AI ve výrobě rostlinného masa: co znamená investice 42M $

42 milionů dolarů na rozšíření výroby rostlinného masa by znělo jako běžná VC zpráva… kdyby se to nedělo v období, kdy investice do plant-based segmentu ochladly a řada značek řeší propady prodejů i tlak na cenu. Přesto kanadská No Meat Factory (No Meat) v lednu 2023 uzavřela financování Series B a vsadila na jednoduchou tezi: kdo zvládne výrobu ve velkém, levně a konzistentně, ten přežije.

A tady se přirozeně potkává alternative protein s tématem naší série Umělá inteligence v zemědělství a potravinářství. Veřejně se často mluví o „chuti“ a „marketingu“ rostlinného masa. V praxi ale rozhoduje hlavně průmyslová disciplína: plánování výroby, stabilita surovin, výtěžnost, kvalita šarží, logistika a odpad. AI v potravinářství je přesně ten nástroj, který dokáže tyhle „nudné“ věci posunout o řád.

No Meat chce díky novým, BRC-certifikovaným kapacitám v Britské Kolumbii a druhému závodu (start provozu byl plánován na začátek roku 2023) vyrábět pro partnerské značky široké portfolio: od nugget a burgerů po „whole-muscle“ alternativy, a také rostlinné uzeniny a deli produkty. Investice tedy není jen o větším počtu linek. Je to signál, že škálování alternative protein je čím dál víc problém optimalizace – a tím pádem prostor pro data, automatizaci a strojové učení.

Proč je škálování rostlinného masa hlavně výrobní problém

Škálování plant-based výroby naráží na tři tvrdé limity: cenu, konzistenci a kapacitu. Spotřebitelé chtějí „jako maso“, ale ne za prémiovou cenu a ne s tím, že každý druhý nákup bude chutnat jinak.

No Meat vstupuje do role výrobce pro značky (co-manufacturing). To je strategicky chytrá pozice, protože tlak na efektivitu je u takového hráče neúprosný a měřitelný:

• Každá minuta odstávky linky se okamžitě propíše do nákladů.
• Každá odchylka ve viskozitě směsi nebo hydrataci bílkoviny se projeví v textuře.
• Každý procentní bod odpadu (scrap) znamená ztrátu marže.

A přesně tady AI pomáhá: ne tím, že „vymyslí“ rostlinný steak, ale tím, že udrží výrobu stabilní a levnější.

Co BRC certifikace prakticky znamená pro data a AI

BRC (standard pro bezpečnost potravin) tlačí firmy k detailní dokumentaci procesů, sledovatelnosti šarží a řízení rizik. Z pohledu AI je to výhoda: vzniká strukturovaný datový základ, bez kterého se predikce kvality nebo optimalizace procesu dělá těžko.

Jinými slovy: když máte hygienu, trasování a disciplinované záznamy, jste o krok blíž k tomu, aby modely umělé inteligence dávaly smysluplné výstupy.

Kde dnes AI reálně zvyšuje výkon továren na alternative protein

AI ve výrobě rostlinného masa je nejcennější tam, kde se dá rozhodovat rychle a opakovaně: nastavení procesu, plánování a kontrola kvality. Nejde o sci‑fi roboty. Jde o průmyslové „mikro-optimalizace“, které se v součtu mění na velké peníze.

1) Prediktivní řízení kvality (textura, šťavnatost, barva)

Rostlinné proteiny (hrách, sója, pšenice, boby) se chovají různě podle původu, sezóny a zpracování. V praxi to vypadá tak, že stejný recept může mít v pondělí jinou „tahovou“ strukturu než v pátek.

AI modely umí spojovat:

• laboratorní parametry (vlhkost, obsah bílkovin, popel, pH),
• procesní data (teplota, tlak, rychlost šneku extruderu, průtok),
• výsledky senzoriky nebo instrumentálního měření textury,

…a vytvořit predikci kvality ještě před tím, než vyjedou palety.

Praktický dopad: méně reworku, méně vyřazených šarží a stabilnější produkt – což je pro partnerské značky zásadní.

2) Optimalizace receptur pod tlakem ceny surovin

Ceny surovin v potravinářství jsou v roce 2025 pořád citlivé téma a tlak na dostupnost plant-based produktů roste. Výrobce potřebuje rychle reagovat: změnit poměr bílkovin, vlákniny, tuků, pojiv – ale bez ztráty senzoriky.

Tady se osvědčuje kombinace:

• digitálního dvojčete receptury (model, který simuluje dopady změn),
• optimalizačních algoritmů (hledají nejlevnější variantu při splnění limitů kvality),
• rychlého testování v pilotní lince.

Důležité: u „whole-muscle“ alternativ (celé kusy) je tolerance odchylek menší než u nugget. O to větší roli hraje modelování a kvalitní data.

3) Prediktivní údržba a stabilita linek

Výroba alternative protein často využívá extruzi a další energeticky náročné kroky. Odchylky v mechanice (opotřebení šneků, ložiska, vibrační chování) se projeví nejen poruchou, ale i kvalitou výstupu.

Prediktivní údržba s AI typicky pracuje s:

• vibracemi,
• teplotami motorů,
• proudovým odběrem,
• tlakovými profily v procesu.

Cíl je prostý: plánovat servis dřív, než dojde k odstávce. V prostředí, kde se jede na marže, je to často rozdíl mezi „vyděláváme“ a „dotujeme růst“.

4) Plánování výroby a logistika (OTIF, odpady, energie)

Výrobce pro více značek řeší složitou skládačku: různé receptury, alergeny, změny formátů, sanitace, expirace, skladové kapacity. AI (nebo pokročilé optimalizační plánování) umí zohlednit omezení, která ruční plánování často ignoruje.

Konkrétní přínosy:

• méně přestaveb linek,
• lepší využití kapacity,
• nižší spotřeba energie v špičkách,
• méně odpadu z prošlých zásob.

A ano – tohle je část „AI v potravinářství“, která se špatně prodává v reklamě, ale krásně se obhajuje ve finančním ředitelství.

Proč tahle investice dává smysl právě teď (a co si z ní vzít v ČR)

Fakt, že No Meat získala 42 milionů USD v době, kdy plant-based segment ztrácel investiční lesk, je signál. Ne nutně o tom, že se všichni vrací k rostlinnému masu. Spíš o tom, že investoři víc věří firmám, které mají:

• jasný výrobní „engine“,
• zkušený tým (No Meat staví na lidech s praxí z velkých potravinářských struktur),
• schopnost dodávat kvalitu ve velkém.

Z českého pohledu je užitečné číst mezi řádky: budoucnost alternative protein v Evropě nebude stát jen na značkách, ale na kapacitě a efektivitě výrobců.

Co to znamená pro české potravináře a zemědělství

Plant-based trh není jen „nový druh burgeru“. Je to také příležitost pro navazující řetězec – od pěstování surovin po zpracování:

• Zemědělci: poptávka po stabilních šaržích bílkovinných plodin roste. AI v zemědělství (precizní setí, monitoring dusíku, predikce výnosu) může dodat konzistentnější vstupní surovinu.
• Zpracovatelé: frakcionace, izolace proteinů a standardizace parametrů je ideální pro pokročilou analytiku.
• Výrobci potravin: kdo si postaví datovou kulturu (MES, SPC, traceability), bude mít výhodu při škálování.

Můj názor: v ČR se často čeká, až „to bude jisté“. U alternative protein je jisté hlavně to, že efektivita výroby bude rozhodovat víc než líbivá kampaň.

Praktický checklist: jak začít s AI ve výrobě plant-based (bez velkých slibů)

Pokud jste výrobce, co-manufacturer nebo inovátor v potravinářství, má smysl postupovat pragmaticky. Tohle je postup, který v praxi funguje:

1. Vyberte jednu linku a jeden produkt (např. burgerová směs). Rozsah je váš přítel.
2. Zaveďte konzistentní sběr dat: šarže surovin, procesní parametry, výsledky QC, reklamace.
3. Definujte 2–3 metriky, které mají ekonomický dopad (odpad v %, OEE, počet reworků, OTIF).
4. Postavte jednoduchý model: predikce kvality nebo detekce odchylky v procesu.
5. Uzavřete smyčku: model musí vést k akci (změna nastavení, stop výroby, servisní zásah).

„AI ve výrobě potravin je užitečná teprve tehdy, když mění rozhodnutí na směně.“

A ještě jedna věc: nejrychlejší návratnost mívají projekty, které snižují variabilitu. Ne ty, které slibují „nový produkt za týden“.

Co bude dál: alternativa k masu jako datový průmysl

No Meat Factory chce rozšiřovat kapacity a investovat do výzkumu a vývoje. To je logické, ale důležitější je druhý plán: zvládnout globální výrobu tak, aby byla předvídatelná. V momentě, kdy vyrábíte pro více značek a více trhů, se z plant-based stává datový problém.

V rámci série Umělá inteligence v zemědělství a potravinářství je tohle dobrý milník: ukazuje, že AI se neprosazuje jen na poli (drony, satelity, výnosy), ale i v továrně – v místech, kde se rozhoduje o ceně a dostupnosti potravin.

Pokud zvažujete, jak AI využít ve vašem potravinářském provozu (ať už děláte plant-based, nebo „klasiku“), dejte si jednoduchý cíl na první kvartál 2026: zredukovat variabilitu procesu o měřitelný kus. Jakmile tohle zvládnete, škálování začne dávat ekonomický smysl.

A otázka, která bude v příštích letech čím dál ostřejší: budeme v Evropě alternative protein hlavně dovážet, nebo si vybudujeme výrobní kapacitu a know-how doma – s AI jako standardní součástí provozu?