AI v potravinářství: proč vyhrává pragmatický „lepší“ protein

Ceny masa v posledních letech tlačí rozpočty domácností i náklady výrobců potravin. A právě v takovém prostředí se ukazuje, že „budoucnost jídla“ nevyhrává ten, kdo má nejodvážnější vizi, ale ten, kdo zvládne škálovat, držet cenu a trefit očekávání zákazníků.

Tohle je důvod, proč mě zaujala zpráva o Better Meat Company a jejím mykoproteinu Rhiza: firma uzavřela přepsané (oversubscribed) kolo Series A ve výši 31 milionů USD a chce dostat produkt na trh s ambicí být levnější než komoditní mleté hovězí v USA do roku 2026. Zní to jako „alt-protein“ příběh. Jenže pro naši sérii Umělá inteligence v zemědělství a potravinářství je to hlavně lekce o tom, jak se dělá inovace, která přežije realitu výroby – a proč je AI v potravinářství přirozený partner fermentace.

Proč je pragmatismus v alternativních proteinech klíčový

Nejdůležitější pointa: spotřebitelé nekupují ideologii, kupují chuť, cenu a jistotu, že to funguje v kuchyni. A trh už několikrát ukázal, že samotný „wow efekt“ nestačí.

Zakladatel Paul Shapiro je dlouhodobě známý jako hlas prosazující omezení živočišné výroby, ale jeho strategie je překvapivě přízemní: místo slibů o tom, že kultivované maso brzy ovládne trh, se soustředil na technologii, která má rychlejší cestu k objemům.

Proč ne čistě rostlinné „maso“

Rostlinné alternativy narážejí na několik praktických bariér, které dobře znají i čeští výrobci:

• Chuť a textura často vyžadují složité receptury a aromata.
• Dlouhé seznamy ingrediencí snižují důvěru části zákazníků.
• Alergeny (typicky sója, lepek) komplikují nasazení do širokých produktových řad.
• Volatilita surovin a dodavatelských řetězců zvyšuje riziko i cenu.

Mykoprotein z fermentace může být v některých aplikacích funkčnější a jednodušší jako surovina. A to je přesně typ „nudné“ výhody, která ve velké výrobě rozhoduje.

Proč ne čekat jen na kultivované maso

Kultivované maso má obrovský potenciál, ale jeho komerční škálování naráží na cenu médií, kapacity bioreaktorů, energetiku a regulatorní složitost. Shapiroův pragmatický argument je jednoduchý: chci dopad dřív než za 10–20 let.

Co je mykoprotein a proč se fermentace tak dobře škáluje

Jádro příběhu Better Meat Company je fermentační platforma pro mykoprotein Rhiza (na bázi kmene Neurospora). Pro potravinářství je důležité hlavně to, že fermentace je průmyslově „známý sport“: umíme řídit parametry, validovat kvalitu a rozšiřovat kapacity po modulech.

Prakticky to znamená:

• Stabilní výroba nezávislá na počasí.
• Rychlé cykly (v porovnání s živočišnou produkcí).
• Předvídatelná kvalita při dobře nastaveném procesu.
• Možnost využití vedlejších toků (podle konkrétní technologie a povolených vstupů).

Fermentace je „precizní zemědělství uvnitř nádrže“ – a právě proto se s AI doplňuje lépe než většina klasických potravinářských procesů.

Kde do toho vstupuje AI: od bioreaktoru po regál

Nejrychlejší cesta k levnějšímu proteinu není jen „větší fabrika“. Je to lepší řízení variability. A to je přesně doména umělé inteligence.

AI pro řízení fermentace (process control)

Klíčové sdělení: AI snižuje náklady tím, že zvyšuje výtěžnost a stabilitu šarží.

V praxi jde o kombinaci senzoriky, historických dat a modelů, které umí:

• predikovat optimální průběh fermentace (např. dávkování živin, aeraci, teplotu),
• včas detekovat odchylky (kontaminace, stres kultury, neoptimální pH),
• zkracovat dobu mezi šaržemi díky lepšímu plánování CIP/SIP,
• doporučovat parametry pro konzistentní texturu a funkčnost proteinu.

Pokud se vám to zdá abstraktní, představte si to jako rozdíl mezi „pocitovým“ řízením a řízením, které počítá, co se stane za 30–60 minut, a upraví proces dřív, než se šarže pokazí.

AI pro kvalitu a „funkčnost“ ingredience

Alternativní protein není jen o bílkovinách. Je o tom, jak se chová v produktu:

• váže vodu,
• drží strukturu,
• reaguje na teplo,
• spolupracuje s tukem a kořeněním.

AI (v kombinaci s laboratorními daty) dokáže urychlit hledání „sweet spotu“ mezi chutí, strukturou a cenou. Typicky přes:

• modely vztahu mezi parametry fermentace a texturou,
• predikci senzorických vlastností,
• optimalizaci receptur (méně iterací v pilotní výrobě).

AI pro poptávku, ceny a plánování výroby

Druhá půlka pragmatismu je trh: vyrobit je jedna věc, prodat ve velkém je druhá.

AI se v potravinářství čím dál víc používá pro:

• predikce poptávky podle sezóny, promo akcí a kanálů,
• optimalizaci cen a marží,
• plánování zásob a minimalizaci odpisů,
• identifikaci kategorií, kde má hybridní produkt nejvyšší šanci na úspěch.

V prosinci 2025 to dává extra smysl: výrobci řeší tlak na cenu, řetězce tlačí na promo kalendáře a zároveň roste citlivost zákazníků na hodnotu „za korunu“. Kdo umí lépe plánovat, vyhrává prostor na regálu.

Hybridní produkty: nejrychlejší cesta k dopadu (a proč to funguje)

Nejdůležitější obchodní insight z celého příběhu: hybridizace.

Better Meat Company už dříve uspěla díky spolupráci s velkým hráčem a hybridní řadou, která zůstala v prodeji roky. Logika je tvrdě praktická:

• zákazník nemusí změnit návyk,
• značka nemusí riskovat „všechno nebo nic“,
• výrobce sníží náklady nebo stabilizuje suroviny,
• dopad na životní prostředí i spotřebu masa může být výrazný i při částečné náhradě.

Tahle strategie je relevantní i pro český trh. Místo toho, aby se alternativní produkty stavěly jako „proti masu“, dává větší smysl je nabízet jako:

• lepší složení (např. více vlákniny, méně nasycených tuků – pokud to receptura umožní),
• lepší stabilitu ceny,
• lepší dostupnost surovin,
• stejnou použitelnost v kuchyni.

Jak AI zrychlí úspěch hybridů

U hybridních produktů je kritická konzistence: chuť a textura se nesmí „měnit šarži od šarže“. AI pomáhá hlavně ve třech bodech:

1. Standardizace vstupní suroviny (fermentace pod kontrolou modelu).
2. Optimalizace receptury pro konkrétní kategorii (karbanátky, sekaná, nuggets, hotová jídla).
3. Testování a iterace (méně slepých pokusů, více řízených experimentů).

Co si z toho odnést: 7 praktických principů pro firmy

Pokud pracujete v potravinářství, zemědělství, nebo dodáváte technologie, tohle je podle mě nejpraktičtější část.

1. Začněte kategorií, ne technologií. Nejdřív vyberte produkt, kde dává hybrid/fermentace smysl (cena, funkčnost, objem).
2. Měřte to, co chcete řídit. Bez senzoriky a dat není AI, jen dojem.
3. Kvalita je ekonomika. Každý zmetek a odchylka je dražší než „lepší model“.
4. Škálujte modulárně. Fermentace a automatizace se lépe rozšiřují po krocích než jedním skokem.
5. Dělejte pilot s partnerem, který umí prodat. Výrobní inovace bez distribuce je hobby.
6. Hybrid berte jako mezikrok, ne kompromis. Je to nejrychlejší cesta k objemům i dopadu.
7. AI projekt musí mít P&L cíl. Například: zvednout výtěžnost o X %, snížit energii o Y %, snížit variabilitu šarží o Z.

Časté otázky, které padají ve firmách (a jasné odpovědi)

„Vyplatí se AI i menším výrobcům?“

Ano, pokud je problém dobře zvolený. Nejrychlejší návratnost bývá u prediktivní údržby, kontroly kvality (vizuální inspekce) a predikce poptávky.

„Je fermentace jen pro obří hráče?“

Ne nutně. Menší firmy mohou začít přes smluvní výrobu, pilotní provoz nebo specializované ingredience. Důležité je mít od začátku plán, jak se dostat k objemu, který ekonomiku „překlopí“.

„Proč nevsadit jen na čistě rostlinné produkty?“

Rostlinné produkty mají místo na trhu, ale pokud je cílem masový dopad, často narazí na chuť, cenu a přijetí. Fermentace a hybridy umí tyhle bariéry v některých kategoriích snížit.

Kam to míří v roce 2026: méně ideologie, víc provozní excelence

Příběh Better Meat Company je ukázka, že budoucnost proteinu nebude jen o tom „vymyslet něco nového“. Bude o tom vyrobit to levněji než komodita, dodat to stabilně a udělat z toho produkt, který si lidé koupí bez přemlouvání.

V rámci série Umělá inteligence v zemědělství a potravinářství je tohle přesně ten moment, kdy AI přestává být „digitální hračka“ a stává se provozním nástrojem: od řízení fermentace přes kvalitu až po plánování výroby a prodeje.

Chcete-li z alternativních proteinů udělat reálný byznys (a ne jen PR), začněte pragmaticky: vyberte jednu kategorii, nastavte metriky, sbírejte data a použijte AI tam, kde okamžitě šetří peníze. A pak si položte otázku, kterou si dnes klade čím dál víc výrobců: Který krok nám přinese největší snížení nákladů na kilogram proteinu během příštích 12 měsíců?