AI ve vývoji plant-based: od receptury k nabídce

Když firma, která roky vystupuje jako „čisté B2B“, začne najednou skládat hotové produktové portfolio pro gastro, je to signál. Nejen o tlaku na tržby, ale hlavně o tom, že vývoj alternativních proteinů se posouvá z laboratoře do provozu – a tam už bez dat a automatizace moc neobstojí.

Přesně to naznačuje krok společnosti Motif FoodWorks, která představila portfolio hotových produktů pro food service (alternativy vepřového, hovězího i kuřecího). V našem seriálu Umělá inteligence v zemědělství a potravinářství je to dobrá zpráva: jakmile se z „ingrediencí“ stane „menu“, vzniká prostor pro AI v potravinářství – od formulace přes senzoriku až po plánování výroby.

Co nám expanze Motifu říká o trhu a proč to řešit teď

Krátká odpověď: protože alternativní proteiny už nejsou jen marketingový příběh, ale tvrdá disciplína řízení nákladů, chuti a konzistence.

Motif rozšiřuje záběr z vývoje ingrediencí do hotových produktů pro restaurace. To je typické chování firem ve chvíli, kdy:

• investice do „pozdních kol“ v alt-proteinech ochlazují a rychlá cesta k příjmům je priorita,
• zákazníci (řetězce, kuchyně, výrobci) chtějí ověřený produkt, ne jen příslib „lepší struktury“,
• trh tlačí na chuť, cenu a opakovatelnost – a to se bez datové disciplíny dělá těžko.

Do toho přidejte právní nejistotu v oboru (patentové spory mezi velkými hráči nejsou výjimka) a máte prostředí, kde firmy hledají stabilnější a kontrolovatelnější cestu k monetizaci. Z praxe v potravinářství vím, že v takové situaci vyhrává ten, kdo umí rychle iterovat – ale bez zbytečných výrobních zmetků.

A právě tady se AI stává praktickým nástrojem, ne „hračkou“.

Kde AI reálně pomáhá: od receptury po senzoriku

Krátká odpověď: AI zkracuje počet pokusů, snižuje variabilitu a pomáhá trefit chuť, kterou lidé skutečně chtějí.

1) Optimalizace receptury (formulace) bez nekonečných iterací

Plant-based „maso“ je typicky složenina: proteiny (hrách, sója, pšenice), tuky, pojiva, aroma, barviva, vláknina, minerály, často i fermentační složky. Kombinační prostor je obrovský.

AI a strojové učení se v praxi používají jako modely vztahu složení → vlastnosti:

• textura (kousatelnost, šťavnatost, „bite“),
• chování při tepelné úpravě (smažení, gril, sous-vide),
• stabilita emulze a „tukové mapy“,
• nákladovost receptury (optimalizace BOM).

Výsledek: méně laboratorních běhů a rychlejší přechod do poloprovozu. V gastro segmentu je to zásadní – kuchař odpustí novinku, ale ne odpustí, když se produkt každý týden chová jinak.

2) Modelování senzoriky a preference zákazníků

Jeden z největších mýtů alt-proteinů: „Když to chutná mně, bude to chutnat všem.“ Ne. Chuťové preference se liší podle země, typu kuchyně, ceny, očekávání i toho, jestli produkt míří do burgeru, ramen nebo do české „rychlovky“.

AI umí spojit:

• data ze spotřebitelských testů,
• popis senzorických atributů,
• recepturu a technologii výroby,
• kontext použití (fast food vs. fine dining vs. školní jídelna).

Praktická výhoda: cílená lokalizace. Pro střední Evropu může být důležitější „šťáva po opečení“ a „pepřová linka“ než dokonalé napodobení barvy v řezu. Kdo to pochopí dřív, vyhrává regál i gastro kontrakty.

3) Digitální dvojče výroby: konzistence a výtěžnost

Jakmile se z prototypu stane portfolio hotových produktů, přichází realita:

• různé šarže surovin mají odlišnou funkčnost,
• extruze a texturace jsou citlivé na vlhkost a teplotu,
• ztráty a odchylky umí sežrat marži během týdne.

AI (spolu se senzory a kvalitním sběrem dat) umožní stavět digitální dvojče linky: model, který předpovídá, jak změna suroviny nebo nastavení ovlivní strukturu, výtěžnost a stabilitu.

V potravinářství to často není „magie“, ale disciplinovaná práce:

• standardizace dat ze strojů,
• sledování šarží,
• SPC (statistická regulace procesu),
• prediktivní údržba.

Food service je tvrdý test. A právě proto je pro AI ideální

Krátká odpověď: gastro provoz rychle odhalí, co je jen hezký prototyp a co je průmyslově zvládnutý produkt.

Portfolio pro food service má jednu výhodu: odezva je rychlá. Když produkt:

• prská na pánvi,
• pouští vodu,
• nedrží tvar v burgeru,
• chutná jinak po 10 minutách v ohřevu,

…kuchař to řekne hned. A pokud máte datový systém, můžete tuto zpětnou vazbu převést na měřitelné parametry a další iteraci.

Z pohledu AI je gastro segment skvělý tím, že generuje kontextová data:

• jaký způsob přípravy převládá,
• jaký je typ obsluhy (drive-thru, menza, restaurace),
• jaké jsou typické reklamace,
• jaké jsou limity na čas a pracovní sílu.

Tato data jsou pro vývoj produktu často cennější než „lajky“ na sociálních sítích.

Co si z toho vzít pro české potravináře a agro firmy

Krátká odpověď: AI se vyplatí tehdy, když ji navážete na konkrétní rozhodnutí – receptura, nákup, výroba, kvalita.

Vidím tři praktické scénáře, které dávají smysl i mimo velké americké hráče:

1) Rychlejší vývoj nových receptur (R&D) s menším odpadem

Pokud vyvíjíte plant-based produkty, hybridní výrobky (část živočišného + část rostlinného) nebo nové polotovary, AI může pomoci vybrat „nejpravděpodobnější“ kombinace surovin.

Co to vyžaduje:

• historická data z pokusů (i v Excelu),
• jednotné měření (vlhkost, aktivita vody, textura, výtěžnost),
• disciplínu v popisu receptur a procesů.

2) Predikce kvality surovin z agrárních dat

V našem seriálu často řešíme precizní zemědělství. Tady je přímý most: když umíte z dat o odrůdě, počasí, sklizni a skladování odhadnout funkční vlastnosti suroviny (např. proteinová kvalita hrachu), můžete lépe plánovat receptury i nákupy.

Tohle propojení „pole → linka“ bude v roce 2026 a dál čím dál běžnější.

3) Plánování výroby a marže v časech kolísavých cen

Alternativní proteiny naráží na cenovou elasticitu. AI v plánování (forecasting + optimalizace) umí:

• předpovědět poptávku podle sezóny (např. leden a „odlehčené“ jídelníčky),
• hlídat skladové zásoby a expirace,
• optimalizovat výrobní dávky podle energetické náročnosti.

V prosinci 2025 tohle není „nice to have“. Energie, práce i suroviny jsou pořád drahé a volatilní.

Mini checklist: Jak poznat, že máte pro AI dobrý use-case

Krátká odpověď: když dokážete říct, jaké rozhodnutí se zlepší a čím to změříte.

Zkuste si odpovědět:

1. Jaké rozhodnutí chceme zrychlit nebo zpřesnit? (receptura, nastavení linky, kontrola kvality)
2. Jaká metrika je úspěch? (výtěžnost, reklamace, stabilita, náklad na kg)
3. Jaká data už máme a kde jsou? (laboratoř, výroba, nákup, agrární data)
4. Kdo bude výstup používat v praxi? (technolog, mistr, nákupčí)
5. Umíme výstup „uzavřít do procesu“? (standard, pracovní instrukce, automatické alarmy)

Pokud na 3 z 5 bodů odpovíte konkrétně, AI projekt má šanci být přínosný.

Kam se to posune v roce 2026: AI jako „motor“ produktových portfolií

Krátká odpověď: vyhraje ten, kdo spojí vývoj, výrobu a trh do jedné datové smyčky.

Krok Motifu – přechod k hotovým produktům pro food service – se dá číst jako tlak na tržby. Já v tom ale vidím ještě něco: alternativní proteiny dospívají do fáze, kdy se neprodává jen nápad, ale spolehlivý výkon v reálném provozu.

A spolehlivý výkon znamená:

• konzistentní kvalitu,
• rychlé iterace,
• chytré řízení nákladů,
• a čitelné důkazy (data), že produkt funguje.

To je přesně prostor pro umělou inteligenci v potravinářství i pro návaznost na AI v zemědělství – od predikce kvality surovin až po optimalizaci texturace na lince.

Pokud řešíte vývoj potravin, výrobu nebo agro suroviny, zkuste si položit jednu praktickou otázku: Kde dnes děláme rozhodnutí „podle pocitu“, ale mohli bychom ho dělat podle dat? Tam obvykle začíná nejrychlejší návratnost.