Senzory v kvásku: malá lekce precizní fermentace

Prosinec 2025 je pro potravináře trochu paradoxní měsíc: na jedné straně špička poptávky (pečivo, cukroví, gastro provozy jedou naplno), na druhé straně největší tlak na stabilitu a plánování. A přesně tady se ukazuje, že precizní monitorování procesů není výsada velkých závodů nebo „chytrých“ skleníků. Dostalo se až do kvásku.

Nástroj Breadwinner – v principu „chytré víčko“ na sklenici – sleduje výšku a teplotu kvásku a v mobilní aplikaci ukáže, kdy kvásek dosáhl vrcholu aktivity. Zní to jako hračka pro domácí pekaře. Já to ale čtu jinak: je to malý, praktický příklad toho, jak se senzorika, data a automatizace posouvají do tradičních potravinářských postupů. A co je důležitější pro naši sérii Umělá inteligence v zemědělství a potravinářství: stejné principy fungují od pole až po pekárnu.

Breadwinner v kostce: co přesně měří a proč to funguje

Odpověď na klíčovou otázku „co to je“ je jednoduchá: Breadwinner je bateriově napájený senzorový modul (víčko), který průběžně sleduje chování kvásku a ukládá data do aplikace.

Konkrétně jde o dvě veličiny, které jsou pro fermentaci zásadní:

• Teplota: přímo ovlivňuje rychlost fermentace. Rozdíl pár stupňů v kuchyni nebo výrobně často znamená rozdíl hodin.
• Změna objemu / „výška“ kvásku: v praxi nejčitelnější signál, kdy je kvásek na vrcholu a kdy už „padá“.

Breadwinner podle popisu sbírá data typicky v okně kolem 36 hodin a umí dát uživateli jasnou zprávu typu: „Váš kvásek dosáhl vrcholu za 9 hodin a 32 minut.“ Tohle je přesně ten moment, kdy se z romantiky kvásku stává řízení procesu.

Proč je vrchol fermentace tak důležitý (a proč to lidé pořád trefují špatně)

Nejčastější chyba při práci s kváskem není recept. Je to timing. Když zaděláte těsto příliš brzy, nemáte sílu a strukturu. Když pozdě, kyselost roste, aktivita klesá a výsledky jsou nevyrovnané.

V domácích podmínkách to lidé „odhadují“ podle bublin a vůně. V provozu se to řeší rutinou a zkušeností konkrétní směny. Obojí je křehké:

• mění se teplota místnosti,
• mění se mouka (šarže, vlhkost),
• mění se hydratace,
• mění se kultura (kvásek stárne, sílí, slábne).

Senzorika z toho dělá měřitelný proces. A měřitelný proces jde optimalizovat.

Od sklenice ke skleníku: proč je „chytrý kvásek“ relevantní pro AI v zemědělství

Pointa je: stejný princip – senzor → data → rozhodnutí – stojí i za precizním zemědělstvím. Rozdíl je jen v měřítku.

V zemědělství typicky sledujete:

• půdní vlhkost a teplotu,
• zdravotní stav porostu (satelit, drony, multispektrální kamery),
• výskyt škůdců,
• mikroklima v sadech a sklenících.

V potravinářství sledujete:

• teploty a časy (např. fermentace, chlazení),
• pH, CO₂, tlak, vlhkost,
• konzistenci, viskozitu,
• odchylky od standardu.

Breadwinner je v tomhle směru krásně „učebnicový“: ukazuje, že i v malém procesu dává smysl sbírat data a používat je k rozhodnutí „teď je ten správný okamžik“.

Kde do toho vstupuje AI (a kde zatím stačí dobrá analytika)

U Breadwinneru je jádro hlavně monitoring a notifikace. To je první úroveň.

Druhá úroveň je predikce: když máte dost dat z různých kuchyní/provozů (a znáte vstupy jako teplota prostředí, typ mouky, hydratace), AI model dokáže dopředu odhadnout:

• kdy kvásek dosáhne vrcholu,
• jaká bude jeho „síla“,
• jak upravit krmení nebo teplotu, aby se trefil čas výroby.

Třetí úroveň je řízení: automaticky doporučit (nebo rovnou řídit) ohřev/chlazení, dávkování, krmení. A to je přesně logika moderních fermentačních linek, řízených komor a v zemědělství třeba i klimatizovaných skladů.

Co si z toho může vzít pekárna nebo malý výrobce (prakticky, bez teorie)

Nejrychlejší přínos není „být hi‑tech“. Je to stabilita. Stabilita znamená méně zmetků, méně nočních improvizací a přesnější plánování směn.

Tady jsou 4 konkrétní oblasti, kde senzorové monitorování fermentace (kvásek, těsto, preferment) dává smysl i mimo domácí pečení:

1) Standardizace kvality napříč směnami

Když se rozhodujete „podle oka“, každý pekař vidí „správně“ trochu jinak. Data z teploty a průběhu kynutí zavedou společný jazyk.

Co funguje v praxi:

• definovat „okno akce“ (např. začít zadělávat v rozmezí X–Y minut od vrcholu),
• sledovat odchylky a přiřadit je k příčinám (teplota místnosti, šarže mouky).

2) Plánování výroby a energie

Prosincové špičky často znamenají, že výroba jede na hraně kapacit. Když umíte lépe predikovat, kdy bude kvásek/těsto připravené, lépe rozložíte:

• využití pecí,
• práci lidí,
• spotřebu energie (méně „rychlých dohánění“ teplotou).

3) Rychlejší ladění receptur a procesů

Data z fermentace fungují jako „černá skříňka“: když se něco nepovede, máte záznam průběhu. To výrazně zkracuje učení nových produktů.

Praktický postup, který se mi osvědčil:

1. změňte vždy jen jednu věc (hydratace / teplota / krmení),
2. zaznamenejte průběh,
3. porovnejte čas do vrcholu a výšku,
4. upravte procesový standard.

4) Méně plýtvání surovinami

Kvásek „přejetý“ o pár hodin často končí v odpadu nebo v produktech, kde to nechcete. U většího objemu se to sčítá.

Senzory tady dávají jednoduchou výhodu: včasná notifikace.

„Data nezlepší kvásek sama o sobě. Ale zkrátí dobu, kdy hádáte.“

Jak by vypadal „AI kvásek“ za 12 měsíců: realistický scénář

Nečekejte humanoidního robota, který krmí sklenici. Realistická budoucnost je nudnější – a proto tak užitečná.

Představte si aplikaci, která po 2–3 týdnech sběru dat umí:

• spočítat typický čas do vrcholu pro váš kvásek v daném prostředí,
• varovat, že „dnešní průběh je o 18 % pomalejší než obvykle“ (indikace chladu nebo oslabení kultury),
• navrhnout úpravu krmení (poměr mouka:voda:kvásek),
• doporučit cílovou teplotu (např. v kynárně) tak, aby vrchol vyšel na 06:30.

A teď propojení s naším tématem: přesně tohle dnes AI dělá v zemědělství u porostů – porovnává „normální průběh“ s aktuálním, hledá odchylky a doporučuje zásah.

Nejčastější otázky z praxe (a přímé odpovědi)

Je to použitelné i bez AI?

Ano. Senzorika a dobré grafy jsou často 80 % hodnoty. AI dává smysl ve chvíli, kdy chcete predikci, doporučení a škálování napříč provozy.

Co je největší limit podobných nástrojů?

Ne hardware. Kontext. Bez vstupních údajů (typ mouky, hydratace, teplota okolí, frekvence krmení) jsou data hůř interpretovatelná. Nejlepší systémy proto sbírají i „metadata“.

Nahradí to zkušeného pekaře?

Ne. Ale udělá z něj pekaře, který se může soustředit na produkt a vývoj, ne na hlídání hodin. A nováčkům výrazně zkrátí učení.

Co si z Breadwinneru odnést pro zemědělství a potravinářství v roce 2026

Hlavní message je jednoduchá: digitalizace potravin začíná u malých, měřitelných kroků. Breadwinner ukazuje, že i tradiční proces jako kvásek jde převést do dat, a tím ho zpřesnit.

Pokud řešíte AI v zemědělství a potravinářství, zkuste se na své procesy podívat stejnou optikou:

• Které 1–2 veličiny nejvíc rozhodují o výsledku? (teplota, čas, vlhkost, pH…)
• Kde dnes jen „odhadujete“?
• Kde by vám jednoduchý senzor ušetřil nejvíc času a odpadu?

Já bych v roce 2026 vsadil na firmy, které propojí monitoring s rozhodováním – ať už jde o porost na poli, klima ve skleníku, nebo fermentaci v dílně. Od půdy ke kvásku je to překvapivě krátká cesta.

Pokud chcete, napište mi, jaký fermentační nebo výrobní proces řešíte (kvásek, preferment, kombucha, jogurt, zrání). Navrhnu, které senzory dávají největší smysl a jak z toho udělat data, se kterými se dá opravdu pracovat.