AI a kultivované mořské plody: případ Forsea a úhoř

Populace úhořů klesla za poslední dekády o 90–95 %. Současně se z úhoře stal luxusní artikl: velkoobchodní cena se podle trhu pohybuje zhruba 60–75 USD/kg. A zatímco v roce 2000 Japonsko spotřebovalo přibližně 160 000 tun úhoře, dnes se čísla pohybují okolo 14 000 tun. Ten rozdíl není „změna chuti“ – je to signál, že jsme narazili na tvrdý limit nabídky.

Právě tady dává kultivované (buněčně pěstované) mořské maso smysl. A ještě víc smysl dává ve chvíli, kdy se do výroby naplno zapojí umělá inteligence: ne jako marketingová nálepka, ale jako nástroj pro řízení bioprocesu, kvality a ekonomiky výroby. V rámci naší série „Umělá inteligence v zemědělství a potravinářství“ je Forsea skvělý případ: ukazuje, jak může špičková biologie a chytré algoritmy společně řešit reálný problém – nedostupnost a tlak na ohrožené druhy.

Proč zrovna úhoř: tvrdá čísla, ne sentiment

Odpověď je jednoduchá: úhoř splňuje tři kritéria najednou – vysoká cena, vysoká poptávka a ohrožení druhu. Pro startup je to pragmatická volba, protože u drahých produktů se snáz dostanete k ekonomice, která dává šanci na ziskovost dřív než u levných ryb.

Forsea (izraelský tým kolem CEO Roee Nira) míří na trh, kde dlouhodobě existuje mezera mezi poptávkou a nabídkou. Úhoř je navíc typický „restaurant-first“ produkt – významná část prodeje jde přes gastronomii, kde:

• se lépe vysvětluje příběh původu suroviny,
• toleruje se vyšší cena na startu,
• kvalita a konzistence mají okamžitou obchodní hodnotu.

Z pohledu potravinářské strategie je tohle dobře zvolený vstupní bod. A z pohledu AI je úhoř zajímavý i technologicky: výsledná textura, tučnost a chuťové složky jsou citlivé na drobné změny v procesu.

Kultivované mořské plody vs. kultivované maso: víc „základního výzkumu“

Kultivované mořské plody nejsou jen „to samé, ale z ryby“. Roee Nir to popisuje výstižně: u kultivovaného masa existovalo zázemí v tkáňovém inženýrství a medicíně (orgány, náhrady tkání). U ryb a mořských plodů se řada týmů vrací k základům – buňky se chovají jinak, vyžadují jiné podmínky a často i odlišnou „architekturu“ výsledné tkáně.

Pro výrobní realitu to znamená:

• více iterací R&D,
• větší tlak na standardizaci buněčných linií,
• vyšší důraz na řízení variability šarží.

A přesně tady je AI praktická. Ne „hezká do prezentace“, ale životně důležitá pro škálování.

Kde AI v praxi pomáhá už dnes

V kultivaci buněk je hodně věcí nelineárních: malá změna teploty, pH nebo složení média může vyvolat velký rozdíl ve výtěžnosti. AI se typicky používá ve čtyřech vrstvách:

1. Predikce růstu a výtěžnosti (time-series modely nad daty z bioreaktorů)
2. Detekce odchylek (anomálie v senzorech, kontaminace, „stres“ buněk)
3. Optimalizace receptur média (Bayesovská optimalizace, aktivní učení)
4. Kontrola kvality (počítačové vidění pro morfologii buněk a strukturu tkáně)

Pokud někdo v potravinářství čeká, že tohle půjde řídit ručně a „citem technologů“, bude zklamaný. V rané fázi to funguje. Ve škále to bez datové vrstvy bolí.

Forsea a organoidy: proč je to pro škálování podstatné

Forsea se odlišuje metodou, která staví na organoidech – malých, samoorganizujících se strukturách vznikajících ze specifických kmenových buněk. Zjednodušeně: místo toho, aby tým postupně „tlačil“ buňky do konkrétních typů pomocí řízené diferenciace a pak je skládal na nosič (scaffold), organoidy se do určité míry organizují samy.

Podle popisu firmy to přináší několik praktických dopadů:

• méně závislosti na scaffoldu (organoid je do jisté míry vlastní „pojivová“ struktura),
• menší potřeba růstových faktorů (ty bývají nákladné položky v nákladech),
• jednodušší výrobní tok (méně kroků = menší prostor pro chyby).

Z pohledu AI a automatizace je důležité hlavně to, že zjednodušený proces se snáz instrumentuje a řídí. Každý další krok ve výrobě znamená:

• další senzory,
• další kontrolní body,
• další riziko variability,
• další data, která musíte umět interpretovat.

Organoidový přístup může snížit komplexitu procesu. A když snížíte komplexitu, AI může být přesnější, protože má „čistší“ signál.

Krátká, citovatelná věta: Škálování kultivovaných mořských plodů není primárně biologický problém – je to problém řízení variability.

Jak se AI propíše do ceny: cesta k „price parity“

Největší překážka kultivovaných potravin je ekonomika. Cena se neláme jednou velkou inovací, ale součtem desítek menších optimalizací. A řada z nich je datová.

Konkrétně AI typicky snižuje náklady takhle:

• nižší zmetkovitost šarží díky včasné detekci odchylek,
• vyšší výtěžnost díky adaptivnímu řízení podmínek,
• rychlejší vývoj (méně laboratorních „slepých“ pokusů),
• lepší plánování výroby (kapacitní modely, predikce poptávky).

U úhoře je výhoda i tržní: protože je drahý, nemusíte být hned na ceně běžných filet. Realistický cíl je nejdřív vyhrát na stabilitě dodávek a kvalitě, a teprve potom tlačit cenu dolů.

Predikce poptávky: AI mimo laboratoř

Forsea zmiňuje, že první uvedení produktu pravděpodobně míří do Asie (zejména Japonsko), protože tam je úhoř kulturně i gastronomicky ukotvený. To otevírá další AI vrstvu: demand forecasting.

V praxi to znamená spojit:

• sezónnost (např. gastronomické špičky),
• ceny na trzích s mořskými plody,
• data z HORECA (restaurace),
• logistiku a shelf-life,

…a rozhodnout, kolik vyrábět, aby nevznikal odpad a zároveň nechybělo zboží. Tohle je přesně „AI v potravinářství“, o které se mluví méně než o robotech na polích – ale dopad na marži je obrovský.

Regulace, důvěra a „taste first“: co rozhodne v roce 2025

Zákazník rozhodne podle chuti. Roee Nir říká napřímo, že spotřebitelské průzkumy dlouhodobě ukazují jako #1 faktor právě chuť. Přístup firmy je pragmatický: místo aby startup budoval masivní marketing, hledá silné lokální partnery (výrobce, obchodníky se seafood), kteří už mají vztahy s restauracemi a retailovým řetězcem.

Z hlediska uvedení na trh (Forsea v rozhovoru mířila na konec roku 2025) budou hrát roli tři „neviditelné“ věci:

1. Regulační proces – první vlna firem prošlapává cestu, další na ni navazují.
2. Vzdělávání trhu – jednoduché vysvětlení původu a bezpečnosti.
3. Konzistence produktu – chuť a textura musí být stejné dnes i za měsíc.

AI pomáhá hlavně v bodě 3: konzistence je datový problém. Pokud umíte měřit, umíte řídit. Pokud neměříte, hádáte.

Co si z toho vzít pro české zemědělství a potravinářství

Česko nemusí stavět bioreaktory na úhoře, aby z toho mělo užitek. Pro mě je nejcennější přenositelná lekce: potravinářství se rychle posouvá k modelu, kde se kvalita a výtěžnost řídí algoritmy stejně běžně jako dnes energie nebo logistika.

Tři konkrétní aplikace, které dávají smysl i u nás (a často i bez „hardcore“ biotechnologií):

• Prediktivní řízení fermentací a kultivací (pivovary, mlékárny, alternativní proteiny) – AI hlídá odchylky a navrhuje zásahy.
• Počítačové vidění v kontrole kvality (tvar, barva, defekty, konzistence) – méně reklamací, méně odpadu.
• Plánování výroby a poptávky (pekárny, masný průmysl, convenience) – méně neprodaného zboží na konci dne.

Pokud řešíte udržitelnost, tady je rychlá pravda: největší „eko“ vítězství v potravinářství často není nová surovina, ale méně zmetků a odpadu.

Další krok: jak začít s AI v potravinářské výrobě (bez velkých řečí)

Začněte jedním procesem, jedním cílem a jedním datovým tokem. Ne „AI strategii na tři roky“.

Praktický postup, který se mi opakovaně osvědčil:

1. Vyberte proces s největšími ztrátami (zmetky, energie, prostoje).
2. Zaveďte měření (senzory, logování, jednotný časový základ).
3. Udělejte jednoduchý model: predikce výtěžnosti / včasná detekce odchylky.
4. Nastavte reakci: kdo a jak zasáhne, když model pípne.
5. Teprve pak automatizujte.

Tohle je stejná logika, která bude rozhodovat i u kultivovaných mořských plodů: nejdřív data, pak automatizace, potom škála.

Kam to celé míří

Kultivované mořské plody jsou odpovědí na velmi konkrétní tlak: rostoucí poptávku, limity lovu a problémy části akvakultury. Případ Forsea ukazuje, že technologická volba (organoidy, méně scaffoldu, méně růstových faktorů) může zjednodušit cestu k výrobě. A že AI v potravinářství je praktická výhoda, ne abstraktní trend.

Pokud chcete v roce 2026 prodávat potravinářský produkt s konzistentní kvalitou a rozumnou marží, budete sbírat data a dělat nad nimi rozhodnutí. A jestli to bude kultivovaný úhoř, fermentovaný protein nebo „obyčejný“ mléčný výrobek, je vlastně druhotné.

Jaký potravinářský proces by podle vás v Česku nejvíc potřeboval AI dohled – kvalita, plánování, nebo řízení výroby v reálném čase?