AI v potravinářství: lekce z Giuseppe pro praxi

Většina firem si myslí, že „AI v R&D“ znamená pořídit si chatbota a čekat na zázračné recepty. NotCo šlo opačnou cestou: skoro před deseti lety začali od naprostého základu – od dat. Jejich systém Giuseppe nevznikl jako efektní demo, ale jako nástroj, který má v laboratoři a v továrně skutečně fungovat.

Tohle téma je dnes (21.12.2025) překvapivě aktuální i pro české potravináře a zemědělce. Rostou ceny energií, tlak na udržitelnost i poptávka po alternativách k živočišným produktům. A zároveň se ukazuje, že největší bariéra pro AI není „model“, ale roztříštěná data, procesy a rozhodování – stejně ve výrobě potravin jako v precizním zemědělství.

NotCo je zajímavé hlavně tím, jak se Giuseppe vyvíjel: od „data-scrapingu“ veřejných databází až k tomu, čemu jejich tým říká discernment layer – vrstva rozlišování, která odděluje tisíce AI nápadů od těch, které dávají smysl technologicky, ekonomicky i pro trh. A přesně tahle logika se dá přenést do celého potravinového řetězce – od pole po regál.

Od „cold startu“ k produktu: nejdřív data, pak model

AI v potravinářství je ve skutečnosti data projekt převlečený za software. NotCo začalo v situaci, kterou zná většina inovátorů: nemáte data, nemáte rozpočet, ale potřebujete trénovat model. Jejich řešení bylo pragmatické – využili veřejně dostupná data z amerických státních zdrojů (USDA) a poskládali z nich první použitelný základ.

Tohle je důležitá lekce pro „Umělou inteligenci v zemědělství a potravinářství“ jako celek: i v Česku existuje spousta podkladů (výnosové mapy, laboratorní rozbory, výrobní parametry, skladové karty, reklamace, senzorika), jen bývají:

• uložené v různých systémech,
• bez jednotných definic (co přesně je „vlhkost“, „výtěžnost“, „ztráty“),
• bez návaznosti na rozhodnutí (co jsme změnili a jaký to mělo dopad).

Giuseppe ukazuje, že „cold start“ se dá překonat, pokud začnete sběrem a integrací – i když je to zpočátku „ošklivé“ a ruční. Model bez dat je marketing. Data bez procesu jsou šuplík.

Co si z toho vzít pro zemědělství

V precizním zemědělství se často řeší predikce výnosu a dávkování dusíku. Princip je stejný: nejdřív potřebujete dát dohromady satelitní snímky, půdní mapy, záznamy o osevu, počasí a skutečný výnos z kombajnu. Teprve pak má smysl trénovat predikční model.

Jedna věta, kterou si rád opakuju: AI nezačíná algoritmem. Začíná tím, že víte, čemu věřit.

Proč je potravinový řetězec pro AI tak těžký (a jak to NotCo řeší)

Největší brzda inovací v potravinářství není kreativita, ale fragmentace. Data jsou rozsekaná mezi:

• dodavatele surovin (specifikace, šarže, variabilita),
• aromatické a příchuťové domy (know-how, senzory, receptury),
• výrobce (parametry linky, zmetkovitost, OEE),
• výzkum a laboratoře (analytika, mikrobiologie, textura),
• obchod (cena, elasticita, preference, regionální rozdíly).

NotCo postupně došlo k tomu, že pokud má AI navrhovat produkty, které obstojí na trhu, nemůže být zavřená jen v interní databázi. Giuseppe se proto posouvá směrem k integraci informací „nahoru a dolů“ hodnotovým řetězcem a motivaci partnerů sdílet data.

Praktický přenos do české praxe: „data pact“ místo jednorázových exportů

Místo toho, aby si firmy posílaly Excel jednou za kvartál, dává smysl zavést jednoduchou dohodu a strukturu:

1. Jednotný slovník proměnných (např. „protein“ = Kjeldahl, ne NIR odhad).
2. Minimální datový balíček pro každou šarži: původ, parametry, skladování, zpracování.
3. Zpětná vazba: co se stalo na lince, v senzorice, v reklamacích.
4. Pravidla důvěry: anonymizace, agregace, přístupová práva.

Tahle „nudná“ práce je přesně to, co odlišuje AI, která jen generuje nápady, od AI, která snižuje zmetkovitost, zrychluje vývoj a drží náklady.

Discernment layer: proč generativní AI bez filtru selhává

Generativní AI umí vyrobit nekonečně mnoho návrhů receptur, příchutí nebo kombinací surovin. Problém? Většina z nich je laboratorně neprůchodná, technologicky nestabilní nebo ekonomicky nesmyslná.

NotCo popisuje řešení jako vrstvu rozlišování (discernment layer): systém, který z tisíců generovaných možností vybere malé množství kandidátů, které mají šanci uspět ve skutečném světě.

Tahle myšlenka je pro potravináře zásadní. Generování je levné. Rozhodování je drahé. Každý pilotní test stojí čas, kapacity linky, suroviny a často i reputaci.

Co by měla „vrstva rozlišování“ hodnotit

Pokud si podobný přístup chcete zavést interně (třeba i s jednoduššími nástroji), zaměřte se na skórování návrhů podle tvrdých kritérií:

• Škálovatelnost: půjde to udělat na vaší lince bez přestaveb?
• Cena na porci: sedí to do cílové ceny a marže?
• Dostupnost surovin: nejsou to „exotické“ položky s dlouhou dodací lhůtou?
• Regulace a alergeny: je to čisté z hlediska legislativy a značení?
• Senzorický profil: navazuje to na to, co zákazníci skutečně preferují?
• Stabilita: textura, separace, trvanlivost, chování při teplotě.

Výsledek má být jednoduchý: místo 10 000 nápadů dostanete třeba 20, které stojí za laboratorní ověření.

„Generovat umí každý model. Konkurenční výhoda je umět vybrat nápady, které přežijí výrobu a trh.“

Rostlinné alternativy jako laboratoř pro AI (a co to říká zemědělcům)

Giuseppe se proslavil i tím, že pomáhal navrhovat rostlinné alternativy typu „mléka“ z nečekaných kombinací surovin. Tohle není jen příběh o veganských produktech. Je to ukázka, jak AI pracuje s funkcemi surovin: chuť, textura, emulze, pěnivost, barva, vůně.

A tady vzniká přímý most k zemědělství: pokud potravinář ví přesně, jaké funkční parametry potřebuje (např. viskozita, obsah bílkovin, škrob, tuk, profil aminokyselin), může je začít vyžadovat i od primární produkce.

Nový typ spolupráce: „specifikace odrůdy“ místo „komodity“

U komoditního přístupu kupujete pšenici „jako pšenici“. U AI-řízeného potravinářství se posouváte k tomu, že chcete pšenici s konkrétními vlastnostmi pro konkrétní aplikaci.

To otevírá prostor pro:

• smluvní pěstování s jasnými parametry,
• lepší predikci výkupních cen podle kvality,
• cílené agronomické zásahy (hnojení, zavlažování) pro dosažení funkčních vlastností,
• zhodnocení dat z NIR, laboratorních rozborů a skladování.

Pro farmáře to může znamenat méně loterie a víc „průmyslové“ předvídatelnosti. Pro potravináře stabilnější suroviny a méně improvizace ve výrobě.

Proč velké značky často zůstávají u pilotů (a jak se tomu vyhnout)

Podle vedení NotCo je zájem velkých CPG firem o AI vysoký, ale reálná transformace pomalá. S tím souhlasím. Nejčastější důvody bývají pořád stejné:

1. Neexistuje role „AI-enabled R&D“ – nikdo nemá mandát měnit proces vývoje.
2. Chybí data governance – nikdo nehlídá kvalitu dat a definice.
3. Pilot bez integrace – PoC se udělá mimo běžné workflow a pak umře.
4. Strach z odpovědnosti – kdo podepíše recepturu navrženou AI?

Mini-plán na 90 dní pro potravináře (funguje i pro agropodniky)

Pokud chcete AI posunout z prezentace do praxe, držel bych se tohoto rámce:

• Týden 1–2: vyberte jeden proces s jasnou metrikou (např. zkrácení vývoje příchutě o 20 %, snížení zmetkovitosti o 10 %).
• Týden 3–6: sjednoťte data pro tento proces (zdroj, definice, kvalita, chybějící hodnoty).
• Týden 7–10: postavte jednoduché doporučování / skórování (to je vaše „discernment layer“ v malé verzi).
• Týden 11–13: zaveďte zpětnou vazbu od technologů a laboratoře (human-in-the-loop) a měřte dopad.

Nejdůležitější: bez metriky je to hračka, ne systém.

Co si odnést do série „Umělá inteligence v zemědělství a potravinářství“

Příběh Giuseppe je přesná zkratka toho, kam se posouvá AI v celém agro-potravinovém sektoru: od sběru dat přes predikce až po generování nápadů – a hlavně po filtrování toho, co má smysl realizovat.

Pokud pracujete v potravinářství, vezměte si z toho jednu tvrdou pravdu: generativní AI bez vrstvy rozlišování bude zvyšovat šum, ne produktivitu. A pokud jste ze zemědělství, berte to jako signál, že hodnota dat poroste – nejen pro výnos, ale i pro funkční kvalitu surovin.

Další krok je jednoduchý: vyberte jeden problém, kde dnes rozhodujete „podle pocitu“, a udělejte z něj rozhodování „podle dat“. Jakou část vašeho řetězce – od pole, přes sklad až po recepturu – by šlo nejrychleji změnit, kdybyste měli lepší data a jasná kritéria výběru?