AI a fermentace: pragmatická cesta k levnějšímu proteinu

Ceny masa v posledních letech stoupají rychleji, než by si potravinářské firmy přály. A když se v roce 2025 přidá tlak na uhlíkovou stopu, stabilitu dodávek a nutriční kvalitu, začíná být jasné, že „jen vyrábět víc toho samého“ není dlouhodobý plán. V tomhle kontextu dává smysl sledovat firmy, které místo velkých slibů staví na pragmatických krocích, škálování a tvrdých datech.

Přesně tím je zajímavý příběh Better Meat Company (BMC) vedené Paulem Shapirem. Firma v srpnu 2025 oznámila překročené (oversubscribed) financování Series A ve výši 31 milionů USD, aby škálovala svou platformu fermentace mykoproteinu. Cíl je ambiciózní a zároveň konkrétní: dostat se s ingrediencí Rhiza na trh tak, aby byla cenově pod úrovní komoditního mletého hovězího v USA do roku 2026.

Tenhle článek je součástí série „Umělá inteligence v zemědělství a potravinářství“ a budu se na BMC dívat jako na případovou studii: co si z pragmatického přístupu k alternativním proteinům mohou odnést zemědělci, výrobci potravin a inovativní týmy – a hlavně, kde v tom reálně pomáhá AI a práce s daty.

Proč se teď vyplácí být pragmatik (a ne vizionář)

První pointa je jednoduchá: trh s potravinami neodpouští „pěkné prezentace“. V potravinářství vyhrává ten, kdo umí:

• dodávat stabilně (objem, kvalita, termíny),
• trefit cenu,
• projít regulací,
• a hlavně „sednout“ spotřebiteli chuťově i kulinárně.

BMC zaujala právě tím, že se nesoustředí na efekt „wow“, ale na rychlou realizovatelnost. Paul Shapiro, dlouhodobě známý hlas alternativních proteinů, sám otevřeně říká, že kultivované maso (z buněk) považoval už kolem roku 2018 za řešení, které bude trvat dlouho, než udělá skutečný objem na trhu. Proto vsadil na mykoprotein.

Co je na mykoproteinu praktické

Mykoprotein z fermentace má několik vlastností, které potravinářský byznys slyší rád:

• funkčnost a struktura blíž „masu“ (textura, vaznost),
• kratší a čistší složení než u některých plant-based produktů,
• menší závislost na volatilních dodavatelských řetězcích určitých rostlinných komodit,
• potenciál nižších nákladů ve škále.

BMC navíc pracuje s kmenem rodu Neurospora a komunikuje, že jejich ingredience je „víc masová“, dá se použít jako jedna ingredience, nemusí být nutně mražená a má schválení relevantních amerických úřadů.

Pro českého čtenáře je důležité: princip je přenositelný i do Evropy, byť regulace a schvalování budou jiné. A hlavně: mykoprotein je typická oblast, kde rozhoduje procesní kontrola a datová disciplína. Tady AI přestává být módní slovo a stává se nástrojem.

Kde AI skutečně pomáhá: od fermentoru po recepturu

Jádro „AI v potravinářství“ není chatbot v marketingu. Jádro je optimalizace procesů, kvality a nákladů. A u fermentace to platí dvojnásob.

AI v řízení fermentace: méně výkyvů, víc výtěžnosti

Fermentace v průmyslovém měřítku je citlivá na:

• složení média (živiny),
• teplotu, pH, rozpuštěný kyslík,
• míchání a přenos hmoty,
• mikrobiologické odchylky,
• a také na „neviditelné“ změny v surovinách.

AI a pokročilá analytika pomáhá hlavně ve třech oblastech:

1. Prediktivní řízení procesu – modely, které z průběhu senzorických dat odhadují, kam fermentace směřuje, a včas upraví parametry.
2. Detekce anomálií – včasné zachycení odchylek (kontaminace, drift senzorů, nestandardní šarže suroviny).
3. Soft-senzory – když něco nejde měřit přímo online, AI to může odhadovat z jiných signálů (např. odhad biomasy nebo tvorby metabolitů).

Pragmatický výsledek? Méně zmetků, stabilnější kvalita, vyšší výtěžnost na šarži. A to je přesně to, co rozhoduje o tom, jestli se protein dostane na cenu, kterou BMC slibuje pro 2026.

AI ve vývoji produktu: hybridy jako „rychlá výhra“

BMC ukazuje ještě jednu věc, která je v Evropě často podceněná: hybridní produkty (část živočišné suroviny + část alternativního proteinu) mohou mít větší dopad než malé „čistě plant-based“ segmenty.

Jejich dřívější spolupráce s velkým masným hráčem vedla k produktům typu „Chicken Plus“ – dlouhodobě dostupná řada, která kombinuje klasiku s alternativou.

Z pohledu AI je hybridizace zajímavá, protože umožňuje data-driven iteraci:

• měříte senzorické preference (chuť, šťavnatost, textura),
• ladíte recepturu (poměry, pojiva, koření, technologii tepelné úpravy),
• optimalizujete náklady na porci.

Když se to dělá chytře, AI pomůže najít „sladké místo“: co největší snížení masa bez toho, aby si toho spotřebitel všiml negativně.

Jeden silný princip: „Nečekejte, až spotřebitel změní názor. Změňte produkt tak, aby nemusel.“

Co si z BMC mohou odnést české potravinářské firmy a zemědělci

BMC je americký příběh, ale lekce jsou univerzální. Pokud jste výrobce potravin, chovatel, zpracovatel nebo startup v agri/food, tady je několik přenositelných závěrů.

1) Škálování je disciplína, ne jednorázový projekt

BMC chce navýšit kapacitu fermentačního provozu řádově (10×). Ve škále se obvykle rozpadne to, co v pilotu „nějak fungovalo“.

AI tady pomáhá zavést rutinu:

• digitální záznamy šarží a parametrů,
• sledování OEE a úzkých míst,
• prediktivní údržbu (čerpadla, ventily, sterilizace),
• plánování výroby podle poptávky a dostupnosti surovin.

Pokud v ČR řešíte automatizaci výroby, AI v potravinářství typicky začne „nudně“: data z výroby, kvalita, plánování, údržba. A až potom přijdou velké inovace.

2) Supply chain je zbraň: stabilní vstupy = stabilní marže

Shapiro kritizuje volatilitu některých rostlinných proteinů a dodavatelských řetězců. To v roce 2025 není akademická debata.

Co s tím v praxi:

• AI predikce cen a dostupnosti komodit (krmiva, luštěniny, olejniny),
• scénářové plánování (co se stane, když vypadne dodavatel),
• optimalizace receptury i podle dostupnosti vstupů.

3) „Regulatorně připravené“ inovace vyhrávají

BMC komunikuje schválení relevantními úřady. A to je klíčová část pragmatismu: bez regulace se potravina neprodává.

AI může pomoct i tady: dokumentace, sledovatelnost, řízení změn receptur, auditní stopa, práce s HACCP daty. Není to sexy. Ale je to důvod, proč některé projekty přežijí a jiné ne.

Praktický plán: jak začít s AI v alternativních proteinech

Pokud chcete AI využít v oblasti alternativních proteinů (včetně fermentace) a sbírat leady do reálných projektů, funguje postup „od hodnoty“:

1. Vyberte metriky, které bolí: zmetkovitost, kolísání kvality, energetická náročnost, výtěžnost, reklamace.
2. Zmapujte datové zdroje: senzory, laboratorní měření, ERP, MES, údržba, sklady.
3. Začněte jedním use-casem (6–10 týdnů):
   • detekce anomálií v procesu,
   • predikce kvality šarže,
   • optimalizace spotřeby energie (pára, chlazení),
   • prediktivní údržba.
4. Teprve potom škálujte na více linek, více závodů, více produktů.

Tahle cesta není „hlasitá“, ale je spolehlivá. A přesně to je společný jmenovatel s příběhem BMC.

Co to znamená pro rok 2026: tlak na cenu a chuť nepoleví

BMC míří s Rhiza na komerční trh v roce 2026 a staví argument na ceně, funkčnosti a škálovatelnosti. To je správný směr, protože mainstream zákazník řeší v obchodě tři věci: cenu, chuť a zvyklosti při vaření. Ideologie bývá až čtvrtá.

V českém prostředí je navíc pravděpodobné, že nejrychlejší adopci neudělají „čisté“ alternativy, ale právě hybridní potraviny: uzeniny, mleté směsi, hotová jídla, convenience. Výrobci mohou snižovat podíl masa bez toho, aby rozbíjeli produktovou zkušenost.

A to je moment, kdy se potkává udržitelnost s byznysem: AI pomáhá vyrábět stabilněji, levněji a s menším odpadem, což přímo zvyšuje šanci, že alternativa nebude jen „niche pro nadšence“.

Na další díly naší série o umělé inteligenci v zemědělství a potravinářství chci navázat konkrétněji: jak navrhnout datovou architekturu pro výrobu, jak vybírat senzory pro fermentaci a jak nastavit KPI, aby AI projekt neskončil jako pilot v šuplíku.

A teď otázka, která stojí za interní poradu u každého potravinářského týmu: Který jediný parametr kvality nebo nákladu by vám AI dokázala zlepšit tak, že by to bylo vidět na marži už do 90 dnů?