AI urychluje kultivované maso: lekce z BioCraft

V potravinářském vývoji se dlouho hrálo na trpělivost: nekonečné série pokusů, drahé suroviny, týdny čekání na výsledky a pak zjištění, že „tohle ne“. Jenže stejná logika, která zrychlila vývoj léčiv, se dnes přelévá do jídla. A je to vidět nejvíc tam, kde je biologie složitá a každá iterace bolí rozpočet: u kultivovaného masa.

Příběh BioCraft (firma zaměřená na kultivované maso pro krmiva) je užitečný i pro české potravináře, zemědělské inovátory a R&D týmy. Ne proto, že by každý zítra stavěl bioreaktor. Ale protože ukazuje praktický princip: AI v potravinářství nedává hodnotu tím, že „myslí místo lidí“, ale tím, že zkracuje seznam experimentů, které musíte udělat v laboratoři a provozu. To je přesně ten typ optimalizace, který v našem seriálu „Umělá inteligence v zemědělství a potravinářství“ dává smysl i mimo high‑tech startupy.

Proč je kultivované maso ideální „hřiště“ pro AI

Kultivované maso je z pohledu vývoje kombinace dvou náročných světů: biochemie a výroby. Neřešíte jen chuť a texturu. Řešíte, jestli se buňky rozmnožují, jestli se chovají stabilně v čase, jestli výsledný profil bílkovin a tuků odpovídá cíli a hlavně: kolik stojí každé další zlepšení.

Největší brzda bývá optimalizace kultivačního média (živného „koktejlu“). Každá drobná úprava složení může spustit dominový efekt: zlepší růst, ale zhorší metabolický profil; zvýší výtěžnost, ale přidá variabilitu; nebo je skvělá biologicky, ale drahá či obtížně dostupná pro škálování.

AI se tady hodí z prostého důvodu: experimentální prostor je obrovský. Jakmile máte desítky až stovky potenciálních komponent a každá má koncentraci a interakce, kombinatorika exploduje. V takové situaci je rozumné použít modely, které:

• sesbírají a strukturovaně propojí znalosti z literatury a databází,
• vytvoří mapu „co na co navazuje“ v buněčných drahách,
• navrhnou, které hypotézy stojí za ověření jako první.

Tohle není magie. Je to prioritizace.

Jak BioCraft staví AI: od vědeckých textů k modelu buněčné „mašinérie“

BioCraft popisuje přístup, který je překvapivě přenositelný i do jiných potravinářských problémů. Zjednodušeně:

1. Sběr dat z veřejných zdrojů – vědecké články, databáze, popisy biochemických vazeb.
2. Zpracování textu a extrakce znalostí – přístup podobný NLP (zpracování přirozeného jazyka), který z textů vytahuje vztahy typu „látka A ovlivňuje proces B“.
3. Sestavení síťového modelu – propojení vztahů do grafu (uzly a hrany), kde uzly mohou být geny, proteiny, metabolity, signální dráhy nebo fenotypy jako proliferace.
4. Simulace „domina“ – když zasáhnete do uzlu (přidáte komponentu média, změníte podmínky), model odhaduje downstream efekty.

Jejich metafora „Rube Goldberg machine“ (komplikovaný stroj z propojených mechanismů) sedí. Buněčný metabolismus často funguje tak, že neexistuje jeden šroubek, který všechno vyřeší. Jsou to řetězce vazeb.

Co je na tom pro praxi nejdůležitější

Dvě věci:

• AI se neopírá o jeden „zázračný“ dataset. Spíš skládá malé útržky poznání z mnoha zdrojů do většího obrazu.
• Cíl není nahradit laboratorní práci. Cíl je vytřídit hypotézy a snížit počet mokrých experimentů.

„Hodnota AI v R&D je v tom, že zkrátí cestu od nápadu k ověřitelnému experimentu.“

Od hypotézy k wet labu: AI jako filtr, ne jako náhrada

BioCraft popisuje typický problém vědců v laboratoři: hypotéz je moc. U optimalizace média navíc často nevíte, jestli změna zafunguje, dokud ji fyzicky nevyzkoušíte.

Tady je praktický rámec, který stojí za převzetí i v českém potravinářství (fermentace, enzymatické procesy, vývoj alternativních proteinů, stabilita receptur):

1. Generování kandidátů – seznam ingrediencí/přísad/podmínek, které dávají smysl (bezpečné, dostupné, legislativně průchozí).
2. Modelové skórování a ranking – AI navrhne pořadí: co testovat první, co je slepá ulička.
3. Ověření v laboratoři / pilotu – jen top kandidáti jdou do mokrého testu.
4. Zpětná vazba do modelu – výsledky se vrací do systému a zlepšují další návrhy.

Z hlediska řízení inovací je tohle zásadní: přesunete peníze z „zkoušíme všechno“ do „zkoušíme to, co má nejvyšší očekávanou hodnotu“.

„AI odhalí neznámé neznámé“ – co to znamená

Zajímavá část jejich přístupu je schopnost hledat spojnice, které lidský tým snadno přehlédne, protože jsou rozeseté v nesouvisejících publikacích. Prakticky to může znamenat, že model upozorní:

• že klíčový efekt neleží „hned vedle“ sledované dráhy, ale třeba pět uzlů upstream,
• že dvě látky, které se běžně netestují společně, mají nepřímou interakci,
• že domnělá příčina je ve skutečnosti jen korelace a skutečný „přepínač“ je jinde.

Tohle je přesně typ insightu, který zrychluje iterace.

Proč BioCraft přešel na B2B a proč to dává smysl i pro Evropu

BioCraft oznámil posun na B2B model: místo budování vlastní spotřebitelské značky se soustředí na dodávky pro existující výrobce krmiv. Z pohledu go‑to‑market je to pragmatické:

• výrobci krmiv už mají distribuci, retail vztahy a důvěru zákazníků,
• inovativní surovina se může dostat na trh rychleji jako ingredience,
• B2B tlak na jednotkovou cenu nutí optimalizovat procesy (a tím i dále rozvíjet AI nástroje).

CEO firmy uvádí, že za posledních 12 měsíců udělali větší progres než za pět let, a velkou část přisuzují AI platformě a užšímu zaměření.

Můj pohled: v Evropě (a tím spíš ve střední Evropě) je tohle často jediná realistická cesta. Regulace, investiční cykly a náklady na výrobu znamenají, že škálování potřebuje průmyslové partnery a jasný business case.

Co si z toho může vzít české zemědělství a potravinářství

Ne každý dělá kultivované maso, ale principy jsou stejné. V našem seriálu o AI v zemědělství a potravinářství se pořád vrací jedno téma: optimalizace složitých systémů – pole, stáje, fermentory, receptury, logistika.

1) AI jako „mapovač znalostí“ pro R&D

V českých firmách je často know‑how rozptýlené:

• něco ví technolog,
• něco je ve starých protokolech,
• něco je v hlavách lidí,
• něco je v článcích a databázích.

Znalostní grafy a NLP mohou zkrátit čas, kdy tým „znovu objevuje kolo“. To se dá použít třeba u:

• optimalizace fermentací (pH, teplota, živiny, inokulum),
• snižování soli/cukru bez zhoršení senzoriky,
• vývoje alternativních proteinů (hrachové, mykoprotein, mikrořasy),
• prodlužování trvanlivosti a predikce stability.

2) Prioritizace experimentů = rychlejší inovace

Jedna věc je mít 200 nápadů. Druhá věc je vědět, které udělat první. Pokud AI ušetří byť jen:

• 20–30 % laboratorních běhů,
• jednu iteraci pilotního testu,
• nebo týden čekání na „jasné ne“,

v praxi to často zaplatí celý projekt.

3) Přenos do „farm-to-factory“: AI optimalizace napříč řetězcem

Kultivované maso je extrémní příklad, ale stejná logika platí i pro propojení zemědělství a výroby:

• variabilita suroviny z pole (protein, vlhkost, mykotoxiny) → variabilita procesu,
• předpověď kvality sklizně → plánování receptur a nákupů,
• řízení zásob a energií → stabilnější náklady.

AI, která umí pracovat se sítěmi vztahů (a ne jen s jedním sloupcem v tabulce), má v tomhle obrovskou výhodu.

Praktický checklist: jak začít s AI optimalizací v potravinářství (bez sci‑fi rozpočtu)

Pokud uvažujete o AI v R&D nebo technologii výroby, držel bych se následujících kroků:

1. Vyberte jeden úzký problém (např. zkrácení fermentace o 6 hodin, snížení zmetkovitosti o 1 p. b., stabilita emulze).
2. Zmapujte, jaká data už existují (laboratorní protokoly, SCADA, LIMS, senzorika, reklamace).
3. Definujte metriky úspěchu – přesně (výnos %, náklady Kč/kg, počet experimentů, doba cyklu).
4. Postavte „experimentální backlog“ – seznam testů, které byste dělali i bez AI.
5. Použijte model jako ranking nástroj – cílem je lepší pořadí, ne absolutní pravda.
6. Zaveďte zpětnou vazbu – každé ověření v labu zlepší další doporučení.

Nejčastější chyba, kterou vídám: firma začne AI projektem, aniž by měla jasno, co je rozhodnutí, které má AI zlepšit. BioCraft naopak začíná přesně tam, kde je nejdražší nejistota: u výběru experimentů.

Kam to míří v roce 2026: rychlejší vývoj, tvrdší tlak na ekonomiku

Na konci roku 2025 je zřejmé, že potravinářský vývoj se bude dál polarizovat. Kdo zůstane u čistě manuálního „zkusíme a uvidíme“, bude pomalý a drahý. Kdo propojí laboratorní práci s AI prioritizací a lepší správou znalostí, dostane se k výsledkům dřív.

U kultivovaného masa (a obecně u nových proteinů) rozhodne ekonomika: cena média, výtěžnost, škálování, kvalita a konzistence. AI sama o sobě nic nevyrobí. Ale zrychlí cyklus učení – a v biotechnologiích je cyklus učení často nejdražší položka.

Pokud vás zajímá AI v zemědělství a potravinářství, berte BioCraft jako případovou studii: jak postavit systém, který propojí veřejné znalosti, interní data a laboratorní realitu do jednoho rozhodovacího toku. A teď ta podstatná otázka pro váš tým: který seznam experimentů byste chtěli zkrátit jako první?