AI a mycelium: proč roste trh s „deli“ alternativami

„Uzená šunka“ bez dusitanů a konzervantů zní jako marketing. Jenže když se do toho vloží fermentace a chytré řízení výroby, začíná to dávat nepříjemně dobrý smysl.

V květnu 2023 oznámila americká firma Prime Roots investici 30 milionů dolarů (Series B) do výroby alternativních „deli“ mas na bázi koji mycelia. Pro české zemědělství a potravinářství to není jen vzdálená zpráva z Kalifornie. Je to signál, že se fermentace, biovýroba a datová optimalizace potkávají v jednom produktu, který má ambici dostat se do běžných pultů a restaurací.

V naší sérii Umělá inteligence v zemědělství a potravinářství mě zajímá hlavně tohle: kde přesně může AI zrychlit a zlevnit výrobu alternativních proteinů, aniž by se rozbila chuť, textura nebo bezpečnost. A proč je právě segment „deli“ (šunky, salámy, slanina) pro AI překvapivě vhodný.

Proč zrovna „deli“ alternativa a proč teď

Nejde jen o vegany. „Deli“ sortiment je z pohledu průmyslové výroby extrémně citlivá kategorie: lidé mají v hlavě jasnou představu o vůni, krájení na sliceru, pružnosti a šťavnatosti. Jakmile to nesedí, produkt končí jako „divná náhražka“.

Prime Roots staví na tom, že mycelium (podhoubí) umí vytvořit jemnou vláknitou strukturu, která se chová „masověji“ než směsi založené jen na izolátech bílkovin a škrobech. Firma navíc komunikuje výhody, které v deli segmentu rezonují: bez cholesterolu, bez dusitanů, bez konzervantů, a u vybraných produktů i bez sóji či pšenice, s nižším obsahem sodíku než u tradičních značek.

Z pohledu trhu je důležité ještě něco: v prosinci (a obecně v zimní sezóně) roste spotřeba „pohodových“ jídel, obložených chlebíčků a rychlých svačin. Pokud mají alternativy uspět, musí fungovat právě v těchto rutinních scénářích – ne jen v „fit“ receptu jednou za měsíc.

Koji mycelium: fermentace jako výrobní platforma

Koji je tradičně používaná plíseň v gastronomii (např. pro miso nebo sake). V kontextu alternativního proteinu je podstatné, že nastartuje fermentaci a spolu se zvoleným substrátem (základní surovina) umožní budovat chuť umami i strukturu.

Co dělá mycelium zajímavým pro potravináře

• Textura: vláknitost mycelia se dá řídit procesními podmínkami (teplota, pH, aerace, doba kultivace).
• Chuťový profil: fermentace generuje aromatické látky a „kulatější“ umami bez nutnosti dlouhých seznamů aditiv.
• Škálování: u mycelia se neřeší „porážka“, ale opakovatelný bioproces – to je blíž pivovaru než jatkám.

V článku zaznívá i praktický test reality: Prime Roots vozili prototypy do ikonických newyorských delikates a nechali je krájet na sliceru. To je správná zkouška. V našem regionu by ekvivalentem bylo, že s tím přijdete do dobrého lahůdkářství v Praze nebo Brně a obstojíte vedle standardní šunky.

Kde do toho vstupuje AI: od „receptury“ k řízení bioprocesu

AI v alternativních proteinech není o tom, že model „vymyslí salám“. Hodnota je v tom, že pomůže zvládnout variabilitu a zkrátit iterace – tedy méně zmetků, stabilnější kvalita a rychlejší přechod z pilotu do průmyslu.

1) AI pro optimalizaci fermentace (yield, čas, stabilita)

Fermentace je typická úloha pro prediktivní modely: máte senzory (teplota, pH, rozpuštěný kyslík, tlak, průtoky, spotřeba energie) a cíl (výnos, textura, chuť, bezpečnost).

AI umí:

• předpovídat, kdy se kultura „láme“ do nežádoucího chování (např. off-flavors),
• doporučovat korekce řízení (např. aerace, míchání),
• držet proces v optimálním okně a zkracovat dobu kultivace.

Praktický dopad? Stejná linka vyrobí více tun za měsíc, nebo sníží náklady na energii a chlazení – a to je přesně to, co investoři čekají po kole Series B: škálování, ne jen hezké demo.

2) AI pro „digitální dvojče“ receptury

U deli alternativ není cílem jen bílkovina. Cílem je konzistence při krájení, vaznost, pružnost, šťavnatost. To je směs fyziky materiálů a potravinářské technologie.

AI (v kombinaci s laboratorními daty) se dá použít jako „digitální dvojče“, které propojí:

• složení směsi (substráty, tuky, vlákna, koření),
• proces (fermentace, tepelné kroky, tlak),
• výsledné vlastnosti (textura, vodní aktivita, barva, křehkost).

Co to přinese české praxi? Třeba rychlejší vývoj výrobku pro privátní značku bez desítek slepých pokusů.

3) AI v kontrole kvality: méně senzoriky, více měření

Senzorika (ochutnávky) je drahá a pomalá. Přitom mnoho vlastností jde měřit strojově:

• kamerové systémy pro barvu a povrch,
• spektroskopie pro složení,
• akustika/rezonance pro strukturu,
• modely pro predikci trvanlivosti.

AI tu funguje jako „překladač“ mezi měřením a tím, co člověk vnímá jako kvalitu. Výsledek je stabilnější produkt a méně reklamací.

Co znamená investice 30 milionů dolarů pro trh (a proč by nás to mělo zajímat)

Investice sama o sobě není záruka úspěchu. Je to ale velmi konkrétní signál: kapitál věří, že fermentační platformy zvládnou přechod do běžné distribuce.

Prime Roots chce díky financování rozšířit dostupnost do dalších deli pultů a restaurací. To je podstatné, protože „deli“ je o čerstvosti, logistice a práci s pultem – ne jen o regálu trvanlivých produktů.

Z pohledu Evropy a ČR to otevírá dvě praktické otázky:

1. Kde vezmeme kapacity pro potravinářskou fermentaci? (lidé, zařízení, hygienické režimy, validace)
2. Kdo bude umět proces řídit datově? Nejen technolog v plášti, ale i tým, který rozumí modelům, senzorům a průběžné optimalizaci.

Tohle je přesně místo, kde se potkává „AI v potravinářství“ s reálným byznysem: bez datového řízení se škálování prodraží a kvalita začne kolísat.

Jak by to mohlo vypadat u českých producentů: 5 konkrétních kroků

Pokud jste výrobce potravin, R&D tým, nebo investor do agrifood, tady je postup, který jsem viděl fungovat i u konzervativnějších firem. Není to „AI projekt“. Je to modernizace výroby s jasným cílem.

1. Zmapujte kritické parametry procesu: kde vzniká variabilita (teplota, doba, surovina, vlhkost, míchání).
2. Zaveďte sběr dat v rozumné granularitě: lepší je 10 spolehlivých signálů než 50 polovičních.
3. Definujte měřitelnou kvalitu: krájení, pevnost, vodní aktivita, obsah sodíku, trvanlivost.
4. Začněte predikcí, ne automatizací: první výhra je model, který včas varuje před odchylkou.
5. Připravte „škálovací“ scénář: co se stane, až objem naroste 5×? Kde je úzké hrdlo (chlazení, CIP, kapacita bioreaktoru, logistika)?

Jedna věta, která šetří peníze: AI dává smysl až ve chvíli, kdy víte, co přesně chcete stabilizovat a proč to dnes kolísá.

Nejčastější otázky, které si firmy kladou (a přímé odpovědi)

Je mycelium „ultra zpracované“?

Zpracování samo o sobě není problém. Problém je, když výrobek stojí na dlouhém seznamu aditiv, aby „něco drželo pohromadě“. Fermentační produkty často dokážou část funkčnosti získat procesem, ne chemií. Rozhodující je vždy složení a proces, ne nálepka.

Proč se řeší dusitany a konzervanty právě u deli?

Protože tradiční uzeniny je často používají kvůli barvě, chuti a bezpečnosti. Alternativy se snaží nabídnout podobný zážitek bez těchto látek. Pro spotřebitele je to srozumitelné a pro výrobce je to technologicky náročné – o to víc se hodí chytré řízení procesu.

Jak AI pomůže s chutí, když chuť je subjektivní?

Chuť je subjektivní, ale dá se „obkroužit“ daty: senzory, panelové testy, korelace s aromatickými profily a procesními parametry. AI pak pomáhá najít kombinace, které vedou k preferovanému profilu – a hlavně ho držet stabilně.

Kam se to posouvá v roce 2026: od alternativ k „precision“ potravinám

Když se na to podívám bez romantiky: trh s alternativními proteiny dospěl. Vyhrávají firmy, které umí tři věci zároveň: chuť, náklady, škálování. A přesně v tom je AI nejsilnější – není „navíc“, je to způsob, jak udržet výrobu v mantinelech, když objem roste.

Pro český ekosystém je to příležitost i varování. Příležitost, protože fermentace a potravinářská výroba jsou u nás tradičně silné obory. Varování, protože bez datové infrastruktury a lidí, kteří umí spojit technologii s analýzou, se budeme dívat, jak hodnotu odváží někdo jiný.

Pokud řešíte AI v potravinářství, alternativní proteiny nebo optimalizaci výroby, dejte si jednoduchý cíl na první kvartál 2026: vyberte jeden proces, kde kvalita kolísá, a udělejte z něj projekt „měření → predikce → stabilita“. Pak teprve automatizujte.

A teď ta otázka, kterou si podle mě bude v příštích 12 měsících pokládat čím dál víc výrobců: budeme alternativní proteiny jen nakupovat, nebo si vybudujeme vlastní fermentační know-how řízené daty?