AI a čisté složení: proteiny pro maso bez Eček

1,9 milionu dolarů v před-seed investici je v potravinářském světě „malá“ částka. Přesto někdy přesně takové kolo financování signalizuje, že se mění směr celého trhu. Izraelský startup Meala FoodTech totiž neprodává hotové rostlinné burgery. Chce prodávat funkční proteiny (B2B surovinu), které mají vylepšit chuť a texturu alternativ masa – a zároveň zkrátit seznam ingrediencí tak, aby vypadal jako z domácí kuchyně.

Tohle téma sedí do naší série „Umělá inteligence v zemědělství a potravinářství“ překvapivě přesně. Ne proto, že by Meala mluvila o AI v každé větě (nemluví), ale protože přesně tady AI dává největší smysl: při návrhu receptur, optimalizaci procesů, škálování z laboratoře do pilotu a následně do výroby. A také při dokazování kvality – pro regulátory, zákazníky i vlastní finance.

Proč se rostlinné maso vrací k „čistému štítku“

Rychlá odpověď: protože spotřebitelé a retail už nechtějí kompromis ve složení ani v chuti. První vlna rostlinného masa vyhrála dostupnost a marketing. Druhá vlna musí vyhrát důvěru.

V posledních letech se ukázalo, že hodně produktů v kategorii plant-based je postavených na dlouhých seznamech aditiv, stabilizátorů, aromat a technologických pomocných látek. To není automaticky špatně – bez nich by mnoho výrobků nedrželo tvar ani šťavnatost. Jenže realita pro značky je tvrdá: jakmile zákazník uvidí „chemický román“ na etiketě, často to položí zpět do regálu.

Meala staví svou pozici na myšlence, že jde dělat „masovou“ texturu a plnější chuť i s kratším seznamem ingrediencí. V praxi to znamená nabídnout výrobcům (CPG brandům) proteinovou složku, která bude umět:

• vázat vodu (šťavnatost, menší vysychání)
• gelovat a pojit (struktura, soudržnost)
• zlepšit texturu (kousavost, „vláknitost“)
• podpořit „tělo“ chuti bez nadměru aromat

A tohle je přesně oblast, kde se potkává potravinářská technologie s daty.

Co jsou funkční proteiny a proč jsou v alternativách masa klíčové

Rychlá odpověď: funkční protein není jen „bílkovina“, ale technologická součást, která dělá z kaše něco, co se chová jako maso.

Když se řekne protein, většina lidí si představí výživu. V masových alternativách je ale protein zároveň „stavební materiál“ a „lepidlo“. Výrobce potřebuje, aby směs:

• držela tvar při extruzi, tvarování a tepelné úpravě,
• udržela vodu a tuk, aby byla šťavnatá,
• měla příjemný skus (ne gumový, ne drobivý),
• fungovala napříč formáty (burger, klobása, nuggety).

Meala tvrdí, že její proteiny budou multifunkční a použitelné jako pojiva a gelační činidla se „superior water retention“. Přeloženo do praxe: menší technologická berlička v podobě mnoha aditiv a větší část práce udělá jedna dobře navržená proteinová složka.

Proč B2B model dává v roce 2025 velký smysl

Rychlá odpověď: protože největší škálování v potravinách probíhá přes ingredienční firmy, ne přes jednotlivé značky.

B2C značky rostlinného masa nesou náklady na marketing, distribuci a neúspěšné SKU. Ingredienční hráč dodává „motor“, který si do auta namontuje více výrobců. Pro startup je to pragmatické: místo budování značky se soustředí na jednu věc – funkci a výkon ingredience.

Pro české a evropské potravináře je to navíc známý model: kdo dodává kvalitní surovinu (stabilní, opakovatelnou, dobře zdokumentovanou), ten má dlouhodobý byznys.

Kde do toho vstupuje AI: od receptury po pilotní výrobu

Rychlá odpověď: AI zkracuje cestu mezi „funguje v laboratoři“ a „funguje ve fabrice“ a zároveň snižuje počet drahých slepých uliček.

Meala chce posunout technologii z laboratoře do pilotního měřítka. To bývá nejtěžší fáze: v labu máte přesné podmínky, malé objemy a čas na ruční ladění. V pilotu se objeví variabilita, které si dřív nikdo nevšiml.

AI v potravinářství se tady typicky uplatní v několika vrstvách:

1) AI pro návrh formulací (rychlejší iterace)

Cíl je jednoduchý: dosáhnout textury a chuti s co nejkratším složením a rozumnou cenou. Jenže počet kombinací surovin a procesních parametrů je obrovský.

AI (typicky kombinace statistických modelů, bayesovské optimalizace a ML nad experimentálními daty) umí:

• navrhnout další experimenty tak, aby přinesly maximum informací,
• odhadovat, které kombinace přinesou požadovanou gelaci, vaznost vody či pevnost,
• hlídat kompromisy (chuť × textura × náklady × „clean label“).

Jedna praktická poučka z výroby: každý zbytečný experiment stojí peníze dvakrát – materiálem a ztraceným časem.

2) Digitální dvojče procesu (škálování bez překvapení)

Digitální dvojče je model, který popisuje, jak se směs chová při míchání, extruzi, ohřevu, chlazení nebo zmrazování. Když se změní vstup (vlhkost suroviny, teplota, shear), model predikuje výsledek.

V alternativních proteinech je to zásadní, protože „drobná“ změna (např. o 2 % vody víc) umí udělat rozdíl mezi šťavnatým burgerem a drobivou placičkou.

3) Predikce kvality z rychlých měření

Místo čekání na senzorický panel nebo dlouhé testy stability může AI pomoci zrychlit rozhodování. Typicky se používají data z:

• texturometrie (pevnost, pružnost),
• NIR/FTIR spekter,
• viskozity a reologie,
• obrazu (struktura, pórovitost),
• základní chemie (vlhkost, pH, aktivita vody).

Výsledek: rychlejší QA, méně šarží „mimo“ a snazší standardizace.

4) AI v řízení dodavatelského řetězce „domácích“ ingrediencí

„Home kitchen“ zní hezky, ale v průmyslu znamená: zemědělské suroviny mají sezonní variabilitu. AI může:

• predikovat výkyvy kvality (např. proteinový profil, vlhkost),
• navrhovat úpravu receptury podle vstupů,
• optimalizovat nákup a skladování.

Pro evropský trh na konci roku 2025 to dává ještě větší smysl kvůli tlaku na náklady, stabilitu dodávek a transparentnost.

„Domácí ingredience“: slib, který musí projít realitou výroby

Rychlá odpověď: krátké složení je plus, ale rozhoduje opakovatelnost, cena a senzorika.

U Mealy je zajímavé, že zatím neříká detailně, jaké „domácí“ ingredience používá. Z obchodního pohledu to chápu (know-how). Z pohledu potravináře ale platí, že každá taková platforma narazí na stejné otázky:

• Jak stabilní je funkce proteinu napříč šaržemi?
• Jak se chová při zmrazování a rozmrazování?
• Jak reaguje na různé tuky (řepkový, kokosový, směsi)?
• Jaký má dopad na chuť (hořkost, svíravost, luštěninové tóny)?
• Jak vychází ekonomika při pilotu a při plné výrobě?

Tady mám jasný názor: „clean label“ bez výkonu je jen marketing. A „výkon“ bez čistého složení už dnes mnoha značkám nestačí. Úspěšné budou technologie, které zvládnou obojí.

Co si z toho může vzít české zemědělství a potravinářství

Rychlá odpověď: největší příležitost je v propojení lokálních plodin, potravinářské technologie a AI pro rychlou produktovou iteraci.

Česko nemá stovky venture fondů na foodtech, ale má něco jiného: slušnou základnu potravinářů, agrární sektor a rostoucí komunitu datových týmů. Pokud uvažujete o alternativních proteinech (nebo o funkčních ingrediencích obecně), fungují tyhle kroky:

Praktický checklist pro firmy (od nápadu k pilotu)

1. Definujte jednu měřitelnou funkci: vaznost vody, pevnost gelu, elasticity, redukce aditiv o X položek.
2. Zaveďte experimentální databázi: každá šarže, každý parametr, každý výsledek. Bez toho AI nepomůže.
3. Standardizujte měření: texturometrie, reologie, jednoduché senzorické škály.
4. Použijte AI na návrh dalších pokusů: méně „pokus–omyl“, více cílených iterací.
5. Ověřte škálování v pilotu: ideálně s digitálním dvojčetem nebo alespoň s procesním modelováním.
6. Připravte dokumentaci pro B2B zákazníky: specifikace, stabilita, aplikace, alergeny.

Mini Q&A, které dostávám nejčastěji

Je AI v potravinářství jen pro velké korporace? Ne. Největší efekt bývá u menších týmů, které dělají hodně experimentů a nemají kapacitu je „odmyslet“ ručně.

Kde AI dává nejrychlejší návratnost? V řízení experimentů (rychlejší vývoj) a v predikci kvality (méně zmetků).

Musím mít vlastní datový tým? Nemusíte, ale musíte mít disciplínu v datech. Bez kvalitních vstupů je i nejlepší model jen drahá kalkulačka.

Kam míří trh v roce 2026: méně triků, víc poctivé technologie

Rychlá odpověď: alternativní proteiny se posouvají od „napodobování“ k optimalizaci – chuti, ceny, složení i udržitelnosti.

Meala je dobrý příklad toho, jak se sektor učí: místo další koncové značky přichází ingredienční platforma, která řeší konkrétní bolest – texturu a etiketu. A přesně tady bude AI čím dál víc vidět, i když o ní firmy nebudou nutně mluvit nahlas.

Pokud pracujete v zemědělství, potravinářství nebo R&D, stojí za to položit si jednoduchou otázku: Který krok našeho vývoje je dnes nejvíc „pokus–omyl“ – a jak ho převést na data? V roce 2026 bude vítězit ten, kdo zvládne zkrátit cyklus vývoje a přitom udržet kvalitu stabilní.

Jedna věta, kterou bych si z toho odnesl: Čisté složení je marketingový slib – AI je nástroj, jak ho udělat opakovatelně pravdivým ve výrobě.