AI mění brambory na továrny na bílkoviny

Vajíčka jsou pro potravináře něco jako „tichý stabilizátor“: když jsou, drží emulze, zvedají objem, vylepšují strukturu a prodlužují trvanlivost. Když nejsou, výrobní receptury se začnou rozpadat jako linecké těsto bez másla. A poslední roky ukázaly, jak křehký je globální řetězec dodávek vaječných surovin – stačí vlny ptačí chřipky, tlak na cenu krmiv a logistika je rázem problém.

Právě do tohohle napětí zapadá zpráva o platformě SuperAA od startupu PoLoPo: geneticky upravené brambory, které dokážou v hlízách vytvářet vaječné proteiny (například ovalbumin), následně sklizené a extrahované do práškové formy pro potravinářské linky. Zní to jako sci‑fi, jenže tahle disciplína už má jméno – molekulární zemědělství – a čím dál víc se propojuje s tím, co řešíme v celé sérii Umělá inteligence v zemědělství a potravinářství: AI, data a precizní řízení produkce.

Nejde jen o „bramboru s přidanou hodnotou“. Jde o nový model výroby ingrediencí, kde se plodina chová jako bioreaktor – a úspěch stojí na tom, jak dobře umíme měřit, předpovídat a optimalizovat.

Molekulární zemědělství: bioreaktor na poli

Molekulární zemědělství je způsob, jak pěstovat specifické živočišné (nebo jiné) proteiny přímo v rostlinách. V praxi to znamená, že do rostliny vložíte genetickou informaci pro cílový protein a pak už „jen“ pěstujete – podobně jako běžnou plodinu – až do sklizně.

To podstatné: výroba proteinu se přesouvá z fermentoru nebo živočišné produkce do agronomického systému. Náklady se tak mohou opírat o škálovatelnost běžného zemědělství (skleníky, pole, zavlažování, mechanizace), ale zároveň přibývá nároků na:

• stabilitu výnosu proteinu (nejen výnos hlíz),
• konzistenci kvality mezi šaržemi,
• sledovatelnost a potravinářskou bezpečnost,
• správné načasování sklizně, protože „zralost“ se nehodnotí jen podle sušiny.

A přesně tady se AI vyplácí. Bez dat se molekulární zemědělství snadno zvrhne do drahého pokusnictví.

Proč zrovna brambory a proč je SuperAA zajímavé

Brambora je výhodná proto, že hlíza umí ukládat velké množství biomasy a dá se pěstovat ve vysoké intenzitě. PoLoPo navíc cílí na produkci vaječných proteinů (typicky ovalbumin), které jsou v potravinářství klíčové pro funkčnost.

Co je ovalbumin a proč ho potravináři řeší

Ovalbumin je hlavní bílkovina vaječného bílku a v recepturách se používá pro:

• texturu a „nadýchanost“ (pěnění, struktura),
• vaznost a stabilitu v pečivu,
• zlepšení trvanlivosti některých výrobků,
• funkčnost v alternativních masných a rostlinných produktech.

Když jsou vaječné deriváty drahé nebo nedostupné, výrobci často zkouší náhrady (škroby, hydrolyzáty, luštěninové proteiny), ale funkčně to bývá kompromis. Proto je myšlenka „vaječný protein bez slepic“ pro řadu kategorií extrémně atraktivní.

„Slot‑in“ ingredience: klíč k adopci

PoLoPo chce prodávat proteinové prášky potravinářům tak, aby je mohli nasadit do existujících linek. To je praktické: největší brzda inovací v potravinářství není nápad, ale změna procesů, validace a kvalita.

Tady ale platí tvrdé pravidlo: aby to fungovalo, musí být prášek konzistentní. A konzistence v biologické výrobě znamená dobré řízení variability – od semen po sklad.

Kde do toho vstupuje AI: od genů po sklizeň

AI není doplněk, ale řídicí vrstva, která z molekulárního zemědělství dělá predikovatelnou výrobu. Jestli má rostlina vyrábět cílový protein „na objednávku“, potřebujete mnohem víc než klasické agronomické minimum.

1) Digitální dvojče porostu a predikce „proteinového výnosu“

U běžných brambor sledujete tuny na hektar a kvalitu hlíz. U „proteinové“ brambory vás zajímá hlavně kg cílového proteinu na hektar a jeho kvalita.

AI modely (typicky kombinace časových řad + satelitních/termálních dat + dat ze skleníku) umí:

• předpovědět tempo akumulace proteinu v hlíze,
• doporučit optimální termín sklizně (kdy je proteinový výnos maximum),
• upozornit na stres (teplotní šok, vodní deficit), který může snížit expresi proteinu.

Výsledek je jednoduchý, ale zásadní: sklizeň se plánuje podle „biochemické zralosti“, ne jen podle kalendáře.

2) Precizní klima, voda a výživa: optimalizace expresní „křivky“

V kontrolovaném prostředí (skleníky) je molekulární zemědělství nejdřív nejrychlejší cesta k měřitelné stabilitě. AI tady řídí:

• mikroklima (teplota, vlhkost, VPD),
• závlahu a fertirigaci (EC, pH, dávkování živin),
• světelný režim (kde to dává smysl).

Cíl není maximalizovat „zelenou hmotu“. Cíl je maximalizovat expresi cílového proteinu při rozumných nákladech na energii a vodu.

Praktický příklad z praxe datového řízení (bez ohledu na konkrétní firmu): dvě šarže mohou mít stejný výnos hlíz, ale rozdílný obsah cílového proteinu o desítky procent, pokud se liší stres během klíčové fáze růstu. AI pomáhá najít ty klíčové hodiny a dny, které dělají rozdíl.

3) Počítačové vidění: kvalita a selekce při sklizni

Kamera je levnější než laboratorní test pro každý kus. V praxi se proto kombinuje:

• rychlá vizuální kontrola (poškození, velikost, choroby),
• cílené laboratorní vzorkování,
• model, který propojí vizuální znaky s pravděpodobnou kvalitou šarže.

Tím se zrychlí třídění a sníží odpad. U plodiny, která má nést drahou ingredienční hodnotu, je to velké téma.

4) Data‑driven extrakce: stabilita prášku pro potravináře

Výroba nekončí sklizní. U proteinových plodin je klíčová extrakce a standardizace.

AI a procesní analytika (PAT) v potravinářství pomáhají řídit:

• výtěžnost extrakce,
• čistotu a funkční vlastnosti (rozpustnost, pěnivost),
• stabilitu šarží v čase.

Pokud má být ingredience „slot‑in“, musí mít jasné specifikace. A specifikace se bez dat drží těžko.

Ekonomika a rizika: co musí sednout, aby to dávalo smysl

Největší slib molekulárního zemědělství je škála a nákladovost. Největší riziko je regulace a důvěra trhu. Obojí je potřeba brát střízlivě.

Kde může být ekonomická výhoda

• Pěstování využívá existující infrastrukturu (skleníky, zemědělské postupy).
• Pokud je cílový protein drahý a poptávka stabilní, může dávat smysl vyrábět ho „v biomase“.
• U vaječných ingrediencí navíc hraje roli volatilita způsobená chorobami drůbeže.

Zdrojový článek uvádí očekávání, že globální trh s ovalbuminovým práškem může do roku 2032 dosáhnout 36 miliard USD (firemní odhad). Takové číslo samo o sobě nic negarantuje, ale ukazuje, proč se firmy perou o škálovatelnou produkci.

Co může být brzda

• Regulace GMO v EU je přísná a v praxi často pomalá.
• Oddělení toků (aby se geneticky upravená plodina nemíchala s konvenční) vyžaduje procesní disciplínu.
• Akceptace: potravinář může chtít funkční surovinu, ale zároveň se bojí reputačního rizika.

Můj pohled: bez transparentního řízení kvality, sledovatelnosti a komunikace výhod to nepůjde. A právě tady může pomoci digitální stopa – data o původu, šarži, procesu, testech.

Co si z toho mohou vzít české firmy a farmy (a kde začít)

Nemusíte hned pěstovat „proteinové brambory“, abyste z principu vytěžili hodnotu. Molekulární zemědělství jen zviditelňuje trend, který už běží: potravinářské ingredience se budou vyrábět v systémech, kde se počítá každý parametr.

Rychlé kroky, které dávají smysl i dnes

1. Zaveďte datovou disciplínu ve skleníku nebo na poli

   • jednotné záznamy závlahy, výživy, ochrany, klimatu,
   • napojení senzorů a jednoduchý dashboard.

2. Začněte predikovat, ne jen reportovat

   • model výnosu, model rizika stresu, model kvality.

3. Zaměřte se na kvalitu šarží

   • potravinářství platí za konzistenci; AI dává smysl hlavně tam.

4. Připravte se na „ingredient farming“

   • v budoucnu poroste počet plodin pěstovaných kvůli konkrétní molekule (protein, enzym, pigment).

Otázky, které si položte před investicí

• Jaký je náš cílový parametr: výnos, protein, sušina, funkčnost?
• Máme data v kvalitě, která stačí pro modelování?
• Umíme oddělit šarže a udržet sledovatelnost?
• Kdo je náš odběratel a jaké má specifikace?

„Nejtěžší část inovace v potravinách není vyrobit novou ingredienci. Je to vyrobit ji stejně pokaždé.“

Kam to míří v roce 2026 a dál

Konec roku 2025 je dobrý moment se na to dívat prakticky: tlak na cenu, klimatická volatilita a požadavky retailu na stabilní kvalitu se nezmenší. AI v zemědělství se proto bude posouvat od „monitoringu“ k řízení výroby podle cílové funkce – a molekulární zemědělství je extrémní, ale logický příklad.

Pokud vás v rámci naší série Umělá inteligence v zemědělství a potravinářství zajímá, kde začít, držel bych se jedné zásady: vyberte si jeden proces (závlaha, klima, sklizeň, kvalita šarže), změřte ho a postavte jednoduchý predikční model. Teprve pak má smysl přidávat složitost.

A teď otázka, která bude čím dál častější i v Česku: Budeme do budoucna pěstovat plodiny primárně na kalorie, nebo na konkrétní ingredience s vysokou hodnotou? Odpověď hodně napoví, kdo bude v potravinářství udávat tempo příštích deset let.