AI, která předpoví chuť: rychlejší vývoj alt proteinů

Chuť rozhoduje. U alternativních proteinů to platí dvojnásob: pokud rostlinný burger „není ono“, zákazník ho koupí jednou a příště už sáhne po mase. A teď přichází zajímavý posun z USA – organizace NECTAR chce postavit AI model, který bude umět předpovídat senzorický zážitek (chuť, vůni, texturu) z receptury. V praxi to znamená méně slepých uliček ve vývoji, méně drahých spotřebitelských panelů a rychlejší cesta k produktu, který se opravdu prodává.

V listopadu 2025 získala platforma Food System Innovations pro svou neziskovou iniciativu NECTAR grant 2 miliony dolarů na dvouletý projekt, který má propojit molekulární strukturu surovin, senzoriku a preference konzumentů. NECTAR na tom spolupracuje se Stanfordem a ambice je vysoká: open‑source „parťák“ pro potravinářské vývojáře, který zrychlí návrh chutnějších a udržitelnějších proteinů.

Pro sérii „Umělá inteligence v zemědělství a potravinářství“ je tohle skvělý příklad, jak se AI přesouvá z polí a skladů (monitoring, výnosy, logistika) až do poslední míle: do toho, co spotřebitel opravdu cítí na jazyku. A ano, tohle je oblast, kde většina firem pořád tápe.

Proč je chuť u udržitelných proteinů tvrdá brzda

Největší bariéra adopce alternativních proteinů není jen cena. Je to opakovaná koupě. Pokud produkt nesplní očekávání v chuti a textuře, žádná kampaň to dlouhodobě nezachrání.

NECTAR k tomu sbírá přesně ta data, která v potravinářství často chybí: standardizované, srovnatelné senzorické reakce „běžných všežravců“ (ne jen fanoušků plant‑based). A podle jejich dosavadních analýz platí jednoduchá věta, kterou bych si zarámoval:

Lépe chutnající produkty a kategorie berou větší tržní podíl – často i bez ohledu na cenu.

To je klíčové i pro evropský a český trh. V prostředí, kde domácnosti počítají výdaje (konec roku 2025 to dobře známe), vyhraje ten, kdo dodá „stejnou nebo lepší zkušenost“. Udržitelnost je plus, ale chuť je vstupenka.

Co přesně NECTAR staví: „foundation model“ pro senzoriku

Základní myšlenka je přímočará: když máme dostatek kvalitních dat o tom, jak lidé hodnotí různé produkty, AI se může naučit předpovídat senzorický profil i bez toho, aby se znovu a znovu platily drahé spotřebitelské testy.

Jaká AI to je (a proč to není jen další chatbot)

NECTAR mluví o LLM základu (velký jazykový model) a multimodálním přístupu. To v praxi znamená, že model může kombinovat různé typy vstupů:

• text (seznam ingrediencí, popisy produktu, technologické parametry),
• strukturovaná data (senzorické skóre, atributy chuti, textury),
• potenciálně i obrázky produktu (vzhled, struktura, typ balení),
• a hlavně napojení na molekulární/ingredienční databáze, aby „ingredience“ nebyla jen slovo na etiketě.

Důležitý detail: cílem není jen „odhadnout, jestli to bude dobré“. Cílem je predikce konkrétních atributů (např. šťavnatost, gumovitost, kovová pachuť, aroma) a následně i pravděpodobný prodejní úspěch.

Jak se to liší od běžného vývoje produktů

Klasický vývoj alt proteinů často vypadá takhle: nápad → laboratorní prototypy → interní ochutnávky → iterace → spotřebitelský panel → další iterace → pilotní výroba.

AI přístup má ambici přeskládat pořadí:

1. Návrh receptury v rámci omezení (cena, nutriční profil, udržitelnost, alergeny).
2. Predikce senzoriky ještě před výrobou série prototypů.
3. Výběr jen několika nejperspektivnějších variant pro reálné testování.

Výsledkem může být méně slepých pokusů a rychlejší cesta k produktu, který nezůstane na polici.

Data, která dávají AI smysl: slepé testy ve „skoro restauraci“

Model je jen tak dobrý, jak dobrá jsou data. A tady NECTAR dělá něco, co má pro predikci chuti zásadní hodnotu: osobní slepé testování v prostředí, které se podobá reálnému stravování.

V jedné z posledních studií testovali 122 rostlinných masných alternativ ve 14 kategoriích. Každý produkt ochutnalo minimálně 100 konzumentů. Účastníci chodí do restaurace, kterou tým na den „zavře“, aby vznikl autentický kontext. Ochutnávají postupně zhruba šest produktů a průběžně vyplňují dotazník.

Tohle je pro AI důležité ze tří důvodů:

• Standardizace: stejný protokol, stejné podmínky, menší šum.
• Relevance: hodnotí všežravci, ne jen úzká komunita.
• Škálovatelnost: stovky produktů napříč kategoriemi tvoří dataset, který už jde modelovat.

Pro potravinářství je to analogie k preciznímu zemědělství: stejně jako farmář nechce rozhodovat podle jedné fotky pole, vývojář nechce ladit chuť podle dvou interních degustací.

Propojení se sales daty: krok, který oddělí „dobré“ od „prodává se“

Lidé v potravinách často zaměňují dvě věci: chutná mi vs. koupím si to znovu a doporučím. NECTAR se snaží propojit senzoriku s prodeji a kontrolovat proměnné, které do prodejů mluví (marketing, umístění na regále, promo akce).

V rozhovoru zaznělo, že pracují s velkými spotřebitelskými panely nákupů (typicky dlouhodobě sledované transakce domácností). To je přesně ten typ dat, který může odpovědět na otázky, které jsou pro značky zásadní:

• Které senzorické atributy nejvíc souvisí s opakovaným nákupem?
• Existuje „prahová“ úroveň textury, bez které produkt propadá?
• Kdy chuť přebije cenu a kdy naopak?

Jako názor: pokud se jim podaří robustně oddělit vliv chuti od vlivu marketingu, bude to pro vývoj CPG produktů obrovská praktická výhoda. Ne proto, že by marketing nefungoval, ale protože dobrý produkt snižuje potřebu „dotovat“ prodeje slevami.

Molekuly, ingredience a „černé skříňky“ potravinářství

Jedna z nejzajímavějších částí projektu je snaha jít od etikety až k molekulám. Ve vývoji chutí existuje spousta black boxů: aromata, extrakty, hydrolyzáty, různé frakce proteinů. Dvě ingredience se stejným názvem mohou mít úplně jiné chování podle dodavatele, čistoty nebo technologického zpracování.

NECTAR nechce, aby firmy sdílely proprietární receptury. Naopak: cíl je, aby si firmy mohly nástroj stáhnout a provozovat na vlastních serverech, vložit vlastní citlivá data a využít predikce bez toho, aby receptury odcházely ven.

Co si z toho vzít pro české a evropské výrobce

I když NECTAR vzniká v USA, princip je přenositelný. Pokud jste výrobce alternativních proteinů, mléčných alternativ nebo hybridních produktů (maso + rostlinná složka), dává smysl začít dělat tři věci už teď:

1. Zaveďte jednotný „slovník senzoriky“ – atributy, škály, způsob záznamu.
2. Sbírejte data konzistentně (stejný protokol, stejné podmínky, stejné otázky).
3. Napojte vývoj na data o prodejích a vraceních (nejen na první nákup).

AI vám nepomůže, pokud každá degustace vypadá jinak a výsledky nejdou srovnat.

Jak to souvisí s AI v zemědělství: stejná logika, jen jiný konec řetězce

V precizním zemědělství používáme AI k tomu, aby:

• předpověděla výnos,
• odhalila stres plodin,
• optimalizovala závlahu a hnojení,
• snížila ztráty a variabilitu.

NECTAR dělá podobnou věc v potravinářství: snižuje variabilitu a nejistotu ve vývoji produktu. Z agrárního pohledu je to prodloužení datového řetězce „od pole po vidličku“.

A je tu ještě jeden praktický most: jakmile víme, které vlastnosti ingrediencí vedou k lepší chuti (např. určitý typ proteinové frakce, fermentace, úprava vlákniny), může to časem zpětně ovlivnit i zemědělství:

• jaké odrůdy a suroviny pěstovat,
• jaké parametry kvality sledovat,
• jak nastavovat zpracování po sklizni.

AI pro chuť tak nepřímo může tlačit na AI pro kvalitu surovin – a to je přesně trend, který bude v roce 2026 vidět čím dál víc.

Praktický checklist: kdy dává „AI pro chuť“ smysl a kdy ne

Ne každá firma potřebuje vlastní foundation model. Ale skoro každá firma může těžit z datově řízeného vývoje.

Dává to smysl, pokud…

• máte více než pár SKU a iterujete receptury,
• řešíte konzistenci napříč šaržemi a dodavateli,
• děláte reformulace kvůli ceně surovin,
• vstupujete do nové kategorie (např. mléčné alternativy).

Nedává to smysl, pokud…

• nemáte vyřešenou základní kvalitu (stabilita, bezpečnost, výrobní opakovatelnost),
• nemáte žádná senzorická data a nechcete je sbírat,
• produkt stojí na lokální řemeslné variabilitě, která se těžko standardizuje.

Moje zkušenost z podobných projektů: nejrychlejší výsledky přichází, když se nejdřív zkrotí proces a až potom se přidá AI.

Co sledovat v roce 2026: mléčné alternativy a hybridní produkty

NECTAR už avizuje, že v roce 2026 posune velkou část testování na alternativy mléčných výrobků (100 produktů v 10 kategoriích, výstup má být na jaře). To je pro Evropu zásadní, protože mléčné alternativy jsou u nás často „první kontakt“ s udržitelnější volbou.

Zároveň roste kategorie hybridních (balanced) produktů: maso + rostlinná složka, maso + houby, maso + mikroprotein. Upřímně: z hlediska adopce to považuju za jednu z nejpraktičtějších cest, protože snižuje bariéru chuti i ceny a přitom má reálný dopad na spotřebu masa.

Co si odnést (a co udělat jako další krok)

AI modely pro predikci chuti dávají potravinářství stejný typ výhody, jakou přinesla AI do precizního zemědělství: méně hádání, více předpovědí, rychlejší iterace. Projekt NECTAR ukazuje, že když se spojí robustní senzorická data, molekulární informace a prodejní panel, může vzniknout nástroj, který vývojářům ušetří měsíce práce a výrazně sníží náklady na neúspěšné prototypy.

Pokud pracujete ve vývoji potravin, R&D, nákupu surovin nebo inovacích značky, zkuste si interně odpovědět na jednu věc: Které 3 senzorické atributy dnes nejvíc brzdí opakovaný nákup vašeho produktu – a máte na to data, nebo jen dojmy?

Jestli chcete, můžu navrhnout jednoduchý rámec, jak během 30–60 dnů nastavit sběr senzorických dat tak, aby byla „AI-ready“ a šla později propojit s prodeji.