AI v potravinářství: realismus po boomu alt‑proteinů

Rok 2025 je pro potravinářské inovace dost střízlivý. Po období, kdy se o alternativních proteinech mluvilo jako o „další velké věci“, se na velkých konferencích i v investičních výborech víc než kdy jindy řeší jednoduchá otázka: kdo to dokáže vyrobit ve velkém, projít regulací a prodat běžným lidem za normální cenu.

Na Future Food Tech 2025 v San Franciscu byl ten posun vidět na každém kroku. Alternativní proteiny nikam nezmizely, jen už nejsou jediným středem vesmíru. Do popředí se dostává zdraví (čisté složení, výživa, vláknina) a hlavně pragmatika: měřitelné výsledky, robustní procesy, kontrola kvality, předvídatelnost.

A právě tady má v naší sérii Umělá inteligence v zemědělství a potravinářství AI své nejpraktičtější místo. Ne jako efektní nálepka do pitch decku, ale jako sada nástrojů, které umí řešit tři největší brzdy „future food“: škálování výroby, regulaci a spotřebitelskou adopci.

Alt‑proteiny: méně hype, více důkazů

Alt‑proteiny jsou pořád důležité, ale investoři přitvrdili. Pointa není, jestli produkt „zní dobře“, ale jestli:

• dá ekonomický smysl při výrobě ve velkém,
• projde regulací a bezpečnostními testy,
• chutná a funguje v běžných receptech,
• má distribuční a značkovou strategii mimo „early adopters“.

Na konferencích se dnes mluví otevřeněji o tom, že roky 2019–2022 přitáhly do food techu i „turistické“ peníze. Ty často financovaly projekty s minimální diferenciací. Teď je to naopak: kapitál je opatrnější a čeká na prokazatelný pokrok.

Co to znamená pro české firmy a agrifood startupy

V Česku to má překvapivě zdravý dopad. Místo toho, aby se kopírovaly zahraniční trendy, roste prostor pro:

• ingredience z lokálních surovin (hrách, oves, lupina),
• technologie pro zvyšování výtěžnosti a kvality,
• B2B řešení pro výrobce potravin a zemědělce.

Realismus je výhoda, pokud máte disciplínu měřit a optimalizovat. A to je přirozené prostředí pro AI.

Kultivované maso: pár tahounů, hodně překážek

Kultivované maso je dnes typický příklad: technologicky fascinující, ale tvrdé na škálování i regulaci. Na Future Food Tech byly vidět firmy, které se i přes překážky posouvají (například specializace na konkrétní druhy, zlepšování textury, postupy pro bezpečnost).

Z pohledu praxe je nejdůležitější tohle: kultivace je výrobní proces, a tedy se dá řídit stejně jako jiná biotechnologická výroba. Kdo zvládne stabilní kvalitu, sníží variabilitu a zrychlí učení, ten vyhraje.

Jak AI pomáhá kultivovanému masu „zlevnit učení“

V kultivaci platí, že každá šarže je drahá lekce. AI snižuje počet těch lekcí tím, že:

1. Modeluje proces a hledá optimální parametry (teplota, pH, živné médium, míchání, časování). Místo stovek pokusů je možné cílit desítky.
2. Hlídá kvalitu v reálném čase pomocí senzorů a detekce anomálií (časné varování před kontaminací nebo odchylkou).
3. Zrychluje přenos know-how mezi linkami: co funguje v pilotu, musí fungovat i ve větším měřítku. AI pomáhá najít, kde se proces „láme“.

Tohle není teorie. V praxi to znamená méně zmetků, kratší cykly a lepší dokumentaci – a to je přesně to, co chtějí regulátoři i investoři.

Zdraví vítězí nad udržitelností: „stealth health“ a vláknina

Na Future Food Tech bylo vidět, že zdravotní benefity (výživa, střevní mikrobiom, „clean label“) se dostaly před čistou udržitelnost. Důvod je prostý: lidé kupují jídlo hlavně kvůli chuti, ceně a tomu, jak se po něm cítí.

Zaujala mě myšlenka „stealth health“: zlepšit výživovou hodnotu bez toho, aby musel spotřebitel měnit chování. Funguje to lépe než moralizování. Dítě si nevezme „lepší produkt“, vezme si „to svoje“ – a vy máte vyhrát tak, aby rozdíl nepoznalo.

GLP‑1 a proč má vláknina takový comeback

Léky ze skupiny GLP‑1 (včetně známých značek) změnily chování části trhu: lidé řeší sytost, porce, trávení, a tím pádem i složení potravin. Potravinářský průmysl se posunul od paniky k optimalizaci: více vlákniny, lepší glykemická odezva, vyšší nutriční hustota.

Pro agrifood sektor je to signál: vláknina není „nudná složka“. Je to strategická ingredience. A AI do toho vstupuje dvěma způsoby:

• Objevování nových funkčních vláknin (z vedlejších proudů, luštěnin, obilovin) pomocí datové analýzy a laboratorních predikcí.
• Formulace produktů tak, aby vláknina zlepšila výživu, ale nerozbila chuť, texturu ani cenu.

AI je standard. Problém je AI‑washing

Na konferenci byla AI všude. To je dobrá zpráva i varování zároveň.

Dobrá zpráva: AI v potravinářství už není exotika. Používá se na detekci toxinů, optimalizaci receptur, predikce poptávky, řízení dodavatelských řetězců nebo personalizovaná doporučení výživy.

Varování: přichází vlna AI‑washingu – tedy situace, kdy firma tvrdí „děláme AI“, ale ve skutečnosti má jen pár pravidel v Excelu nebo přebarvenou analytiku. Vydrží to krátce. Jakmile zákazník chce audit, validaci nebo vysvětlení modelu, je hotovo.

„Přehánění AI schopností je krátkodobá lež. AI‑washing vás dožene stejně jako greenwashing.“

Jak poznat smysluplné AI v potravinářství (rychlý test)

Pokud vybíráte dodavatele nebo sami stavíte AI produkt, držím se jednoduchého testu:

• Je jasné, jaká data model používá a kdo je vlastní?
• Existuje měřitelný KPI dopad (např. snížení zmetkovitosti o X %, zkrácení vývoje receptury o Y týdnů)?
• Je model validovaný na reálném provozu, ne jen na laboratorních datech?
• Umí vysvětlit rozhodnutí (alespoň na úrovni atributů a příčin odchylek)?
• Je řešená kyberbezpečnost a auditovatelnost (hlavně u kvality a bezpečnosti)?

Kdo projde, má velkou šanci dodat hodnotu i v konzervativním potravinářství.

Největší brzdy škálování: regulace, výroba, spotřebitel. A kde do toho sedí AI

Tři největší překážky „future food“ se v roce 2025 nemění. Mění se jen ochota je přiznat nahlas.

1) Regulace: vyhrají ti, kdo umí předvídat a dokumentovat

AI pomáhá hlavně v přípravě na regulační procesy:

• Predikce rizik: modely anomálií a kontaminací, scénáře „co když“.
• Zrychlení dokumentace: strukturované záznamy ze senzorů, automatizované reporty z procesu.
• Hledání slabých míst v HACCP a v dodavatelském řetězci (kde nejčastěji vzniká problém).

U alt‑proteinů a nových ingrediencí je rychlost schvalování často limitována tím, jak kvalitní a konzistentní data dodáte.

2) Škálování výroby: AI jako autopilot pro variabilitu

Ve výrobě jídla je nepřítelem variabilita. Jiná šarže suroviny, jiné teploty, jiný dodavatel, jiný operátor. AI v kombinaci se senzory dělá dvě věci:

• Stabilizuje proces (řízení podle predikce, ne podle zpětné kontroly).
• Snižuje zmetkovitost (odhalí odchylku dřív, než se projeví ve výsledku).

Pro české výrobce tohle často znamená rychlou návratnost: když snížíte odpad a reklamace, je to okamžitě vidět v marži.

3) Spotřebitel: chuť a cena jsou tvrdší než ideály

Mnoho alt‑proteinů narazilo na jednoduchou realitu: lidé nechtějí platit víc za něco, co chutná hůř nebo je „divné“.

AI umí zásadně pomoct ve dvou oblastech:

• Porozumění preferencím: analýza recenzí, senzorických panelů, dat z prodejů a testovacích kampaní.
• Rychlejší iterace receptury: modely, které hledají kombinace ingrediencí pro konkrétní texturu, barvu a chuť při daném rozpočtu.

Tady je praktická rada: pokud děláte novou potravinu, měřte tři metriky od prvního dne – opakovaný nákup, ochotu doporučit a cenovou elasticitu. Bez toho je „pozitivní feedback“ jen hluk.

Co si z toho odnést (a co dělat hned v lednu 2026)

Realismus v potravinářských inovacích není brzda. Je to filtr, který oddělí projekty s budoucností od těch, které jen dobře zní. A AI je dnes nejrychlejší způsob, jak ten filtr přetavit do praxe.

Pokud pracujete v zemědělství, potravinářství nebo agrifood startupu, začal bych těmito kroky:

1. Vyberte jeden proces, kde bolí variabilita (kvalita suroviny, fermentace, pečení, extruze, balení) a změřte zmetkovitost a příčiny.
2. Zaveďte minimální datovou infrastrukturu: konzistentní sběr dat ze senzorů + šarže + operátor + časové razítko.
3. Postavte jednoduchý model na detekci odchylek (nejdřív anomálie, pak optimalizace). Většina firem chce hned „predikci budoucnosti“, ale nejvíc peněz leží ve stabilitě.
4. Otestujte jednu „stealth health“ úpravu (víc vlákniny, lepší proteinový profil) bez změny zvyku spotřebitele.

V celé sérii Umělá inteligence v zemědělství a potravinářství se pořád vrací stejná věta: AI nepřidává hodnotu tím, že existuje, ale tím, že zkracuje čas mezi rozhodnutím a výsledkem.

A teď otázka, kterou stojí za to si položit na poradě hned po svátcích: budete v roce 2026 používat AI hlavně na prezentace, nebo na snížení nákladů, lepší kvalitu a rychlejší uvedení produktu na trh?