AI v krmivech pro mazlíčky: fermentace, kultivace, data

Regály se psím a kočičím krmivem dnes připomínají „zdravou výživu“ pro lidi: desítky příchutí, formátů a slibů. Jenže když se podíváte na bílkoviny, pořád často stojí na stejném základu – tradiční živočišné výrobě, jejíž dopady na půdu, vodu a emise jsou dobře známé. A zároveň jde o byznys, kde tlak na cenu, kvalitu i bezpečnost nikdy nepolevuje.

Pet food je přitom ideální testovací hřiště pro nové zdroje bílkovin. Proč? V mnoha případech je jednodušší začít u pamlsků nebo prémiových receptur pro mazlíčky než u potravin pro lidi (regulatorně i z hlediska „psychologie talíře“). A právě tady se hezky ukazuje, proč se umělá inteligence v potravinářství a „alternativní proteiny“ potřebují navzájem: bez dat a chytrého řízení procesů se nové bílkoviny škálují těžko.

Nedávné zprávy z trhu to ilustrují ve třech větách: na jedné straně přichází granule s proteinem z plynové fermentace, jinde se na trhu objevuje první pamlsek s kultivovaným masem. A do toho realita financování: jedna známá vegan značka skončila v režimu bankrotové ochrany. Ten kontrast je užitečný – ukazuje, že technologie je jen půlka práce. Druhá půlka je precizní výroba, predikce nákladů a důvěryhodné metriky udržitelnosti, což jsou přesně oblasti, kde AI dává smysl.

Alternativní proteiny v pet food: co se teď skutečně hýbe

Nejdůležitější posun je jednoduchý: alternativní bílkoviny se přestávají tvářit jako laboratorní kuriozita a začínají se objevovat v reálných produktech.

Protein z plynové fermentace: bílkovina bez pole a bez stáje

Plynová fermentace (gas fermentation) používá mikroorganismy, které „krmí“ vybraným plynem a přetváří ho na proteinovou biomasu. Prakticky to znamená, že část bílkovin lze vyrábět:

• s minimální závislostí na ornici,
• s menší vazbou na výkyvy cen krmiv,
• s potenciálně stabilnější kvalitou šarží.

V pet food se objevují nové receptury, kde takový protein tvoří významnou složku suchých granulí. Pro producenty je to zajímavé hlavně proto, že se dá navrhnout průmyslový proces s vysokou opakovatelností – a to je svět, kde se AI opravdu umí předvést.

Kultivované maso: první produkty, ale hlavní bitva je škálování

Kultivované maso (cultivated meat) se v segmentu pamlsků posouvá z „prototypu“ do omezeného uvedení na trh. Tady je klíčové číst mezi řádky: nejde o to, že by od zítřka měly být regály plné kultivovaného kuřete. Jde o to, že někdo už zvládl:

• produkt zformulovat (chuť, textura, stabilita),
• ošetřit bezpečnostní a kvalitativní parametry,
• nastavit první dodavatelsko-výrobní řetězec.

A teď přichází nejtěžší část: navýšit objemy a snížit jednotkové náklady v horizontu několika let. Bez chytrého řízení výroby se to obvykle neděje.

„Ruff patch“: proč některé značky narazí

Když se známý startup s vegan krmivy dostane do problémů s financováním a dluhem, není to argument proti alternativním proteinům. Je to připomínka, že trh je neúprosný.

Moje zkušenost z potravinářských projektů je taková: většina firem nepoloží technologii – položí je cashflow a nepřesná ekonomika výroby. Pokud nevíte, jak vám budou lítat výnosy, spotřeby energií, reklamace a logistické náklady, investorům se těžko vysvětluje, proč zrovna vaše verze budoucnosti vyjde.

A přesně tady navazuje série „Umělá inteligence v zemědělství a potravinářství“: AI není jen o marketingových slajdech. Je to nástroj pro měřit, předvídat a stabilizovat.

Kde AI reálně zvyšuje přesnost výroby alternativních bílkovin

Klíčový přínos AI v pet food není „víc nápadů na příchutě“. Klíčový přínos je méně variability a méně zmetků. U fermentace i kultivace platí, že malé odchylky v procesu znamenají velké peníze.

AI řízení bioprocesů: výnos, stabilita, bezpečnost

V bioreaktorech (fermentace i kultivace) se sbírá spousta signálů: teplota, pH, rozpuštěný kyslík, průtoky, pěnivost, viskozita, optická hustota, složení médií, spotřeba energie. Klasická regulace (PID) je fajn, ale často nestačí, když:

• se mění vstupní suroviny,
• mikroorganismus „stárne“ nebo reaguje na stres,
• cílový produkt má přísné parametry.

Strojové učení se používá pro:

1. Predikci výnosu šarže (už v průběhu fermentace, ne až po sklizni).
2. Detekci anomálií (včas poznat kontaminaci nebo odklon metabolismu).
3. Optimalizaci krmných profilů (kdy a kolik přidat živiny, aby to zvedlo výnos a nezabilo kulturu).

Praktický dopad: když snížíte podíl šarží mimo specifikaci třeba jen o pár procentních bodů, u velkovýroby to dělá zásadní rozdíl v nákladech.

Digitální dvojče výroby: „co se stane, když…“ bez drahých pokusů

Digitální dvojče (digital twin) je model, který simuluje výrobní proces a nechá vás testovat scénáře:

• co udělá změna dodavatele vstupní suroviny,
• jak se projeví dražší energie v zimních špičkách,
• jaký bude dopad zkrácení cyklu o 6 hodin,
• kde je úzké hrdlo při škálování.

Pro pet food je tohle mimořádně praktické, protože finální produkt je směs: bílkovina + tuky + vláknina + minerály + technologické kroky (extruze/sušení). A každá část má své ztráty a variabilitu.

Kvalita a trasovatelnost: AI jako „audit v reálném čase“

Regulace krmiv i očekávání zákazníků tlačí na trasovatelnost. AI pomáhá spojit data napříč řetězcem:

• šarže surovin,
• laboratorní výsledky,
• výrobní parametry,
• reklamace a zpětnou vazbu.

Výsledek je konkrétní: rychlejší root-cause analýza (proč se něco pokazilo) a menší rozsah stažení šarží, když už k problému dojde.

Udržitelnost bez zelených sloganů: metriky, které se dají obhájit

U alternativních proteinů se často mluví o „nižší stopě“. Jenže bez čísel je to jen pocit. AI a datová analytika dávají udržitelnosti pevnější rámec: měřit, porovnávat, zlepšovat.

Jaké KPI mají smysl (a proč se na nich firmy často spálí)

Pokud bych měl vybrat metriky, které se v praxi vyplatí sledovat, byly by to:

• Spotřeba energie na kg proteinu (a její rozpad na kroky procesu).
• Výtěžnost sušiny a podíl vedlejších proudů.
• Spotřeba vody (technologická vs. sanitace).
• Odpady a ztráty v navazující výrobě (extruze, sušení, balení).
• Stabilita kvality (variabilita aminokyselin, stravitelnost, kontaminanty).

AI je užitečná hlavně v tom, že umí hledat vztahy: třeba že mírně vyšší teplota v určité fázi zvedne výnos, ale zároveň zvýší energetickou náročnost sušení – a čistý efekt je záporný.

Proč pet food kopíruje zemědělství (a proč je to dobrá zpráva)

V precizním zemědělství už jsme si zvykli na senzory, mapy výnosů a predikce. U alternativních proteinů je analogie přímá:

• pole a porost = bioreaktor a kultura,
• počasí a stres plodin = stres buněk/mikroorganismů,
• optimalizace hnojení = optimalizace krmení (feed strategy),
• výnos z hektaru = výnos na objem reaktoru a čas.

Z pohledu celé série je to jeden příběh: AI zvyšuje přesnost tam, kde je biologie proměnlivá.

Co si z toho vzít v praxi: checklist pro výrobce a inovátory

Nejrychlejší cesta k lepším výsledkům je přestat brát AI jako projekt „až potom“. Pokud vyrábíte (nebo plánujete vyrábět) alternativní proteiny pro krmiva, tyhle kroky fungují.

1) Začněte daty, ne modelem

• Definujte 10–20 procesních proměnných, které opravdu souvisí s výnosem a kvalitou.
• Sjednoťte časové značky (čas v bioprocesu je často důležitější než kalendářní čas).
• Vyřešte datovou hygienu: chybějící hodnoty, kalibrace senzorů, „ruční“ zásahy operátorů.

2) Nastavte „kritické body“ a predikce dopředu

Užitečné predikce jsou ty, které přijdou včas:

• predikce výnosu po 20 % procesu,
• varování na kontaminaci ještě před pádem kvality,
• odhad doby do sklizně (kdy ukončit šarži).

3) Zahrňte ekonomiku a logistiku

Alternativní proteiny často naráží na to, že se optimalizuje bioreaktor, ale ignoruje zbytek:

• kapacita sušení,
• dostupnost obalů,
• sezónnost poptávky (v ČR typicky špičky kolem Vánoc, kdy lidé víc nakupují i pro mazlíčky),
• citlivost ceny na promoce.

AI umí dobře fungovat i jako nástroj pro S&OP (plánování prodeje a výroby) – a to je někdy větší přínos než o 2 % vyšší výnos.

4) Komunikujte udržitelnost přes čísla, ne dojmy

Pokud chcete budovat důvěru:

• držte se několika metrik, které opakovaně měříte,
• vysvětlete, co je v hranicích výpočtu (a co ne),
• ukažte trend zlepšování, ne jednorázový „hezký“ údaj.

Kam to míří v roce 2026: pet food jako lakmusový papírek potravinářství

Alternativní proteiny v krmivech pro mazlíčky budou v příštích letech růst, ale ne rovnoměrně. Nejrychleji se prosadí tam, kde dávají smysl současně tři věci: stabilní dodávky, kontrolovatelná kvalita a obhajitelná ekonomika. Technologie sama o sobě nestačí – a bankroty v segmentu to připomínají dost hlasitě.

Z pohledu „umělé inteligence v zemědělství a potravinářství“ je pet food zajímavý ještě jedním způsobem: je to praktický poligon, kde se dá rychle ověřit, jestli datová analytika skutečně zvedá výtěžnost, snižuje zmetkovitost a zpřehledňuje udržitelnost. Když to funguje tady, často to jde přenést i do dalších oblastí potravinového řetězce.

Pokud řešíte inovace v potravinářství nebo zemědělství, doporučuju dívat se na pet food pozorně. Ne kvůli „trendům“, ale protože je to obor, kde se biologie, výroba, data a zákaznická důvěra potkávají v jedné misce. A to je kombinace, která odhalí slabá místa rychleji než hezky napsaná strategie.

Nejlepší inovace v krmivech nejsou ty nejhlasitější. Jsou to ty, které se dají vyrábět stabilně, měřitelně a s jasnou ekonomikou.

Chcete si udělat rychlý audit, kde by AI nejvíc pomohla ve vašem procesu (od fermentace přes sušení až po plánování výroby)? Napište si seznam tří nejdražších ztrát v posledním čtvrtletí – a začněte tam. Kde je ztráta, tam je obvykle i datový signál, který se dá modelovat.