AI a mikrobiom: personalizovaná granola jako nový trend

Osobní výživa bývala „jen“ o kaloriích, bílkovinách a tabulkách. Teď se do hry naplno vrací starý známý: střevní mikrobiom. A přichází s ním i nová, docela praktická věc – personalizované potraviny, které se nesnaží vyřešit všechno najednou, ale míří na konkrétní potřeby organismu.

Konkrétní příklad z praxe: japonská společnost Calbee začala prodávat produkt, který kombinuje domácí test mikrobiomu a následný výběr směsi prebiotik. Zákazník nedostane „magickou granolu“, která se promíchá ve výrobě přesně na míru. Dostane ale doporučenou kombinaci prebiotických toppingů, které si doma smíchá se základní granolou podle výsledků analýzy.

A proč to řešíme v seriálu Umělá inteligence v zemědělství a potravinářství? Protože tohle není jen wellness trend. Je to signál, že se potravinový systém posouvá směrem k datově řízené optimalizaci – podobně jako precizní zemědělství pracuje s půdou, počasím a výnosem, personalizovaná výživa pracuje s daty o člověku. V obou případech je společným jmenovatelem: data + modely + cílené rozhodnutí.

Jak funguje personalizovaná granola podle mikrobiomu

Princip je jednoduchý: změříme složení mikrobiomu a podle něj doporučíme vhodná prebiotika. V případě Calbee jde o model, kdy se zákazník zaregistruje, dostane domácí testovací sadu (vzorek stolice), odešle ji k analýze a zhruba za šest týdnů získá výsledky v online rozhraní.

Pak následuje část, která je pro potravinářství zásadní: místo individuální výroby tisíců unikátních receptur firma pracuje s omezeným počtem variant toppingů (označených barvami a písmeny). Uživatel je veden k takové kombinaci prebiotik, která má „sedět“ dominantním bakteriálním skupinám v jeho mikrobiomu.

Proč právě prebiotika (a ne probiotika)

Prebiotika jsou v praxi často lépe škálovatelná než probiotika. Nejsou to živé organismy, typicky jde o vlákninu nebo specifické sacharidy, které slouží jako potrava pro určité mikroorganismy ve střevě.

Z pohledu výroby to znamená:

• stabilnější suroviny (jednodušší logistika a skladování),
• méně citlivé na teplotu a dobu trvanlivosti,
• snazší zapracování do běžných potravin (cereálie, tyčinky, nápoje).

A hlavně: pro personalizaci je to „vděčný“ nástroj, protože můžete měnit dávky a kombinace bez kompletní změny produktu.

Co má společného mikrobiom a precizní zemědělství

Jádro je stejné: sběr dat → interpretace → cílený zásah.

V precizním zemědělství sbíráte data ze satelitů, dronů, půdních sond nebo meteostanic. V personalizované výživě sbíráte data z testů, dotazníků, někdy i z nositelné elektroniky nebo laboratorních výsledků.

Pak přichází modelování a rozhodnutí:

• zemědělec aplikuje hnojivo diferencovaně podle zón pole,
• potravinář vyvine produktovou řadu pro různé metabolické profily,
• spotřebitel dostane doporučení prebiotik podle mikrobiomu.

„Personalizovaná výživa je precizní zemědělství otočené směrem ke konzumentovi.“

A teď to nejdůležitější: jakmile se propojí data o surovinách (původ, složení, rezidua, kvalita, sezónnost) s daty o spotřebiteli (mikrobiom, intolerance, preference), vzniká reálná šance optimalizovat celý řetězec „od půdy po snídani“.

Kde do toho vstupuje AI (a kde se to často přeceňuje)

AI je v personalizované výživě užitečná, ale jen tehdy, když dělá nudnou práci dobře: třídí, predikuje, doporučuje a učí se z výsledků.

1) Doporučovací systémy pro složení produktu

Ve chvíli, kdy máte:

• výsledky mikrobiomu (typicky relativní zastoupení skupin mikroorganismů),
• cíle uživatele (trávení, energie, redukce, sport),
• omezení (alergeny, preference, rozpočet),

…dává smysl použít AI/ML k tomu, aby se z toho stalo jedno konkrétní doporučení (např. „kombinace A + C, dávka 15 g/den“).

Z obchodního pohledu je to zásadní: bez automatizace a modelů se personalizace mění v ruční poradenství, které se nedá škálovat.

2) Optimalizace receptur a nákupních košů surovin

V potravinářství AI běžně pomáhá s:

• formulací receptur (cena vs. chuť vs. výživa),
• náhradami surovin při výpadcích,
• predikcí poptávky a plánováním výroby.

Personalizovaná granola je zajímavá tím, že posouvá AI i do oblasti masové personalizace: základ produktu je stejný, mění se modulární části (toppingy). To je výrobně realistické a zároveň „dost personalizované“, aby to zákazník vnímal jako hodnotu.

3) Co se často přeceňuje: „AI ví, co přesně potřebujete“

Mikrobiom je dynamický a reaguje na stravu, stres, spánek, cestování i antibiotika. Z jedné analýzy nelze vyčíst „dokonalý jídelníček navždy“.

Praktičtější přístup (a za mě i férovější marketing) je:

• pravidelná aktualizace doporučení (např. 2–4× ročně),
• práce s trendem a směrem (co podporovat, co omezit),
• kombinace testu s jednoduchým kontextem (jídelníček, příznaky, cíle).

Co to znamená pro potravinářství v Česku v roce 2025

V prosinci 2025 je vidět jasný posun: spotřebitelé jsou citlivější na cenu, ale zároveň si hlídají zdraví. Personalizace se proto prosadí hlavně tam, kde splní dvě podmínky: je srozumitelná a má realistický provozní model.

U nás dává smysl začít s „polopersonalizací“:

• několik cílových směsí (např. „vláknina a sytost“, „podpora trávení“, „sportovní regenerace“),
• volitelné modulární doplňky (prebiotika, semínka, protein, bezlepkové varianty),
• doporučení na základě krátkého dotazníku (a později testu mikrobiomu jako premium služba).

Bariéry, které se musí vyřešit

1. Cena a důvěra: Lidé zaplatí víc, když rozumí „proč“ a když je proces transparentní.
2. Regulace a zdravotní tvrzení: V EU je prostor pro komunikaci benefitů omezený. O to víc musí fungovat edukace.
3. Data a soukromí: Zdravotní data jsou citlivá. Bez jasných pravidel (souhlasy, uchování, anonymizace) to nepůjde.
4. Dodavatelský řetězec: Modulární personalizace klade nároky na balení, skladové řízení a sledovatelnost.

Praktický plán: jak začít s personalizací „od pole po produkt“

Pokud jste výrobce potravin, zemědělský podnik, nebo inovátor v agri-food, tenhle postup funguje i bez sci-fi rozpočtů.

Krok 1: Vyberte produkt, který snese modularitu

Nejlépe fungují produkty, kde se dá oddělit:

• základ (standardizovaný, levně vyráběný),
• moduly (toppingy, směsi, doplňky, příchutě).

Cereálie, kaše, tyčinky, nápoje a „meal prep“ koncepty jsou typičtí kandidáti.

Krok 2: Postavte datový model na jednoduchých signálech

Začněte tím, co umíte získat hned:

• dotazník (cíle, omezení, preference),
• nákupní chování (opakované objednávky, sezónnost),
• zpětná vazba (škála 1–5 na trávení, sytost, energii).

Mikrobiomové testy přidávejte až ve chvíli, kdy už víte, že produkt a logistika fungují.

Krok 3: Přidejte AI tam, kde šetří čas a snižuje zmetky

Nejrychlejší návratnost v praxi mívá:

• predikce poptávky pro jednotlivé moduly,
• optimalizace zásob a expirací,
• doporučování „další nejlepší volby“ (next best offer) bez agresivního upsellu.

Krok 4: Měřte výsledky jako potravinář, ne jako influencer

Stanovte si metriky, které mají obchodní i výrobní smysl:

• retence předplatného (např. 3měsíční a 6měsíční),
• reklamace a vrácení,
• procento vyprodaných modulů vs. přebytek,
• opakovaná spokojenost (stejný zákazník hodnotí lépe v čase).

Mini FAQ: otázky, které padnou pokaždé

Opravdu se dá navrhnout jídlo „na míru“ podle mikrobiomu?

Ano, ale realisticky. Dává smysl cílit na podporu určitých mikrobiálních skupin pomocí prebiotik. Nečekejte však přesnost „na miligram“ a stejné výsledky u všech.

Je mikrobiomový test jednorázová věc?

V praxi ne. Mikrobiom se mění. Model, který dává smysl, je průběžná práce s doporučeními a občasná re-testace.

Proč je to relevantní pro zemědělství?

Protože personalizace zvyšuje tlak na sledovatelnost a kvalitu surovin. Když slibujete cílený benefit, potřebujete stabilní vstupy – a to vrací pozornost zpět k poli, půdě a agronomii.

Kam to směřuje: personalizace jako nový standard potravin

Personalizovaná granola podle mikrobiomu je nenápadný produkt, ale ukazuje velký posun: potraviny se začínají navrhovat jako datová služba. Nejen jako receptura.

V seriálu Umělá inteligence v zemědělství a potravinářství na tom mám rád jednu věc: nejde o efektní technologie pro prezentace. Jde o velmi konkrétní změnu logiky trhu. Kdo zvládne sbírat data, pracovat s nimi zodpovědně a promítnout je do výroby, bude mít výhodu.

Chcete zjistit, kde má personalizace smysl právě ve vašem produktu nebo surovinové bázi – a jak do toho zapojit AI bez zbytečné složitosti? Napište si interně dvě věty: „Co umíme modularizovat?“ a „Jaké rozhodnutí díky datům uděláme lépe než dnes?“ Odpověď vám napoví, jestli jste blíž k chytré inovaci, nebo jen k drahému experimentu.