AI zkracuje vývoj potravinových ingrediencí na týdny

Tři měsíce. Přesně tolik času podle veřejně sdílených informací potřeboval startup Shiru, aby pomocí strojového učení našel a otestoval svou první „novou“ potravinovou ingredienci. Ne prototyp do šuplíku, ale produkt, který jde komerčně ven. Když si to srovnáte s typickým multi‑letým cyklem vývoje v potravinářství (a často i s rozpočty v řádu stovek milionů), je to nepříjemně jasný signál: AI mění pravidla hry v tom, jak rychle se rodí nové suroviny.

Do série „Umělá inteligence v zemědělství a potravinářství“ to zapadá až překvapivě dobře. Nejde jen o modely na satelitní snímky nebo predikce výnosů. Tenhle příběh ukazuje, že AI sahá i do úplného základu potravinového řetězce: do samotného „stavebního materiálu“ potravin – ingrediencí.

A teď to podstatné: nejzajímavější není, že Shiru vytvořilo rostlinnou tukovou ingredienci (OleoPro). Nejzajímavější je proces – a co si z něj mohou odnést české potravinářské firmy, výrobci surovin, zemědělské podniky, ale i R&D týmy, které řeší udržitelnost, cenu a stabilitu dodávek.

Co přesně Shiru dokazuje (a proč by nás to mělo zajímat)

Shiru ukazuje jednoduchou věc: objevování funkčních ingrediencí je z velké části problém vyhledávání ve velkém prostoru možností. A přesně to umí strojové učení.

Firma veřejně uvedla, že její tým biochemiků a computational biologů využil AI k prohledání a výběru téměř 10 000 formulací během méně než 3 měsíců. Celý proces od startu projektu po komercializaci měl trvat kolem 18 měsíců, což je proti „klasice“ v syntetické biologii a vývoji funkčních proteinů výrazně kratší.

Proč to není jen hype

V potravinářství se často plete „rychlý digitální návrh“ s reálným výstupem. Tady je rozdíl v tom, že Shiru mluví o tom, že v horizontu 8–10 týdnů chce mít ne jen digitální kandidáty, ale až půl tuctu proteinů vyrobených v pilotním měřítku (gramy). To je důležité, protože:

• Digitální návrh bez laboratorního ověření je levný, ale málo platný.
• Laboratorní ověření bez škálování je vědecky zajímavé, ale komerčně křehké.
• Pilotní výroba v řádu týdnů je bod, kde se začíná lámat chléb: dá se testovat v recepturách, hodnotit stabilita, senzorika, náklady.

Pro české prostředí to znamená jediné: rychlost vývoje se stává konkurenční výhodou stejně jako cena suroviny.

Jak AI urychluje objevování ingrediencí: „od databáze k receptuře“

Nejkratší výstižná definice je tahle: AI v objevování ingrediencí je systém, který dokáže rychle navrhnout a seřadit kandidáty podle pravděpodobnosti, že splní funkci v potravině.

V praxi to vypadá jako pipeline (a tuhle logiku už dnes začínají kopírovat i další hráči na trhu):

1. Cíl (funkce): Například „rostlinný tukový systém, který drží šťávu a dává strukturu podobnou živočišnému tuku“.
2. Prostor možností: Kombinace proteinů, peptidů, polysacharidů, lipidů, enzymů – v obrovském počtu variant.
3. Modelování a screening: AI model vytipuje kandidáty s vysokou pravděpodobností požadovaných vlastností.
4. Laboratorní ověření: Malé množství, rychlé testy (stabilita emulze, vaznost vody/oleje, teplotní stabilita, chování při smažení/pečení).
5. Pilotní škálování: Gramy až kilogramy, testy v reálných recepturách u partnerů.

Co je na tom podstatné pro zemědělství

Ingredience nezačíná v laboratoři. Začíná v surovinové základně. Pokud AI urychlí hledání funkčních proteinů a tukových systémů, vytváří to tlak na:

• nové odrůdy a plodiny (vyšší obsah specifických frakcí bílkovin),
• lokální zpracování (frakcionace, izolace proteinů, vedlejší proudy),
• přesnější specifikace kvality (šarže, obsah, funkčnost, ne jen „protein %“).

V prosinci 2025 je navíc kontext jasný: volatilita cen surovin, tlak na udržitelnost, a zároveň únava trhu z produktů, které slibují „lepší planetu“, ale senzoricky zaostávají. Funkční ingredience jsou často to, co rozhoduje, jestli zákazník koupí znovu.

OleoPro jako příklad: proč jsou „funkční tuky“ tak žádané

Rostlinné alternativy masa dlouhodobě naráží na dvě praktické bariéry: textura a chování při tepelné úpravě. Živočišný tuk není jen kalorie. Je to „stroj“ na:

• uvolňování aroma,
• šťavnatost,
• křupavost,
• pocit v ústech (mouthfeel),
• stabilitu produktu při skladování.

Shiru popisuje OleoPro jako rostlinnou tukovou ingredienci, která má napodobit výhody živočišného tuku bez jeho environmentálních a zdravotních dopadů. V článku zaznívá i to, že komerčním partnerem je velký výrobce ingrediencí (Griffith Foods), což je další důležitý signál: když do toho jde zavedený hráč, testuje se to v reálném průmyslovém provozu, ne v powerpointu.

Co si z toho vzít, pokud vyrábíte potraviny v ČR

Ne každý potřebuje vyvíjet „nový protein“. Ale skoro každý výrobce řeší:

• náhrady drahých surovin bez ztráty kvality,
• stabilitu receptury při výkyvech dodávek,
• čistší etiketu (méně aditiv),
• alergeny,
• snižování nasycených tuků, soli, cukru.

AI‑driven vývoj ingrediencí může v nejbližších 2–3 letech znamenat, že na trhu bude víc „chytrých“ funkčních surovin: pojiva, emulgátory, tukové systémy, proteiny se specifickým chováním. A firmy, které mají připravené testování a rychlé schvalování receptur, budou rychlejší.

Co to mění v R&D: čas, peníze a hlavně způsob rozhodování

Z veřejných vyjádření Shiru zaznívá kontrast: místo „půl dekády a více než čtvrt miliardy dolarů“ má být možné dostat se k životaschopné ingredienci za měsíce a stovky tisíc dolarů. Nemusíme se hádat, jestli jsou ta čísla přesná do posledního centu. Důležitý je trend.

1) AI posouvá R&D od intuice k řízeným experimentům

Klasický postup často vypadá takhle: zkušený technolog něco navrhne, laboratoř otestuje, upraví se, otestuje… a po desítkách iterací se doufá, že to vyjde.

AI přidává vrstvu, která říká: „Těchto 30 kandidátů má smysl testovat, zbytek je slepá ulička.“ Výsledek:

• méně nákladných pokusů,
• kratší fronty v laboratoři,
• rychlejší rozhodnutí „go/no-go“.

2) Vítězí firmy, které umí data sbírat a používat

Model je jen tak dobrý, jak dobrá jsou data. V potravinářství bývá problém v tom, že výsledky testů jsou:

• roztroušené v excelových souborech,
• nejednotně měřené (jiné metody, jiné podmínky),
• těžko srovnatelné napříč projekty.

Pokud chcete z AI v R&D reálně těžit, začněte „nudou“:

• standardizujte měření (viskozita, stabilita emulze, textura, water activity),
• ukládejte kontext (teplota, čas, šarže, dodavatel),
• zajistěte dohledatelnost receptur.

Tohle není sexy, ale funguje.

3) Rychlost objevu není totéž co rychlost uvedení na trh

Tady bývá kámen úrazu. I když AI najde kandidáta za 8–10 týdnů, pořád řešíte:

• validaci bezpečnosti,
• legislativu (v EU často i režim „novel food“ podle typu ingredience),
• stabilitu a senzoriku v reálných produktech,
• kapacity výroby a cenu.

Moje zkušenost je, že firmy podcení hlavně poslední dvě položky. Skvělá ingredience, která zdraží produkt o 18 %, se prostě neprosadí.

Praktický checklist: jak se připravit na AI‑ingredience v české firmě

Pokud jste výrobce potravin, ingredient supplier nebo máte R&D tým, následujících 6 kroků je realistický start bez ohledu na velikost firmy:

1. Vytipujte 1–2 receptury, které vás stojí nejvíc peněz nebo reklamací. Tam je návratnost nejrychlejší.
2. Sepište funkční požadavky „bez poezie“. Např. „udržet emulzi 30 dní při 4 °C“, „stabilita při pečení 180 °C/12 min“.
3. Zaveďte jednotné testy a šablonu protokolu. Bez toho se AI (ani člověk) nechytá.
4. Sbírejte data i o neúspěších. Neúspěšné pokusy jsou pro model často cennější než úspěchy.
5. Najděte partnera pro pilotní šarže. Interně nebo externě. Rychlost pilotu je nová měna.
6. Připravte si „regulační trasu“. Kdy stačí změna specifikace a kdy už se pouštíte do nové složky, kterou bude třeba složitěji schválit.

Jedna věta, kterou si napište na tabuli v laboratoři: „AI nezkracuje realitu, zkracuje jen cestu k dobrému kandidátovi.“

Kam to míří v roce 2026: rychlejší cykly, víc personalizace, víc tlaku na suroviny

V nejbližších 12 měsících čekám tři posuny, které se v potravinářství projeví i u nás:

1. Ingredience na míru pro konkrétní aplikace (např. „tuk pro plant-based burger“ vs. „tuk pro plněné taštičky“).
2. Větší propojení s agritech: požadavky na plodiny, odrůdy a frakce proteinů se budou zpřesňovat.
3. Rychlejší testování u výrobců: firmy, které zkrátí interní schvalování receptur z 12 týdnů na 4, budou vyhrávat tendry.

A pokud se ptáte, co je na tom nejvíc „leadové“ (proč by vás to mělo zajímat obchodně): nové ingredience nejsou jen inovace, jsou i nástroj řízení rizik. Kdo má alternativy surovin a umí je rychle validovat, lépe přežije výkyvy trhu.

Co udělat hned teď (a proč se vyplatí začít v malém)

AI v zemědělství a potravinářství se často prezentuje jako obrovský transformační projekt. Já to vidím pragmaticky: vyplatí se začít tam, kde máte měřitelné KPI – cena, stabilita, reklamace, zmetkovitost, čas vývoje.

Pokud chcete, aby AI (ať už interně, nebo s partnerem) reálně urychlila vývoj receptur a práci s ingrediencemi, první krok není model. První krok je disciplína v datech a jasně definovaná funkce ingredience.

A teď otázka, kterou si položte u svého portfolia: Která jedna ingredience vám dnes nejvíc brzdí inovace – cenou, dostupností nebo funkčností – a co by znamenalo zkrátit její náhradu z roku na 10 týdnů?