AI v potravinářství: Co si vzít z izraelského foodtech

V roce 2022 získaly izraelské startupy v oblasti alternativních proteinů 454 milionů dolarů – a podle dat za stejný rok to tvořilo zhruba 30 % investic do climate tech v zemi. Není to „hezké číslo do prezentace“. Je to signál, že někde funguje kombinace tlaku na efektivitu, kultury experimentování a schopnosti rychle převádět výzkum do praxe.

Pro náš seriál „Umělá inteligence v zemědělství a potravinářství“ je Izrael užitečný hlavně jako zrcadlo: ukazuje, jak rychle se dá posouvat výroba potravin, když se AI, biotechnologie, automatizace a data přestanou brát jako oddělené světy. A taky ukazuje, že inovace nevzniká jen „z peněz“, ale z prostředí, které toleruje chyby a podporuje kritické myšlení.

Níže beru izraelský foodtech ekosystém jako praktický případ: co přesně na něm funguje, kde se do toho přirozeně opírá AI a jak se z toho dají vytěžit konkrétní kroky pro české zemědělce, potravináře, investory i vývojové týmy.

Proč Izrael tlačí inovace v potravinách tak tvrdě

Izrael není „silný ve foodtech“ náhodou. Klíčový motor je jednoduchý: nedostatek zdrojů (zejména voda), omezené zemědělské podmínky a dlouhodobý tlak na soběstačnost. Když je prostor pro plýtvání malý, vzniká přirozená motivace optimalizovat.

Tohle je přesně prostředí, kde umělá inteligence v zemědělství dává nejrychlejší návratnost:

• Predikce výnosů a rizik (sucho, choroby, extrémní teploty)
• Optimalizace závlahy podle dat a scénářů
• Snižování ztrát v logistice a skladování
• Automatizace kontroly kvality ve výrobě

A druhý motor? Kultura „ptát se proč“. V původním článku zaznívá, že je v zemi silná tradice kritického myšlení – a to je přesně to, co AI projekty potřebují. Ne kvůli modelům, ale kvůli otázkám typu: Které rozhodnutí dnes děláme podle zvyku, i když data říkají něco jiného?

Startup národ vs. „udržovací režim“

Jedna myšlenka z textu mi sedí až nepříjemně dobře: když něco budujete, musíte dělat víc než když něco jen udržujete. Český agri/potravinářský sektor je často v „udržovacím režimu“ – řeší se energie, lidi, marže, regulace. A inovace se odkládá „na klidnější rok“.

Izraelský přístup je opačný: právě tlak je důvod inovovat. Ne čekat, až bude líp.

Co na izraelském ekosystému funguje (a kde do toho zapadá AI)

Nejsilnější lekce není „dělejte alternativní proteiny“. Lekce je jak postavit potrubí od nápadu k pilotu.

1) Stát a agentury jako praktický akcelerátor

V článku se zmiňuje role veřejně financované inovační autority, která nabízí nástroje a platformy pro rozvoj. Z české perspektivy je důležité jedno: když se veřejná podpora zaměří na pilotování a ověřování v provozu, AI přestane být konferenční téma a začne být provozní disciplína.

V AI projektech je totiž nejdražší část často tato trojice:

1. Data (sběr, kvalita, označování, integrace)
2. Validace (funguje to mimo lab?)
3. Změna procesu (kdo podle toho bude rozhodovat?)

Dobře nastavené programy podpory umí zlevnit právě validaci a piloty.

2) Univerzity jako zdroj talentu i aplikovaného výzkumu

Silné univerzity (v textu zmiňované v Jeruzalémě, Haifě a Tel Avivu) dělají dvě věci, které v potravinářství a zemědělství rozhodují:

• vytváří špičkové laboratoře a know-how (biologie, chemie, materiály)
• dodávají lidi, kteří se nebojí experimentu

AI do toho zapadá jako „spojka“: propojuje laboratorní poznatky s realitou výroby a dodavatelského řetězce. Typicky:

• modely pro optimalizaci receptur (chuť, textura, cena)
• AI pro stabilitu výrobku (predikce trvanlivosti podle podmínek)
• počítačové vidění pro kontrolu vad

3) Síťování a sdílení nápadů bez zbytečné ješitnosti

V článku zaznívá citace zakladatele firmy Forsea o tom, že Izraelci jsou komunikativní, rádi se potkávají a sdílí nápady. V praxi to zvyšuje rychlost:

• rychleji najdete partnera pro pilot
• rychleji získáte zpětnou vazbu
• rychleji zahodíte slepou uličku

U AI platí tvrdé pravidlo: lepší je mít 6týdenní pilot s průměrným modelem než 6 měsíců perfektní model bez provozního dopadu.

Alternativní proteiny jako lakmusový papírek pro AI

Alternativní proteiny (fermentace, kultivované maso/ryby, plant-based) jsou extrémně náročná disciplína. Právě proto jsou dobrým indikátorem, jak moc je ekosystém vyspělý.

Vezměme příklad z textu: kultivované ryby (firma vyvíjející úhoře). Bez ohledu na to, jestli se vám koncept líbí, je to ukázka, kde AI přirozeně pomáhá:

AI v kultivaci: kde reálně šetří čas a peníze

• Řízení bioprocesu: AI může hlídat odchylky (pH, teplota, živiny) a predikovat „ujetí“ šarže dřív, než se to projeví ve výsledku.
• Optimalizace média: modely hledají kombinace vstupů, které zrychlí růst buněk a sníží cenu.
• Kontrola kvality: počítačové vidění a senzory odhalují kontaminaci nebo strukturální vady.

A teď důležitá spojka k českému prostředí: stejná logika se dá aplikovat i na „klasiku“.

• fermentace piva, mléčných výrobků, kvásku
• sušení, pečení, chlazení, zrání
• plánování výroby podle poptávky

Jinými slovy: AI v potravinářství není jen o futuristických produktech. Je o stabilitě procesu a menší zmetkovitosti.

Co z toho plyne pro Česko: 5 konkrétních kroků

Tady je postup, který jsem viděl fungovat opakovaně – i když firma nezačínala jako „AI-first“.

1) Vyberte jednu metrikou řízenou bolest

Zapomeňte na „chceme AI“. Vyberte jeden problém, který má jasné číslo:

• zmetkovitost (%)
• odchylky kvality (reklamace)
• spotřeba vody/energie na tunu výrobku
• ztráty ve skladu (prošlé zboží)
• výnos na hektar při stejné spotřebě vstupů

Bez metriky AI projekt skončí jako dashboard, na který se nikdo nedívá.

2) Začněte daty, která už máte (a přiznejte si jejich špínu)

V zemědělství a potravinářství bývá realita taková: data existují, ale jsou roztříštěná (ERP, SCADA, Excel, papír). První vítězství často není model, ale sjednocení datových toků.

Praktický tip: nastavte si „minimum“ pro pilot:

• 8–12 týdnů historických dat
• jasný popis, co je „dobrá“ a „špatná“ šarže
• jeden vlastník dat (zodpovědnost)

3) Pilot v provozu do 60 dnů

Pokud pilot trvá déle než 60 dní, většinou to znamená, že problém není AI, ale rozhodovací proces a integrace.

Cíl pilotu není dokonalost. Cíl je odpověď:

• Pomůže to obsluze dělat lepší rozhodnutí?
• Zkrátí to reakční dobu?
• Sníží to náklady nebo riziko?

4) Zapojte „intrapreneury“ – lidi z provozu

Článek správně zmiňuje intrapreneurství: inovace uvnitř organizací. V AI projektech jsou lidé z výroby/agro provozu kritičtí, protože:

• znají reálné příčiny problémů
• poznají, kdy model „kecá“
• umí definovat, co je použitelný výstup

Bez nich AI skončí jako hezký experiment.

5) Počítejte s politikou a důvěrou

Autor původního textu otevřeně zmiňuje, že v Izraeli nejde dělat analýzu potravin bez širšího společenského kontextu. V Česku je „politika“ spíš interní: odbory, management, kvalita, IT, nákup.

AI mění rozhodování. A to vždycky někomu sahá do teritoria.

Funguje jednoduché pravidlo: kdo ponese riziko chyby, musí mít slovo v návrhu řešení.

Nejčastější otázky, které padají u AI v zemědělství a potravinářství

„Má AI smysl i pro střední podnik?“

Ano, pokud máte opakovaný proces a aspoň základní data. Nejrychlejší návratnost bývá u predikce poruch, kontroly kvality a plánování.

„Co když nemáme datového vědce?“

V prvním kroku často potřebujete víc datového inženýrství než vědy: sběr, čištění, propojení. Model se dá dodat externě, ale data a proces zůstávají vaše.

„Jaký je první use case, který se vyplatí nejčastěji?“

Moje sázka: detekce odchylek (anomaly detection) ve výrobě nebo v provozu farmy. Je to relativně rychlé, levné a přináší okamžitou hodnotu.

Co si z izraelského přístupu odnést právě teď

Izraelský foodtech ekosystém ukazuje jednu nepříjemnou pravdu: inovace není “extra aktivita”, ale způsob, jak přežít v tlaku. A AI je v tom dnes nejpraktičtější nástroj, protože dokáže zlepšit rozhodování v prostředí nejistoty – počasí, ceny energií, dostupnost lidí, volatilní poptávka.

Pokud jste v zemědělství nebo potravinářství, vyplatí se dívat na Izrael ne jako na exotiku, ale jako na tréninkový scénář: jak stavět rychlé piloty, jak spojit výzkum s provozem a jak udělat z dat něco, co se promítne do marže.

Chcete-li navázat v duchu našeho seriálu „Umělá inteligence v zemědělství a potravinářství“, zkuste si položit jedinou otázku: Které rozhodnutí ve vašem provozu je dnes založené na zvyku, a přitom by šlo řídit daty už během příštích 60 dnů?