AI ve výživě: když se „jídlo na předpis“ škáluje

7,4 milionu pacientů je číslo, které vypadá spíš jako velikost menší země než jako „pilot“ v rámci zdravotnictví. Přesně na takový dosah míří platforma Foodsmart, která v USA rozšiřuje program typu food as medicine (jídlo jako součást léčby) a zároveň si připsala dalších 10 milionů dolarů financování. Nejde jen o peníze – jde o signál, že personalizovaná výživa řízená daty se posouvá z okraje do hlavního proudu.

V našem seriálu „Umělá inteligence v zemědělství a potravinářství“ se často bavíme o tom, jak AI pomáhá na poli: předpovídá výnosy, hlídá stres plodin, optimalizuje dávky hnojiv. Jenže stejná logika teď rychle prorůstá i na druhý konec řetězce – na talíř. A právě tahle „druhá půlka“ bývá podceňovaná: pokud neumíme chytře propojit produkci, dostupnost potravin a zdravotní cíle lidí, zůstane spousta efektivity ležet na stole.

Co je na expanzi Foodsmartu opravdu důležité

Podstatné není, že jeden startup vyhrál další investiční kolo. Důležité je, jakým způsobem se výživa integruje do klinické praxe a proč je to pro digitální zdravotnictví i potravinářství zásadní.

Foodsmart rozšiřuje svůj program „Foodscripts“ napříč třemi velkými zdravotními systémy (Advocate Health, Memorial Hermann, Intermountain Health). Společně s dalšími partnery investovali dalších 10 milionů dolarů, čímž se celkové financování (Series C) dostalo na 40 milionů.

Z praxe je zajímavých pět bodů, které takové rozšíření typicky rozhodují:

1. Dosah a škálování – výživa přestává být „doporučení na letáku“ a stává se službou pro miliony lidí.
2. Napojení na zdravotnická data – bez integrace do systémů (EHR) se z personalizované výživy stává ruční práce.
3. Proplácení a vykazování péče – pokud nejde výživu jednoduše vykázat, lékař ji nebude předepisovat, ani kdyby chtěl.
4. Vzdělávání poskytovatelů – nutriční doporučení se rychle mění a klinici nemají čas lovit aktuální evidence.
5. Partnerství – když do výživy investují přímo zdravotní systémy, je to úplně jiná hra než „apka do appstoru“.

Pro českého čtenáře: nejde o kopírování amerického modelu. Jde o inspiraci, jak udělat z výživy měřitelnou, integrovanou a ekonomicky obhajitelnou část péče.

Proč „jídlo jako medicína“ roste právě teď (a proč to souvisí s AI)

Růst těchto programů táhnou dvě síly, které se navzájem posilují.

První je realita chronických onemocnění. Metabolická onemocnění (obezita, prediabetes, diabetes 2. typu, vysoký tlak) nejsou okrajový problém, ale masová agenda zdravotních systémů. A na masové problémy potřebujete škálovatelná řešení.

Druhá je vlna kolem léků typu GLP-1 (v mediálním prostoru často spojované s rychlým úbytkem hmotnosti). Foodsmart a podobné firmy staví argument jednoduše: GLP-1 může fungovat jako „startér“, ale dlouhodobý výsledek se bez změny stravování rozpadá – a hlavně je to drahé.

Tady vstupuje AI a datové nástroje:

• Personalizace výživy pro miliony lidí bez automatizace neexistuje.
• Potřebujete algoritmy, které umí pracovat s preferencemi, alergiemi, rozpočtem, lokální dostupností potravin i zdravotními cíli.
• Potřebujete měření a zpětnou vazbu: co pacient skutečně jí, co to dělá s hmotností, glykémií, tlakem.

Jinými slovy: výživa se stává řízeným systémem, ne jen „dobrou radou“.

EHR integrace: nudná věc, která rozhoduje o úspěchu

Největší paradox digitálního zdraví? Nevyhrává nejlepší algoritmus. Vyhrává řešení, které se dá používat v provozu.

Foodsmart zdůrazňuje integraci do elektronické zdravotnické dokumentace (EHR). To je přesně ten typ „nudné“ práce, která rozhoduje:

• Lékař nebo nutriční terapeut musí být schopný doporučení zadat během běžné návštěvy.
• Systém musí umožnit sledování a vykazování (např. pro pojišťovnu nebo interní reporting).
• Data musí být propojitelná s diagnózami a cíli léčby.

V českém kontextu je analogie jasná: pokud nástroj pro personalizovanou výživu nepasuje do workflow ambulancí, nemocnic, případně firemních benefitních programů, zůstane to pilot. A piloty se nedají škálovat.

Výživa bez integrace do systému je „apka navíc“. Výživa s integrací je součást péče.

Personalizovaná výživa jako „precizní zemědělství pro člověka“

Proč je tohle téma v seriálu o AI v zemědělství a potravinářství? Protože princip je totožný.

V precizním zemědělství AI vyhodnocuje data (půda, satelitní snímky, počasí) a dává doporučení „tady přihnojit, tady ubrat“. V personalizované výživě AI vyhodnocuje data (laboratorní výsledky, diagnózy, návyky) a dává doporučení „tady ubrat cukr, tady přidat vlákninu, tady upravit timing“.

A teď to důležité: oba systémy řeší stejný problém – variabilitu.

• Pole není homogenní.
• Populace pacientů není homogenní.

Kdo se snaží řídit variabilní realitu jedním průměrným doporučením, plýtvá.

Co to znamená pro potravinářství a dodavatelské řetězce

Jakmile se výživa stane „předepisovatelnou“ a měřitelnou, začne se měnit i poptávka:

• Větší tlak na standardizaci nutričních profilů (jasná data o složení).
• Větší význam bude mít dostupnost lokálních zdravých potravin (nejen v e-shopu, ale fyzicky v regionu).
• Poroste poptávka po potravinách, které jsou „snadno zařaditelné“ do dietních plánů (vysoká sytivost, vyšší podíl bílkovin, vláknina, nižší glykemická zátěž).

Tady se otevírá prostor i pro zemědělství: pokud umíme predikovat poptávku po konkrétních komoditách a kvalitativních parametrech, AI může optimalizovat produkci tak, aby „zdravější volba“ nebyla rarita.

Co si z toho může odnést český trh (a kde bývá nejčastější chyba)

Nejčastější chyba, kterou vídám u projektů kolem AI ve výživě i v agri/food? Začne se modelem, ne problémem a daty.

Pokud chcete budovat (nebo nakupovat) řešení pro personalizovanou výživu, dejte si předem tři velmi praktické otázky:

1) Jaká data máme a v jaké kvalitě?

• klinická data (diagnózy, medikace, lab výsledky)
• behaviorální data (stravovací návyky, pohyb)
• kontext (rozpočet, čas na vaření, dostupnost potravin)

Bez toho AI dává hezké rady „pro průměrného člověka“.

2) Jak budeme měřit výsledek?

Užitečné metriky bývají konkrétní:

• změna hmotnosti a obvodu pasu
• HbA1c nebo glykémie (u rizikových skupin)
• krevní tlak
• adherence: kolik doporučení se skutečně realizovalo
• ekonomika: snížení nákladů na komplikace a akutní péči

Pokud výsledek neumíte změřit, rozpočet vám někdo brzy seškrtá.

3) Kdo bude „vlastník“ služby?

• nemocnice?
• zdravotní pojišťovna?
• zaměstnavatel (benefity)?
• retail / potravinářský řetězec?

Vlastník určuje motivaci, integrace i to, co se považuje za úspěch.

Praktický checklist: jak začít s AI výživou bez velkých slibů

Když chcete získat leady a zároveň si nevystřelit koleno přehnanými očekáváními, funguje konzervativní postup:

1. Vyberte jednu cílovou skupinu (např. prediabetes, hypertenze, obezita u zaměstnanců).
2. Nastavte 2–3 měřitelné cíle na 90 dní.
3. Zajistěte integraci dat (alespoň export/import, ideálně napojení na interní systém).
4. Postavte jednoduchý „food plan“: preferujte realistické kroky (výměny potravin, nákupní seznamy, recepty do 30 minut).
5. Zaveďte zpětnou vazbu (krátké dotazníky, váha, případně laboratorní kontrola).
6. Zaveďte lidskou podporu – i když je AI skvělá, 10 minut s odborníkem často rozhodne o adherenci.

AI má být motor. Ale volant občas drží člověk.

Kam to celé míří v roce 2026: „od pole k pacientovi“

V roce 2025 se v Evropě i u nás pořád hodně mluví o dostupnosti potravin, cenách, udržitelnosti a zdraví populace. Já bych k tomu přidal jednu věc: propojování dat napříč řetězcem.

Jakmile zdravotní systém začne říkat „tohle jídlo je součást léčby“ a začne to měřit, potravinářství dostane nový typ zadání: ne jen vyrobit levně a ve velkém, ale vyrobit tak, aby to dlouhodobě zlepšovalo zdravotní výsledky. A zemědělství na to bude reagovat.

Nejsilnější trend, který z podobných expanzí čtu, je jednoduchý: personalizace se nebude dít jen v mobilu. Přelije se do nákupu, výroby a plánování produkce.

Pokud řešíte AI v zemědělství a potravinářství, stojí za to dívat se i na „klinickou“ stranu. Tam se totiž rodí budoucí poptávka.

Jakmile výživa začne být řízená daty, změní se to, co se vyplatí pěstovat, vyrábět i prodávat.

Chcete, aby vaše organizace byla u toho? Jaký konkrétní use case – v zemědělství, potravinářství nebo firemním zdraví – má u vás největší šanci na rychlý pilot s měřitelným výsledkem?