AI a foodtech: jak zlevnit kultivované maso a fermentaci

Investice do foodtechu se často popisují jako „dlouhá hra“. A je to pravda hlavně z jednoho důvodu: výroba potravin je fyzická, drahá a pomalá na škálování. Jenže přesně tady se začíná lámat chleba — a v roce 2025 je vidět, že další vlna inovací už nebude jen o laboratorním průlomu, ale o tom, kdo zvládne průmyslovou realitu.

Když jsem četl rozhovor s Amirem Zaidmanem z izraelského hubu The Kitchen, zaujala mě jedna věta (parafrázuju): „precision fermentation bude jako software“. Ne v tom smyslu, že by se z fermentoru stal laptop. Ale v tom, že vyhrává ten, kdo umí proces opakovatelně řídit, optimalizovat a zlevnit. A tady vstupuje na scénu umělá inteligence v potravinářství — ne jako módní nálepka, ale jako nástroj pro kontrolu kvality, predikci výnosů a provozní efektivitu.

Tenhle článek je součástí série Umělá inteligence v zemědělství a potravinářství a bere izraelský ekosystém jako případovou studii: jak spojit investice, infrastrukturu a AI tak, aby kultivované maso a přesná fermentace dávaly ekonomicky smysl.

Izraelský model: kapitál + infrastruktura + „born global“

Izrael má jednu výhodu, kterou v Evropě často podceňujeme: startup tam od prvního dne počítá s globálním trhem. Domácí trh je malý, takže produkt, regulace, obchodní model i partnerství se staví s ohledem na USA, Evropu a Asii. Z pohledu B2B foodtechu je to obrovský náskok — zvlášť když řešíte škálování výroby a potřebujete strategické partnery.

The Kitchen funguje na pomezí seed VC fondu a venture studia. Klíčový detail: umí investovat vyšší částky už v rané fázi (řádově kolem 1 milionu USD do firmy), mimo jiné díky kombinaci soukromého kapitálu a veřejné podpory. V praxi to znamená dvě věci:

• startup si může dovolit rychlejší validaci technologie (víc experimentů, lepší tým, lepší vybavení),
• a současně dostává „hands-on“ podporu v business developmentu a fundraisingu.

To je přesně ten typ podpory, který v agri-food sektoru chybí i u nás: ne powerpointy a mentoring, ale zrychlení cesty od laboratorního výsledku k pilotní výrobě a partnerství s průmyslem.

Proč je to relevantní pro AI v zemědělství a potravinářství

AI projekty v agri-foodu často narážejí na stejné omezení: data a algoritmy jsou fajn, ale když nemáte infrastrukturu a proces, který je schopný data generovat stabilně, AI nepomůže. Izraelský přístup (investice + zařízení + intenzivní spolupráce) vytváří prostředí, kde:

• vznikají kvalitní datové sady (z výroby, senzorů, laboratorních měření),
• procesy se standardizují,
• a AI pak může dělat to, v čem je nejlepší: predikovat, optimalizovat, automatizovat.

Přesná fermentace jako „cloud“: proč to mění ekonomiku

Zaidman popsal problém, který zní banálně, ale rozhoduje o přežití firem: startup v Izraeli (a často i v Evropě) si nemůže jednoduše outsourcovat vývoj a výrobu. Když děláte precision fermentation, potřebujete fermentory, downstream procesy, analytiku, čisté prostory, QA. To stojí miliony a navíc vyžaduje zkušený provoz.

Řešení, o kterém se v ekosystému mluví, je vznik centra pro přesnou fermentaci — analogie ke cloudu:

• v labu děláte malé šarže,
• pro větší objemy si pronajmete kapacitu (větší fermentory) místo toho, abyste je kupovali,
• snížíte kapitálovou náročnost a zrychlíte iterace.

Tohle je zásadní i pro Česko a region CEE. Většina týmů tady nemá šanci postavit vlastní bioprocesní linku, ale sdílená infrastruktura (pilotní fermentace, testovací kuchyně, balicí linky, analytické laboratoře) je realistická cesta.

Kde do toho vstupuje AI

„Cloud pro fermentaci“ není jen o pronájmu nerezových nádob. Je o tom, že sdílené provozy potřebují:

• digitální dvojče procesu (model, který odhaduje chování fermentace při změně vstupů),
• chytré plánování šarží (minimalizace prostojů a kontaminací),
• prediktivní údržbu,
• automatickou kontrolu kvality.

AI v potravinářství tu typicky funguje ve třech vrstvách:

1. Predikce výnosu a kvality (např. modely, které z průběžných senzorických dat odhadnou výtěžnost proteinu).
2. Řízení procesu v reálném čase (doporučení dávkování živin, teplotních profilů, aerace).
3. Optimalizace nákladů (energie, suroviny, délka fermentace, využití zařízení).

Výsledek, o který jde, je velmi konkrétní: nižší cena za kilogram cílové složky a stabilní kvalita.

Kultivované maso: technologicky blízko, cenově pořád daleko

Kultivované maso je v médiích často prezentované jako otázka „kdy to přijde“. Realističtější framing v roce 2025 zní: technologie existuje, ale ekonomika kulhá.

Zaidman to říká přímo: klasický masný průmysl umí vyrábět levně ve velkém a bude těžké mu konkurovat. První kultivované produkty budou mít prémiové ceny, protože:

• růstová média a faktory jsou drahé,
• bioreaktory a sterilní provozy stojí kapitál,
• výtěžnost a konzistence procesu při škálování je složitá,
• regulace a QA přidávají další náklady.

AI tady není marketing. AI je „účtárna“ a „mistři výroby“ v jednom — když je nasazená správně.

Jak přesně může AI zlevnit kultivované maso

Největší úspory přicházejí ze tří míst:

• Optimalizace růstových podmínek: modely hledají kombinace parametrů (pH, O2/CO2, živiny, hustota buněk), které maximalizují růst a minimalizují odpad.
• Detekce odchylek dřív, než zničí šarži: anomálie v datech (např. změna metabolitů) mohou znamenat kontaminaci nebo stres buněk. Včasné varování šetří statisíce.
• Rychlejší vývoj receptur a scaffoldů: místo pokus-omyl se používá aktivní učení (active learning) a optimalizační algoritmy, které navrhují další experiment s nejvyšší informační hodnotou.

Jedna „nepopulární“ pravda: bez datové disciplíny AI nepomůže. Potřebujete standardizované protokoly, kvalitní senzoriku a dohledatelnost (traceability) — jinak se modely učí šum.

Investice do foodtechu: proč nestačí jen peníze

V rozhovoru je důležitý motiv: The Kitchen není jen investor, ale i prostředí, které startupy formuje první 2–3 roky velmi intenzivně. V foodtechu je to nutnost.

Já to vidím takhle: u software si můžete dovolit „růst do chaosu“ a pak to refaktorovat. U fermentace, buněčné kultivace nebo potravinářské výroby chaos znamená ztracené šarže, kontaminaci a reputační průšvih.

Dobrá investiční infrastruktura v agri-foodu dnes zahrnuje:

• přístup k pilotní výrobě,
• pravidla pro práci s IP a licencemi (univerzity, výzkum),
• expertizu v regulaci a QA,
• a hlavně schopnost dostat startup k průmyslovému partnerovi.

Co si z toho vzít pro české firmy a investory

Pokud jste výrobce potravin, zemědělský podnik, investor nebo technologický dodavatel, praktický plán vypadá takto:

1. Vyberte jednu „bolest“ v procesu, kde cena nebo odpad rozhoduje (např. výtěžnost fermentace, stabilita kvality, spotřeba energie).
2. Zajistěte sběr dat (senzory, laboratorní analýzy, MES/ERP integrace) a datovou hygienu.
3. Postavte minimální AI vrstvu: predikce + dashboard + upozornění na odchylky.
4. Teprve pak jděte do autonomnějšího řízení.

Nejdůležitější: AI projekt musí mít vlastní ekonomiku. Jedna jasná metrika (Kč/kg, % zmetkovitosti, hodiny prostojů) a cílové zlepšení.

Co čekat v roce 2026: spojování kuchařů, průmyslu a AI

Zaidman zmiňuje ještě jednu věc, která je překvapivě důležitá: rostoucí propojení foodtechu a gastronomické scény. Šéfkuchaři chtějí nové suroviny, nové textury, nové příběhy. Pro startupy je to skvělý test reality — chuť, textura a použití v kuchyni rozhodují stejně jako CO2 stopa.

V Evropě (a v Česku zvlášť) bych vsadil na to, že další posun přinese kombinace:

• sdílené pilotní provozy (fermentace, alternativní proteiny),
• AI pro stabilitu kvality a snižování nákladů,
• a spolupráce s potravinářskými podniky, které už umí vyrábět ve velkém.

„Technologie vyhrává až ve chvíli, kdy je opakovatelná, levná a nudně spolehlivá.“ V potravinách to platí dvojnásob.

Pokud řešíte, kde začít s AI v potravinářství nebo jak připravit provoz na práci s daty (fermentace, kvalita, plánování výroby), dává smysl udělat první krok hned teď — ideálně na jedné výrobní lince nebo jednom procesu, kde výsledek uvidíte v účetnictví do 90 dnů.

Co bude podle vás větší brzda škálování alternativních proteinů v příštích 12 měsících: cena energie, dostupnost infrastruktury, nebo nedostatek kvalitních výrobních dat pro AI řízení?