Proč ChatGPT nezvládá recepty a kde AI funguje v jídle

V jednom testu uvařil tým kuchařů přes 100 receptů vygenerovaných ChatGPT. Výsledek byl až bolestně konkrétní: jedlý byl zhruba jeden. Ne „tak nějak dobrý“, ale opravdu chutný. To není hejt na AI. Je to praktická ukázka, že obecné chatboty nejsou stavěné na úkoly, kde rozhoduje fyzika, chemie, technologická kázeň a kontrola kvality.

A právě proto má tenhle příběh smysl i pro naši sérii Umělá inteligence v zemědělství a potravinářství. V kuchyni je snadné nadchnout se: „AI mi vymyslí večeři.“ V potravinářství a zemědělství ale nejde o text, ale o výsledek v reálném světě – chuť, konzistenci, hygienu, stabilitu šarží, výtěžnost, energetickou náročnost a odpad.

Tahle zkušenost je dobré varování a zároveň dobrá mapa: kde se obecná AI láme – a kde naopak dává smysl budovat specializované nástroje.

Co přesně se pokazilo (a proč to není překvapení)

Obecné jazykové modely jsou skvělé v tom, že umí psát souvislý text. Jenže recept není článek. Recept je postup, který musí projít přes: teplotu, čas, pořadí kroků, interakce surovin, emulze, srážení, Maillardovu reakci, vaznost škrobu, aktivitu vody… a nakonec přes lidské chuťové vnímání.

V popisovaném experimentu kuchařský tým narazil na typické průšvihy:

• Nekompatibilní kombinace surovin (věci, které „na papíře“ znějí bohatě, ale v reálu se bijí).
• Zaměněné nebo rozházené kroky (postup mimo logiku technologie).
• Marketingové přívlastky bez opory v realitě („bohaté“, „dekadentní“) u jídel, která byla ve skutečnosti plochá nebo divná.
• Recepty, které vypadají normálně, ale při vaření se rozpadnou – chuťově i technologicky.

Jedno z největších selhání byl veganský pokrm ve stylu zapečených brambor, kde seznam surovin a instrukce nedávaly smysl v pořadí a výsledek byl „divné barvy“, s nepříjemně výraznou omáčkou a špatnou chutí.

Pointa: jazykový model skládá pravděpodobná slova, ne ověřené postupy.

Proč obecná AI často „halucinuje“ i v kuchyni

Klíčový problém není, že by AI „nechtěla“. Problém je v zadání:

1. Tréninková data jsou plná průměrných receptů. Internet je přehlídka copy-paste variací, nepřesných gramáží a postupů typu „nějak to udělejte“.
2. Pokud chcete „unikátní“ recept, model se snaží odlišit. A odlišit se v kuchyni často znamená být divný, ne dobrý.
3. Model nemá přímou zpětnou vazbu z reality (chuť, textura, stabilita omáčky). Nevaří. Nepálí se mu to na pánvi.

Jako kuchař si můžete dovolit experimentovat. Jako potravinářská firma nebo zemědělec často nemůžete – chyba stojí peníze, čas, suroviny a někdy i reputaci.

Chatbot v kuchyni vs. AI v potravinářství: dvě úplně jiné disciplíny

Rozdíl je jednoduchý: recepty pro lidi jsou kreativní text. Potravinářství a zemědělství je řízení procesu.

V praxi to znamená, že zatímco chatbot může pomoct s nápady, v průmyslu potřebujete:

• měření (senzory, laboratorní data, NIR, kamerové systémy)
• modely (predikce výnosů, kvality, vad)
• optimalizaci (energie, dávkování, logistika)
• dohledatelnost a audit (HACCP, IFS/BRC, dokumentace)

Generativní AI se v potravinářství uplatní, ale jinak: ne jako „vymysli mi recept“, spíš jako „navrhni varianty v rámci omezení a ukaž rizika“.

Konkrétní příklady, kde AI v jídle reálně vydělává

Tady je pár oblastí, kde jsem opakovaně viděl nejlepší poměr „přínos vs. riziko“, protože jsou založené na datech a měření:

• Predikce výnosů a kvality plodin (kombinace satelitních snímků, meteorologie a historie polí).
• Detekce chorob a stresu rostlin z kamer (drony, traktory, stacionární kamery).
• Třídění a kontrola kvality v potravinářství (počítačové vidění pro vady, kalibr, barvu, nečistoty).
• Prediktivní údržba linek (vibrace, proudové odběry, teploty – méně odstávek v sezoně).
• Optimalizace receptur, ale v režimu R&D: s databází surovin, alergenními limity, cenami a senzorickými testy.

Všimněte si, že ani jedno není „napiš mi kreativní text“. Všechno stojí na tom, že AI má co měřit, z čeho se učit a jak to ověřit.

Co z toho plyne: potřebujeme specializovanou AI, ne univerzální recepty

Obecný chatbot je jako brigádník, který umí hezky mluvit. V potravinářství ale potřebujete technologa, agronoma a kvalitáře v jednom – a hlavně systém, který pracuje s vašimi daty.

Specializovaná AI pro zemědělství a potravinářství typicky obsahuje:

1) Tvrdá omezení a „guardrails“

Dobré řešení umí říct: „Tohle nejde, protože…“

• limity teplot a časů
• technologické kroky (např. emulgace, hydratace, proofing)
• alergeny a legislativa značení
• bezpečnostní parametry (např. minimální teploty pro tepelné opracování)

2) Datové napojení na realitu

Bez dat je to pořád jen hezký text. V praxi to znamená integrace na:

• ERP/MES (šarže, spotřeby, OEE)
• LIMS (laboratorní výsledky)
• IoT senzory (teploty, vlhkosti, CO₂, tlak)
• agronomická data (půdní mapy, výživa, ochrana)

3) Ověřování a učení v cyklu

Největší rozdíl dělá zpětná vazba:

• senzorické panely a hodnocení
• reklamace a odchylky
• laboratorní měření
• reálné výnosy a kvalita sklizně

Model bez uzavřené smyčky je jako kuchař, který nikdy neochutná.

Praktický návod: jak používat ChatGPT v potravinářství bezpečně

Pokud ChatGPT (nebo jiný LLM) používáte v týmu, dá se to dělat chytře. Držel bych se těchto pravidel:

Používejte ho na text, ne na fyziku

Chatbot je užitečný pro:

• strukturu pracovních instrukcí (SOP), kontrolní seznamy
• školící materiály pro obsluhu
• návrh otázek pro audit nebo interní kontrolu
• shrnutí poznámek z R&D testů

Naopak nechte na odbornících a měření:

• kritické technologické parametry
• bezpečnost potravin a hygienu
• výpočty výtěžnosti a stabilitu výrobku

Zadejte omezení jako „tvrdé mantinely“

Místo „vymysli recept“ funguje lépe:

• přesný seznam surovin, které máte
• technologické vybavení (konvektomat, pánev, autokláv)
• alergeny, výživové cíle, cenu na porci
• zakázané postupy (např. žádné syrové vejce)

A stejně platí: výstup je návrh, ne pravda.

Zaveďte interní ověřovací proces

V potravinářství je normální validace. U AI ji jen rozšíříte:

1. technolog zkontroluje postup
2. malá zkušební šarže
3. laboratorní a senzorické ověření
4. teprve potom škálování

Tohle je přesně ten rozdíl mezi „receptem na blogu“ a výrobkem, který musí vyjít pokaždé.

Proč je to aktuální právě teď (prosinec 2025)

Konec roku v potravinářství znamená tlak na náklady, energie a plánování. A v zemědělství se už dnes připravuje sezona 2026: osevní postupy, hnojení, smlouvy na odběr, logistika skladů.

V tomhle období dává AI největší smysl tam, kde umí:

• zpřesnit plán (výnosy, zásoby, poptávka)
• snížit zmetkovitost a odpad
• udržet stabilní kvalitu při kolísání surovin

A přesně tady obecný chatbot naráží. Ne proto, že je „špatný“, ale protože to není jeho práce.

Co si z kuchyňského fiaska odnést do zemědělství a výroby potravin

Jeden experiment s recepty ukázal něco, co si v potravinářství nemůžeme dovolit ignorovat: generativní AI umí působit přesvědčivě i tehdy, když nemá pravdu. V kuchyni vás to stojí jeden zkažený pekáč. Ve výrobě to může být šarže, odstávka, nebo průšvih s kvalitou.

Zároveň to ale není důvod AI zavrhnout. Je to důvod přestat po ní chtít, aby „vymýšlela z ničeho“, a místo toho ji nasadit tam, kde má data, omezení a ověřování.

Pokud řešíte AI v zemědělství nebo potravinářství – ať už jde o predikce výnosů, kontrolu kvality, optimalizaci receptur nebo plánování výroby – nejrychlejší cesta k výsledku je začít u jedné konkrétní metriky (odpad, energie, reklamace, OEE) a postavit kolem ní datový základ.

Kde ve vašem procesu dnes vzniká nejvíc ztrát: na poli, ve skladu, nebo až na lince? Právě tam má smysl začít s AI, která se opírá o realitu, ne o hezky znějící věty.