AI a kultivovaný úhoř: jak škálovat výrobu bez rybolovu

Úhoř je paradox moderní gastronomie: v restauracích (hlavně v japonské kuchyni) patří mezi nejžádanější ryby, ale právě tahle poptávka dlouhodobě tlačí na přírodní populace. A když se k tomu přidá komplikovaná biologie úhořů a omezené možnosti udržitelného chovu, vzniká typický „uzel“, který klasické potravinářství rozvazuje jen těžko.

Právě proto dává smysl zpráva z oblasti kultivovaných potravin: startup Forsea Foods představil prototyp buněčně kultivovaného sladkovodního úhoře a připravil z něj tradiční pokrmy typu unagi kabayaki a unagi nigiri. Vypadá to jako vzdálená laboratorní kuriozita? Podle mě už ne. Rok 2025 ukazuje, že alternativní proteiny se přesouvají z „demo talířů“ do průmyslového plánování – a AI v tom začíná hrát překvapivě praktickou roli.

V rámci naší série „Umělá inteligence v zemědělství a potravinářství“ se dnes podíváme na to, co buněčně kultivovaný úhoř skutečně znamená pro potravinový řetězec, proč je to dobrý testovací případ pro škálování a hlavně: kde konkrétně může AI zkrátit čas, snížit náklady a zvednout stabilitu kvality.

Proč zrovna úhoř: ekonomika, ekologie a „prémiový“ start

Úhoř je ideální první produkt pro kultivaci, protože kombinuje vysokou cenu a tlak na udržitelnost. Když je surovina drahá, má inovace větší šanci přežít první roky, kdy je výroba (logicky) nákladná.

Prémiová ryba dává startu šanci

U komoditních druhů masa a ryb naráží kultivace hned na začátku na cenovou bariéru. U úhoře je situace jiná: v sushi segmentech a fine dining je zákazník zvyklý platit za chuť, texturu, původ a „zážitek“. U kultivovaných produktů je navíc reálné, že první komerční série budou cílit na:

• restaurace a gastronomické koncepty,
• specializované prodejny,
• trhy s vyšší ochotou platit (Japonsko, část Asie, EU, USA).

Forsea naznačuje ambici komerčního uvedení už v roce 2025. To je odvážné – a zároveň logické: kdo chce být první, musí risknout timing.

Udržitelnost bez marketingových mlh

Přímý přínos je jednoduchý: méně tlaku na volně žijící populace. U úhořů je navíc téma udržitelnosti vnímáno citlivěji než u „běžných“ ryb, protože jde o skupinu s komplikovaným životním cyklem a dlouhodobými problémy s dostupností.

A teď ta důležitá věc: kultivace sama o sobě není automaticky „zelená“. Záleží na energii, médiích, odpadech a logistice. Proto je klíčové řešit efektivitu – a tam se AI stává tvrdě praktickým nástrojem, ne módním slovem.

Co Forsea ukazuje: organoidy a 3D mikro-tkáně bez „scaffoldů“

Forsea staví na organoidní technologii, která vytváří 3D mikro-tkáně tuku a svaloviny bez podpůrných scaffold struktur. V praxi to znamená méně kroků a potenciálně jednodušší škálování.

Proč je absence scaffoldu tak podstatná

V kultivovaném mase/rybách bývá scaffold (nosná struktura) častým „úzkým hrdlem“:

• musí být potravinářsky bezpečný,
• musí být konzistentní,
• ovlivňuje texturu,
• komplikuje proces i validaci kvality.

Pokud se daří diferencovat buňky do jedlé struktury bez scaffoldů, může to snížit komplexitu výroby. Realita výroby je totiž často o detailech: každá další komponenta znamená další dodavatele, testování, HACCP úpravy a riziko variability.

Co to znamená pro potravináře

Z pohledu potravinářské výroby je nejcennější slib opakovatelných šarží: stejná textura, stejný obsah tuku, stejná chuťová stopa. A právě tady se propojuje buněčná biologie s datovou disciplínou.

Kde AI skutečně pomáhá: od buněk k průmyslu

AI v kultivovaných potravinách nedělá „kouzla“. Dělá optimalizaci. A to je přesně to, co ve škálování rozhoduje o přežití.

1) Optimalizace kultivačních médií (největší položka rozpočtu)

U kultivace bývá médium (živný roztok) jednou z nejdražších částí procesu. AI se tu používá k návrhu a zrychlenému testování kombinací:

• aminokyselin,
• růstových faktorů,
• minerálů,
• cukrů a alternativních zdrojů energie pro buňky.

V praxi to vypadá tak, že místo „ručního“ zkoušení stovek variant se nastaví experimentální plán, data se průběžně vyhodnocují a model navrhuje další nejlepší pokusy. Výsledek není jen levnější médium. Je to stabilnější růst a menší riziko, že se proces „rozjede“ jiným směrem.

2) Prediktivní řízení bioreaktoru (kvalita šarže se rodí v hodinách)

Šarže se nejčastěji pokazí postupně – a signály přicházejí dřív, než je vidí člověk. AI/ML modely umí z časových řad vyčíst odchylky:

• pH a jeho drift,
• rozpuštěný kyslík,
• teplota a její mikro-variace,
• metabolity (např. laktát, amoniak),
• nepřímé indikátory stresu buněk.

Tohle je přímá analogie s precizním zemědělstvím: stejně jako u pole nechcete zjistit problém až při sklizni, u bioreaktoru nechcete zjistit problém až při „harvestu“.

3) Počítačové vidění pro kontrolu 3D struktury

U 3D mikro-tkání (organoidů) je kvalita o struktuře. Počítačové vidění umí:

• měřit velikost a homogenitu mikro-tkáňových shluků,
• detekovat anomálie (nekrózy, nepravidelnosti),
• třídit „materiál“ pro další fáze procesu.

Čím dřív odchylku zachytíte, tím levnější je oprava.

4) Digitální dvojče výroby (plánování bez drahých slepých uliček)

Digitální dvojče je datový model, který simuluje chování procesu. U kultivovaných ryb je to užitečné hlavně pro:

• návrh kapacit (kolik reaktorů, jaké objemy),
• energetickou optimalizaci,
• plánování špiček (např. sezónní poptávka v gastronomii),
• vyhodnocení „co když“ scénářů (výpadek suroviny, změna ceny energie).

V prosinci 2025 je navíc energetická efektivita znovu hodně sledované téma v evropském průmyslu. U procesů závislých na stabilních podmínkách se náklady na energii propisují do ceny produktu výrazně.

5) AI pro chuť a texturu: méně laboratorních iterací

U úhoře je důležitá tuková složka a charakteristická textura. AI může pomoci mapovat vztah mezi:

• poměrem tuk/sval,
• profilem mastných kyselin,
• procesem tepelné úpravy,
• senzorickým hodnocením.

Jde o stejný princip jako u vývoje receptur v potravinářství, jen s jinými vstupy. Méně pokusů znamená rychlejší cesta k produktu, který kuchař opravdu chce dát na menu.

Jedna věta, která to vystihuje: Kultivovaný produkt nebude vítězit laboratorní čistotou, ale opakovatelností zážitku na talíři.

Co bude rozhodovat v EU a v praxi: regulace, důvěra a „průmyslové drobnosti“

Technologie je jen polovina příběhu. Druhá polovina je schválení, bezpečnost a komunikace. Pokud Forsea míří i do EU, bude muset řešit povinnosti typické pro novel foods a především konzistenci procesů.

Bezpečnost a dohledatelnost: data jako součást produktu

U buněčně kultivovaných potravin bude standardem, že výrobce umí doložit:

• původ buněčné linie,
• složení médií a jejich změny,
• parametry šarže a odchylky,
• mikrobiologické výsledky,
• systém řízení rizik.

AI zde může sehrát pozitivní roli, pokud je správně použitá: ne jako černá skříňka, ale jako auditovatelná vrstva nad daty (logování, vysvětlitelné modely, alarmy s dohledatelnými příčinami).

Přijetí zákazníky: nepřehánět sliby, mluvit o benefitech

Moje zkušenost z potravinářských projektů je jednoduchá: lidé nemají rádi, když jim někdo vysvětluje, že „se nemají čeho bát“. Mnohem líp funguje přímá a konkrétní komunikace:

• proč to vzniká (tlak na úhoře, stabilita dodávek),
• co to je (rybí buňky, ne „chemie“),
• jak se hlídá bezpečnost (proces, testy, šarže),
• jaká je chuť a použití v kuchyni.

Gastro spolupráce se šéfkuchařem (v případě Forsea s tokijským chefem) dává smysl, protože posouvá téma z laboratoře do reálné kuchyně.

Co si z toho odnést: lekce pro AI v potravinářství i agru

Kultivovaný úhoř je dobrý příklad, jak se potravinový systém rozšiřuje o „produkci bez pole a bez moře“. Neznamená to konec rybolovu ani zemědělství. Znamená to, že přibývá další výrobní větev, která bude potřebovat stejné věci jako farma nebo mlékárna: stabilitu, efektivitu, kontrolu kvality a predikci.

Pokud řešíte AI v zemědělství a potravinářství z profesního pohledu (výroba, kvalita, inovace), tady jsou praktické „next steps“, které bych doporučil:

1. Zmapujte data, která už máte (senzory, šarže, reklamace, laboratorní protokoly). Bez dat AI jen hezky zní.
2. Začněte jedním úzkým use-casem: prediktivní kvalita šarže, optimalizace spotřeby energie, nebo detekce odchylek.
3. Trvejte na auditovatelnosti: u potravin je vysvětlitelnost a dohledatelnost stejně důležitá jako přesnost.
4. Měřte dopad v korunách a hodinách: zkrácení cyklu, nižší zmetkovitost, stabilnější parametry.

Prosinec 2025 je dobrá chvíle přestat se ptát, jestli AI do potravin patří. Patří. Otázka je, kde ji nasadit tak, aby pomohla škálovat kvalitu, ne jen prezentace.

A teď to nejzajímavější: až se kultivovaný úhoř (nebo jiná kultivovaná ryba) dostane do běžnější distribuce, bude se rozhodovat o vítězích podle toho, kdo zvládne průmyslovou rutinu – tisíce stabilních šarží, nízkou spotřebu energie a chuť, která sedí kuchařům i zákazníkům. Jakou roli v tom bude mít AI ve vašem provozu?