AI a čisté rostlinné proteiny: cesta od labu k výrobě

V únoru 2023 získal izraelský startup Meala 1,9 milionu dolarů v pre-seed financování na vývoj „funkčních proteinů“ z ingrediencí, které mají působit jako z domácí kuchyně. Na první pohled je to další investiční zpráva z oblasti alternativních proteinů. Jenže ve skutečnosti jde o symptom většího problému: rostlinné maso naráží na strop důvěry i chuti a firmy hledají způsob, jak zlepšit texturu, šťavnatost a „masový“ zážitek bez seznamu složek, který vypadá jako laboratorní protokol.

A právě tady do hry vstupuje umělá inteligence v potravinářství. Ne jako marketingová nálepka, ale jako praktický nástroj, který umí urychlit vývoj receptur, snížit počet slepých uliček v R&D a pomoct se škálováním z laboratorní dávky na pilotní a průmyslovou výrobu. V rámci naší série „Umělá inteligence v zemědělství a potravinářství“ je Meala dobrý příklad toho, proč se dnes AI vyplatí sledovat i mimo farmu – přímo ve výrobě potravin.

Proč „čistý štítek“ rozhoduje o úspěchu rostlinného masa

Spotřebitelé nekupují jen chuť, ale i pocit bezpečí a srozumitelnosti. Rostlinné alternativy masa sice v posledních letech zdomácněly, ale zároveň se objevila únava z výrobků, které mají dlouhý seznam stabilizátorů, aromat a přísad, které běžný člověk neumí pojmenovat.

Meala staví na jednoduché tezi: pokud dokážeme vyrobit funkční protein (pojivo, gel, zadržování vody) z rozpoznatelných surovin, budou mít značky snazší práci s etikou, komunikací i regulací na různých trzích.

Z praxe vím, že „clean label“ se často redukuje na marketing. Jenže v alternativních proteinech je to i tvrdá technologie. Když vyhodíte tři pomocné látky, musíte je něčím nahradit – a ten „něco“ musí:

• držet strukturu (vazba, gelace),
• udržet šťávu (retence vody),
• snést tepelnou úpravu,
• fungovat v různých matricích (burger, klobása, nuggety),
• být cenově zvládnutelné ve velkém.

Tohle není kuchařka. To je materiálové inženýrství v potravinách.

Co jsou funkční proteiny a proč jsou pro výrobce klíčové

Funkční protein není „jen“ zdroj bílkovin – je to stavební prvek textury. Meala popisuje své proteiny jako multifunkční složky pro:

• pojivo (aby se výrobek nerozpadal),
• gelaci (aby měl pružnost a „skus“),
• zadržování vody (šťavnatost a menší ztráty při tepelné úpravě),
• plnější chuťový profil (lepší „body“ chuti).

Pro B2B svět (dodávky ingrediencí výrobcům CPG značek) je to zásadní. Většina značek nechce vyvíjet vlastní proteinovou platformu od nuly. Chtějí komponent, který mohou integrovat do receptury a škálovat.

Proč je škálování z laboratoře na pilot „nejdražší fáze“

Meala uvedla, že finance použije k posunu technologie z labu na pilotní škálu. To je přesně ten bod, kde potravinářské inovace často končí:

• v laboratoři funguje všechno (malé šarže, ideální podmínky),
• na pilotu se ukáže realita (variabilita surovin, míchání, shear, teploty, doby),
• v továrně pak přijdou náklady, výtěžnost, hygiena a stabilita.

AI umí tuhle přechodovou bolest zmenšit – když je správně napojená na data z procesu.

Jak AI urychluje vývoj „kuchyňských“ ingrediencí do průmyslové kvality

Největší přínos AI v alternativních proteinech je zkrácení cyklu pokus–omyl. Vývoj textury a chuti je kombinatorická exploze: poměry surovin, typy proteinů, teploty, pH, hydratace, mechanické zpracování, koření, tuky, vláknina. Bez dat a modelů se R&D snadno změní na drahé hádání.

1) Prediktivní formulace: méně experimentů, rychlejší receptura

AI modely (typicky kombinace statistiky, optimalizace a strojového učení) dokážou z historických testů odhadovat, které kombinace přinesou požadované vlastnosti:

• pevnost a pružnost (texture profile analysis),
• ztráty vody při tepelné úpravě,
• stabilitu emulze,
• senzorické skóre (chuť, vůně, mouthfeel).

Prakticky to znamená: místo 80 laboratorních variant uděláte 25 cílených. A to je rozdíl v týdnech práce i v nákladech na suroviny.

2) „Digitální dvojče“ procesu: když pilotní linka začne zlobit

Jakmile se technologie přesune na pilot, problémem nejsou jen ingredience, ale proces:

• otáčky a doba míchání,
• teplotní profily,
• střihové namáhání,
• pořadí dávkování,
• chlazení a odležení.

Digitální dvojče (model procesu) umí simulovat, co se stane, když změníte parametr. Výsledek: méně zmetků, stabilnější kvalita a rychlejší náběh výroby.

3) AI v senzorice: chuť jako měřitelný cíl, ne dojem

Rostlinné maso často prohrává na „dochuti“, aromatu a pocitu v ústech. AI se tu používá dvěma způsoby:

• analýza senzorických panelů (hledání vzorců v tom, co lidé popisují jako „fazolové“, „travnaté“, „kovové“),
• mapování složení na vnímání (které proteiny a procesy zvyšují hořkost, svíravost, suchost).

Tady se vyplatí tvrdý přístup: chuť se dá částečně „zdatovat“. Ne dokonale, ale dost na to, aby se vývoj nezasekl.

4) Optimalizace nákladů a udržitelnosti: protože cena stále rozhoduje

V roce 2025 už je jasné, že alternativní proteiny nevyhraje jen etika. Vyhraje je poměr cena/výkon.

AI v potravinářství umí:

• optimalizovat receptury na cenu při zachování parametrů (textura, bílkoviny, alergeny),
• hlídat výtěžnost (ztráty vody = ztráty peněz),
• snižovat energetickou náročnost procesu (teploty, časy, chlazení),
• plánovat výrobu podle poptávky a trvanlivosti.

Tohle je přesně „potravinářská verze“ precizního zemědělství: méně plýtvání, více predikce.

Co si z příběhu Meala mají odnést české firmy (a proč to není jen pro startupy)

Meala míří na B2B trh a chce dodávat funkční proteiny značkám. To je pro české potravináře zajímavé ze dvou důvodů: (1) řada firem nechce být „vývojové centrum“, ale potřebuje modernizovat portfolio, (2) tlak na složení a alergeny se zvyšuje.

Kde dává AI nejrychlejší návratnost (i v českých podmínkách)

Pokud vyrábíte alternativy masa, hotová jídla, náhražky mléka nebo proteiny do sportovní výživy, začal bych tady:

1. Datová disciplína v R&D – jednotné šablony měření (textura, ztráty vody, viskozita), aby šly výsledky modelovat.
2. Predikce kvality ze surovin – variabilita šarží hrachu, sóji nebo pšenice dělá obrovské rozdíly. Model umí hlídat riziko.
3. Procesní optimalizace na lince – i jednoduchý model nad historickými daty často ukáže, proč se výrobek „rozpadá“ jen v pondělí.
4. Senzorická konzistence – AI pomáhá hledat vazbu mezi dávkou aromat, tepelným profilem a opakovanými reklamací.

„Home kitchen“ ingredience: přínos i riziko

Myšlenka „kuchyňských“ ingrediencí zní skvěle. V praxi ale naráží na tři překážky:

• funkčnost: jednoduchá surovina často neumí to, co umí specializovaný hydrolyzát,
• stabilita: přírodní složky mívají větší variabilitu,
• dodavatelský řetězec: dostupnost a cena ve velkém.

Tady mám jasný názor: kdo chce čistší etiketu, musí investovat do řízení variability. A to je přesně prostor pro AI.

Mini-FAQ: co se firmy ptají nejčastěji

Pomůže AI vytvořit lepší rostlinné maso i bez „chemie“?

Ano, pokud máte data a měříte správné věci. AI sama o sobě nic neuvaří, ale umí rychleji najít kombinaci surovin a procesů, která dá lepší texturu a šťavnatost.

Je AI relevantní i pro menší potravináře?

Ano. Největší přínosy často přicházejí z jednoduchých modelů nad výrobními daty: stabilita šarží, méně zmetků, konzistentní kvalita.

Co je první krok, když nemáme datový tým?

Začněte tím, že sjednotíte měření a ukládání dat z R&D a výroby. Bez toho je jakákoli „AI iniciativa“ jen drahá prezentace.

Co bude rozhodovat v roce 2026: rychlost iterace a důvěryhodná etiketa

Alternativní proteiny jsou dnes v etapě, kdy už nestačí být „bez masa“. Musí to být dobré jídlo, které obstojí v běžném nákupu. Meala ukazuje směr: místo dalších exotických přísad hledat funkčnost v jednodušších surovinách a nabídnout ji jako ingredienční platformu pro výrobce.

A AI? Ta je v tomhle příběhu tichý pracant. Nezajistí chuť sama, ale zrychlí cestu k receptuře, která chutná a dá se vyrábět stabilně. V naší sérii o umělé inteligenci v zemědělství a potravinářství je to důležitý doplněk k tématům jako precizní zemědělství nebo predikce výnosů: potravinový systém se neoptimalizuje jen na poli, ale i ve fabrice.

Pokud teď řešíte vývoj alternativních proteinů, škálování výroby nebo tlak na „čistější“ etikety, stojí za to udělat jednoduchou věc: zmapovat, kde dnes vzniká nejvíc pokusů–omylů a ztrát. Právě tam bývá AI nejrychleji vidět na výsledcích.