AI a vůně: od potravin po uklidnění domácích mazlílíčků

Když se řekne umělá inteligence v zemědělství a potravinářství, většina lidí si vybaví drony nad polem, predikce výnosů nebo chytré plánování závlahy. Jenže jedna z nejzajímavějších změn posledních let probíhá jinde: v laboratořích, kde se AI učí modelovat chuť a vůni – a tím pádem i to, co (a proč) nakupujeme, jíme a vyrábíme.

Tohle není akademická hra. Vůně je pro potraviny a krmiva stejně důležitá jako složení na etiketě. A když firma NotCo mluví o tom, že dokáže pomocí AI profilovat lidský pach a vytvořit „mlhu“ (mist), která ho napodobí pro uklidnění psa při separační úzkosti, je to sice roztomilý příklad – ale hlavně signál, kam se potravinářská AI posouvá: od tabulek a receptur k sensorice, emocím a personalizaci.

V tomhle díle série se podíváme na to, co podobné projekty říkají o budoucnosti potravin a zemědělství, jak fungují „modely vůně“, kde dávají největší smysl v praxi a na co si dát pozor, pokud v oboru zvažujete vlastní AI iniciativu.

Proč je „AI pro vůně“ relevantní i pro zemědělství

Krátká odpověď: Protože vůně a chuť jsou koncovým produktem zemědělských rozhodnutí – a AI teď umí tyhle smyslové vlastnosti měřit, predikovat a cíleně navrhovat.

Zemědělství tradičně optimalizuje tvrdé metriky: výnos, odolnost, spotřebu vody, náklady na hnojiva. Potravinářství přidává další: bezpečnost, trvanlivost, procesní stabilitu. Ale to, co rozhoduje v regálu (a často i u B2B odběratelů), je sensorický profil: jak to voní, jak to chutná, jaký to má „dojezd“ v puse.

A tady vzniká přímý most:

• Volba odrůdy, termín sklizně a skladování ovlivní aromatické látky stejně jako cukry nebo kyseliny.
• Fermentace, tepelné procesy, sušení generují stovky těkavých molekul – a ty tvoří vjem „čerstvé“, „oříškové“, „máslové“, „spálené“.
• Krmivářství a pet food stojí na vůni extrémně: pes „čte“ svět nosem a chutnost krmiva je často marketingový eufemismus pro aromatiku.

Jestli má AI ušetřit náklady a zrychlit inovace, nemůže se zastavit u receptury. Musí se naučit i to, co člověk (a zvíře) cítí.

NotCo jako případová studie: od rostlinných receptur k pachu „na míru“

Krátká odpověď: NotCo ukazuje, že stejné AI principy, které pomáhají navrhovat potraviny, lze přenést do vůní – a pak je personalizovat.

NotCo se proslavila tím, že postavila svůj byznys na AI přístupu k formulacím: rychle kombinovat ingredience tak, aby výsledek odpovídal cílovému profilu (chuť, textura, stabilita, cena). Jejich interní technologie je často zmiňovaná jako „motor“ pro inovace CPG produktů.

Nový směr, o kterém mluví vedení firmy, posouvá stejnou logiku do světa aromat:

„Generátor vůní“ místo klasické parfemace

Klasický vývoj vůně je směs umění, zkušenosti a testování. AI přístup to zrychluje tak, že:

1. pracuje s databází molekul a jejich vjemových atributů,
2. učí se mapovat „popis člověka“ (prompt typu „mořský vánek v létě“) na pravděpodobnou kompozici,
3. navrhuje varianty receptury a iteruje podle zpětné vazby.

Výsledek: místo týdnů až měsíců může vzniknout prototyp vůně v řádu dnů.

Personalizace: „23andMe pro čich“

Zajímavější je přidaná vrstva: scent profiling konkrétního člověka.

Myšlenka je jednoduchá: těkavé látky, které tvoří pach, jsou ovlivněné životním stylem a prostředím. Člověk, který pracuje v kanceláři, bude mít jiné „top notes“ než mechanik; někdo s častým cestováním bude „nasáklý“ jiným mixem vjemů. AI pak může vytvořit směs, která tenhle podpis přibližně napodobí.

A teď se vraťme k psovi: pokud separační úzkost tlumí kontakt s pachem majitele (deka, svetr), synteticky vytvořená mlha může fungovat jako „přenosný kotvící podnět“.

Tenhle příklad se dobře pamatuje. Pro potravináře je ale důležitější to, co je pod kapotou: modelování těkavých látek a jejich vnímání.

Co to znamená pro potravinářství: rychlejší vývoj, méně slepých uliček

Krátká odpověď: AI pro sensoriku zkracuje čas vývoje receptur a snižuje počet neúspěšných prototypů.

V prosinci 2025 je potravinářství pod tlakem ze tří směrů najednou: ceny surovin, regulační změny (barviva, aditiva) a změny spotřebitelského chování (včetně vlivu GLP-1 na preference porcí a „sytivosti“). V tomhle prostředí je rychlost vývoje konkurenční výhoda.

Kde se „AI pro vůně a chutě“ v praxi vyplatí nejvíc:

1) Reformulace bez ztráty „vjemu značky“

Když musíte odstranit určitou látku (barvivo, aroma, konzervant), největší problém bývá, že produkt přestane být „tím produktem“. AI pomáhá hledat náhrady tak, aby výsledný sensorický podpis zůstal co nejblíž.

Praktická rada: nestavte zadání jen na „splnit legislativu“. Vytvořte i jasný sensorický brief: „vůně po vanilce nesmí přejít do karamelu“, „dozvuk nesmí být svíravý“, „čokoládová nota má být suchá, ne mléčná“.

2) Optimalizace chutnosti v pet food a krmivech

U krmiv nejde jen o marketing. Chutnost ovlivňuje příjem krmiva, a tím i zdraví zvířete (zejména u nemocných nebo starších). AI může:

• modelovat, které aromatické profily zvyšují příjem potravy,
• navrhovat směsi aromat s ohledem na cenu a dostupnost,
• zkrátit cyklus testování (méně variant, více cílených).

3) Predikce sensoriky už na úrovni suroviny

Tady se propojení se zemědělstvím ukazuje nejvíc: pokud umíte z dat o odrůdě, lokalitě, sklizni a skladování odhadnout aromatický profil, můžete:

• lépe třídit šarže podle využití (např. „na čerstvý prodej“ vs. „do zpracování“),
• dát férovější specifikace dodavatelům,
• snížit odpad, protože surovina nebude „mimo profil“ až na konci výroby.

Most k preciznímu zemědělství: aroma jako měřitelný parametr kvality

Krátká odpověď: Jakmile umíme aroma popsat daty, dá se řídit podobně jako výnos nebo obsah sušiny.

V precizním zemědělství se kvalita často redukuje na několik laboratorních hodnot. Jenže aroma je to, co spotřebitel vnímá nejdřív. A pro některé komodity (ovoce, byliny, chmel, káva, kakao) je aroma doslova obchodní měna.

Co se dá dělat už dnes, i bez futurismu:

Sensorické mapování šarží

• Odebírat vzorky z různých částí pozemku.
• Měřit těkavé látky (např. pomocí GC-MS nebo elektronického „nosu“ ve spolupráci s laboratoří).
• Trénovat model, který propojí výsledky s agronomickými daty (půda, závlaha, stres, hnojení).

Výsledek: místo „tenhle sad je dobrý“ získáte „tenhle blok dává citrusové top notes a stabilní sladkost“ – a to se dá monetizovat.

Rozhodování o sklizni podle aromatického vrcholu

U některých plodin není nejlepší sklízet „co nejzralejší“, ale „v sensorickém maximu“. AI může pomoci najít okamžik, kdy aromatické látky kulminují, a sladit logistiku sklizně i výroby.

Cílené pěstování pro konkrétní použití

Jakmile výrobce definujte požadovaný profil (např. pro limonády, pro džemy, pro dětské výživy), zemědělec může pěstování ladit: odrůda, výživa, stresové řízení, posklizňové dozrávání.

Tohle je podle mě budoucnost kontraktace: ne jen „tuna jablek“, ale „tuna jablek s profilem X“.

Nejčastější otázky z praxe (a stručné odpovědi)

Funguje „vůně majitele“ na psa opravdu?

U psů je čich klíčový a pach majitele bývá uklidňující. Jestli syntetická replika bude fungovat stejně jako svetr, ukážou až testy. Podstatné je, že technologie pro tvorbu vůní se dá využít i jinde než u psů.

Jaká data jsou potřeba pro AI modelování vůně?

Minimální základ je kombinace:

• chemických dat (těkavé látky, koncentrace),
• sensorických panelů (lidské hodnocení),
• procesních parametrů (teplota, čas, pH, sušení, skladování),
• obchodního cíle (náklad, dostupnost surovin, regulace).

Dá se to nasadit i v menší firmě?

Ano, když nezačnete „stavbou vlastního NotCo“. Začněte jedním use casem (třeba reformulace jedné řady) a spoluprací s laboratoří nebo univerzitou. AI část může být zpočátku i „skromná“ – klíč je v kvalitních datech a jasném cíli.

Co bych udělal jako první, kdybych byl ve výrobě potravin

Krátká odpověď: Vybral bych jednu problémovou oblast, zavedl měření sensoriky a teprve pak automatizoval rozhodování.

Konkrétní postup, který se v praxi osvědčuje:

1. Zvolte produkt, kde vás bolí variabilita (vůně „ujede“, šarže nejsou konzistentní, reklamace).
2. Sepište sensorický brief (3–8 atributů, které rozhodují o „správném“ profilu).
3. Zaveďte jednoduchý sběr dat: šarže surovin, procesní parametry, skladování, výsledné hodnocení.
4. Udělejte pilotní model (i jednoduchá regrese/klasifikace často překvapí).
5. Nastavte rozhodovací pravidla: kdy šarži přesměrovat, jak upravit proces, kdy zastavit.

AI v potravinářství není o tom mít největší model. Je o tom mít systém, který opakovaně zkracuje cestu od problému k řešení.

Kam to celé míří v roce 2026: chuť jako software

Směr je zřejmý: potraviny a krmiva se budou navrhovat podobně jako digitální produkty – iterativně, s rychlými prototypy, s personalizací a s důrazem na to, co člověk (nebo zvíře) skutečně vnímá.

NotCo a její experimenty s replikací lidského pachu jsou trochu mimo běžnou zemědělskou debatu. Přesto do ní patří. Ukazují totiž, že AI se neomezuje na pole a výrobní linku. Vstupuje do sensoriky – a tím i do samotného důvodu, proč potraviny kupujeme.

Pokud ve vašem podnikání řešíte kvalitu, konzistenci, reformulace nebo chutnost, je fér si položit konkrétní otázku: Kterou část „vjemu“ umíme řídit daty už teď – a kterou stále hádáme?

Chcete-li to posunout rychleji: připravte si jeden use case (produkt, problém, cílový vjem) a proberme, jaké datové kroky dávají největší návratnost během 8–12 týdnů.