.

2) Prediktivní řízení bioreaktoru: méně zmetků, stabilnější kvalita

Ve výrobě se nehraje na průměr. Hraje se na konzistenci.

AI se používá pro:

• detekci anomálií (nečekané změny pH, DO, pěnění, kontaminace),
• soft-senzory (odhad biomasy nebo metabolitů i bez drahých inline měření),
• model-predictive control (řízení procesu tak, aby držel optimální trajektorii).

Jeden dobře nastavený systém v praxi znamená méně vyhozených šarží a menší závislost na „nejlepším operátorovi na směně“.

3) Digitální dvojče fermentace: zrychlení vývoje i škálování

Digitální dvojče (simulační model propojený s reálnými daty) je pro fermentaci silný koncept, protože škálování z labu do pilotu a výroby často selhává na detailech.

Co funguje:

• modelovat přenos kyslíku, míchání a teplotní profily,
• testovat scénáře bez rizika zničení šarže,
• plánovat, co se stane při změně suroviny, dodavatele nebo sezónní variability.

A tady se to napojuje na zemědělství: sezónnost a variabilita vstupů (např. melasa, škrobové hydrolyzáty, vedlejší proudy) je realita. AI + digitální dvojče pomáhají udržet produkt stabilní i při změně suroviny.

Co si z investičních trendů mají vzít české firmy

Investiční trend není jen „americká VC story“. Je to mapa toho, kde se teď nejrychleji staví průmyslové kompetence. Českým potravinářům, zemědělcům a technologickým firmám dává několik konkrétních směrů.

Fermentace jako most mezi zemědělstvím a potravinářstvím

Fermentační provoz není odtržený od primární produkce. Naopak. V ČR dává smysl přemýšlet o tom, jak:

• zhodnotit vedlejší produkty (syrovátka, výpalky, otruby, cukerné proudy),
• stabilizovat kvalitu vstupů pomocí AI kontroly surovin,
• postavit regionální výrobu s kratším dodavatelským řetězcem.

Tohle není romantika o lokálnosti. Je to řízení rizika: geopolitika, ceny energií a tlak na emise nutí firmy držet výrobu blíž a chytřeji.

Tři typické „AI projekty“, které dávají smysl začít hned

1. Predikce výnosu šarže a včasné varování (kvalita, kontaminace, odchylky).
2. Optimalizace receptury média s důrazem na cenu a dostupnost surovin.
3. AI plánování výroby (kapacity, energie, CIP, harmonogram šarží) – často podceňované, ale s rychlou návratností.

„Fermentace se nevyhrává v prezentaci pro investory. Vyhrává se v konzistenci šarží a v ceně za kilogram.“

Nejčastější otázky z praxe (a stručné odpovědi)

Pomůže AI i menším potravinářům, nebo jen velkým?

Pomůže. Největší přínos mívají menší týmy, které potřebují zautomatizovat know-how a snížit závislost na jednotlivcích. Začít se dá jednoduchými modely nad historickými daty z výroby.

Jaká data jsou minimum pro smysluplnou AI ve fermentaci?

Minimum je časová řada z bioreaktoru (teplota, pH, DO, otáčky, průtoky, dávkování) + výsledky šarží (výnos, čistota, senzorika). Bez toho budete AI „krmit dojmy“.

Co bývá největší chyba při zavádění AI do výroby?

Snaha přeskočit základy. Pokud nemáte vyřešené standardy měření, kalibrace senzorů a disciplínu v zápisech, AI jen zrychlí chaos.

Co bude dál: fermentace poroste, AI bude podmínka

Fermentace bude v alt proteinech dál přitahovat kapitál, protože nabízí nejrealističtější cestu k objemu a marži. Kultivované maso se neztratí, ale bude si muset vybojovat důvěru přes nižší náklady a stabilnější výrobu.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je z toho jednoduchá věta: AI se stává výrobním nástrojem, ne marketingovým doplňkem. Firmy, které dnes zavedou AI do fermentačního vývoje a provozu, budou mít za 12–24 měsíců náskok v ceně, stabilitě i rychlosti inovací.

Pokud řešíte fermentaci, alternativní proteiny nebo obecně optimalizaci výroby potravin, zkuste si položit jednu praktickou otázku: Které rozhodnutí ve vaší výrobě dnes dělá člověk „od oka“, ale mohlo by být datově řízené? Tam obvykle začíná nejrychlejší přínos AI.