Proč AI zatím neumí vymyslet dobrý recept (a co s tím)

Úspěšnost „AI receptů“ v reálné kuchyni je dnes často spíš loterie než jistota. Jeden známý test to shrnul až nepříjemně přesně: tým kuchařů připravil zhruba 100 receptů navržených ChatGPT a pouze jeden dopadl opravdu dobře. To není drobná odchylka. To je signál, že generativní AI má v gastronomii jasné limity – a že je potřeba ji používat jinak, než jak ji většina lidí zkouší.

A proč to řešíme v sérii „Umělá inteligence v zemědělství a potravinářství“? Protože kuchyně je poslední článek potravinového řetězce, kde se ukáže pravda. Když AI nezvládne dát dohromady soudržný recept, často to odhaluje stejné problémy, které pak vidíme i jinde: v plánování výroby, formulacích produktů, optimalizaci surovin, nebo v predikci poptávky.

Tahle zkušenost není důvod AI odepsat. Je to návod, kde přesně AI pomáhá a kde naopak potřebuje data, pravidla a lidský dohled.

Co přesně se pokazilo: případová studie „AI receptů“

Generativní modely umí psát plynule a přesvědčivě. Problém je, že plynulý text není totéž co funkční recept.

V experimentu (tým veganských kuchařů testoval přes stovku AI receptů) se opakovaly tři typy selhání:

1) Nesmyslné kombinace a „kolize“ surovin

AI často složí ingredience tak, že se na papíře tváří originálně, ale v praxi se chutě přetlačují, nebo se technologicky „rozpadnou“. Typický příznak: recept zní lákavě („krémové, bohaté, dekadentní“), ale výsledek je plochý, štiplavý nebo přímo odpudivý.

2) Chybná technologie a špatné pořadí kroků

U receptů nejde jen o co, ale i o kdy a jak. V testu se objevovaly návody, kde byly kroky přeházené, chyběly časy, nebo se ignorovalo, že některé suroviny se chovají jinak po tepelné úpravě.

Konkrétní „fail“ z testu: veganské zapékané brambory, kde byly instrukce a suroviny neintuitivně seřazené. Výsledek měl divnou barvu, agresivní vůni a špatnou chuť.

3) „Deceptivní recept“: zní dobře, ale nefunguje

Tohle je nejzrádnější. AI umí napsat recept jako zkušený bloger – jenže bez záruky, že to někdo uvařil. A přesně tady vzniká zbytečné plýtvání surovinami, časem i energií.

Jednověté pravidlo: Pokud recept nikdo reálně neotestoval, není to recept – je to návrh.

Proč to AI nejde: recept je fyzika, chemie a praxe

Recept není esej. Je to „výrobní postup“ s tolerancemi, kritickými kroky a senzorickým cílem.

Generativní jazykové modely se učí z textů. To znamená:

• Umí napodobit strukturu receptu (ingredience, postup, tipy).
• Umí vytvářet variace („jarní verze“, „bezlepkové“, „na brunch“).
• Ale neumí automaticky ověřit konzistenci postupu ani chuťový výsledek.

Největší past je požadavek na „unikátnost“. Když po AI chcete opravdu jedinečný recept, model se často snaží vyhnout běžným kombinacím, aby se neopakoval – a skončí u divných spojení. Lidský kuchař obvykle „vymýšlí“ jinak: vychází z osvědčených základů a inovuje v malém (koření, technika, textura).

Tahle logika je mimochodem stejné téma i v potravinářství: nová receptura produktu nevzniká náhodným mícháním, ale iterací, testováním a řízením rizik.

Co z toho plyne pro potravinářství a zemědělství

Selhání AI v receptech není jen kuchyňská historka. Je to zkratka k pochopení, kde AI v potravinovém systému skutečně funguje.

AI je silná, když optimalizuje – ne když „střílí od boku“

V zemědělství vidíme reálné přínosy tam, kde AI pracuje s měřitelnými daty: satelitní snímky, meteorologie, senzorika půdy, výnosové mapy. V potravinářství zase v oblasti:

• predikce poptávky a řízení zásob,
• kontrola kvality (např. vizuální inspekce),
• optimalizace receptur s jasnými cíli (cena, alergeny, výživa, textura),
• snižování odpadu (lepší plánování výroby).

Naopak čistě generativní „vymysli mi nový recept“ bez omezení často končí jako hezky napsaný, ale neproveditelný dokument.

Data z internetu jsou problém: „miliony receptů“ neznamenají miliony dobrých receptů

Internetové recepty jsou nekonzistentní. Často chybí gramáže, přesné teploty, nebo jsou kroky psané pro zkušené kuchaře, ale čte to začátečník. Když z takového korpusu učíte model, dostanete průměr.

A průměr v kuchyni znamená: jednou dobré, třikrát meh, jednou nejedlé.

Potřebujeme „doménovou AI“ a testování v terénu

Pokud má AI pomáhat s inovací v jídle, musí být napojená na:

• databáze kompatibility chutí (co se s čím snoubí),
• technologické limity (zahušťování, emulze, tepelné body),
• výživové a legislativní požadavky,
• dostupnost surovin (sezónnost, lokální dodavatelé),
• a hlavně na iterativní testování (panel, kuchyň, pilotní výroba).

V zemědělství je analogie jasná: model také nemůžete „pustit na pole“ bez validace. Nejdřív testy, potom doporučení.

Jak AI používat pro recepty chytře (a bez vyhazování jídla)

Nejlepší praxe je brát generativní AI jako asistenta, ne jako šéfkuchaře.

1) Nechte AI upravovat osvědčený základ

Místo „vymysli nový recept“ zkuste: „Tady je ověřený recept, uprav ho na…“

Funguje to, protože držíte kostru, technologii i poměry. AI pak přidává varianty.

Praktické zadání:

• „Uprav recept na bramborový gratin tak, aby byl veganský, bez sóji, a zachoval krémovou texturu.“

2) Zaveďte tvrdé mantinely

AI potřebuje omezení, jinak improvizuje.

Doporučené mantinely:

• gramáže u klíčových surovin,
• cílová textura (křupavé/krémové),
• časový limit (např. do 30 minut),
• vybavení (trouba, pánev, konvektomat),
• alergeny a výživové cíle.

3) Vynucujte kontrolní seznam konzistence

Tohle je jednoduchý trik, který zvedá kvalitu:

• Je každý krok navázaný na konkrétní surovinu?
• Sedí teploty a časy k technice?
• Nechybí „kritický krok“ (odležení, redukce, dochucení)?
• Je jasné, kdy solit a kdy ochutnat?

4) AI jako nástroj pro plánování, ne pro „pravdu o chuti“

Generativní AI je výborná na:

• nákupní seznamy,
• škálování porcí,
• substituce surovin podle sezóny,
• organizační plán („co si připravit předem“),
• výživové přepočty (orientačně).

Ale chuť? Tu pořád vyhrává lidský jazyk, nos a zkušenost.

Co musí přijít, aby AI recepty dávaly smysl i ve výrobě

Aby AI dělala spolehlivé receptury (pro domácnost i potravinářský provoz), musí se posunout ve třech věcech:

1) Specializované modely a kvalitní tréninková data

Model trénovaný na „všem možném“ bude v kuchyni průměrný. V praxi je lepší menší, doménový model trénovaný na:

• testovaných receptech s gramážemi,
• technologických postupech,
• senzorických hodnoceních (slané/sladké/kyselé/umami, textura),
• chybových stavech (co se pokazilo a proč).

2) Propojení s optimalizací surovin a zemědělskou realitou

V potravinových řetězcích v roce 2025 čím dál víc rozhoduje dostupnost a cena. AI, která nebere v úvahu sezónnost a dodávky, navrhne „skvělý“ recept, který je v prosinci v Česku drahý nebo nedostupný.

Směr, který dává smysl:

• receptury navázané na lokální suroviny,
• návrhy využití přebytků (např. brambory, kořenová zelenina, jablka),
• minimalizace odpadu (celé využití suroviny).

3) Validace: bez testování žádná důvěra

V potravinářství je běžné pilotní ověření. V domácích receptech to často chybí. Já bych byl rád, kdyby se standardem stalo jednoduché označení:

• „Otestováno člověkem“ (reálně uvařeno)
• „Vygenerováno AI“ (nutná opatrnost)

Pro leady a firmy je tohle mimochodem zajímavá příležitost: nabídnout proces, jak generované návrhy rychle testovat a převádět do spolehlivé praxe.

Mini Q&A: co se lidi ptají nejčastěji

„Znamená to, že AI v gastronomii nemá smysl?“

Ne. Smysl má, pokud řeší konkrétní úlohu: plánování, škálování, substituce, optimalizace nákladů, snižování odpadu, návrh variant pro alergeny.

„Proč některé AI recepty vyjdou skvěle a jiné ne?“

Protože model občas trefí osvědčený vzorec (třeba tacos z květáku), ale nemá mechanismus, který by zaručil konzistentní technologii a chuť.

„Jak AI pomůže zemědělcům, když nezvládá recept?“

Protože zemědělské úlohy jsou často datově měřitelné (vlhkost, vegetační indexy, výnosy) a mají jasné metriky. Kuchyně je víc senzorická a závislá na kontextu.

Kam to celé míří (a co z toho vytěžit už teď)

Generativní AI dnes recept „napíše“. To je málo. Potravinářství i moderní zemědělství potřebují, aby AI recepturu navrhla v omezeních reality: sezónnost, náklady, technologie výroby, bezpečnost, chuť a opakovatelnost.

Pokud s AI pracujete v potravinářské firmě, u výrobce surovin nebo v agri projektu, berte kuchyňský fail jako užitečný test: když model nezvládne jednoduchou konzistenci receptu, bez doménových dat nezvládne ani složitější optimalizaci výroby.

Další krok, který dává smysl: nastavte si proces „AI návrh → kontrolní checklist → rychlé testování → iterace“. A když chcete, pomůžu vám to postavit tak, aby z toho nebyla hromada hezkých dokumentů, ale měřitelný posun v kvalitě, nákladech a odpadu.

Na čem byste AI v potravinářství věřili nejdřív: na návrhu receptury, na plánování výroby, nebo na predikci poptávky?