AI a nové sladidla: méně cukru, stejná chuť

Rok 2025 je zvláštní v tom, že „méně cukru“ už není okrajový požadavek pár fitness nadšenců. Je to mainstream. Výrobci potravin i nápojů jsou pod tlakem hned ze tří stran: spotřebitelé chtějí lepší složení, regulace tlačí na snižování cukru a obchodní řetězce milují jednoduché claimy typu „o 30 % méně cukru“. Problém? Sladká chuť je zrádná. Když ji zkazíte, zákazník se nevrátí.

A právě tady se začíná překrývat svět potravinářství s tématem naší série „Umělá inteligence v zemědělství a potravinářství“. Nejde jen o nové náhražky cukru. Jde o to, jak AI (umělá inteligence) umí urychlit vývoj sladidel, odhalit zdravotní rizika dřív, než se z nich stane PR průšvih, a pomoci výrobním firmám dostat „méně cukru“ do praxe bez kompromisu v chuti.

Dva příklady z food tech světa ukazují, kam se to posouvá: sladké proteiny vyráběné fermentací (např. brazzein) a chytré technologie, které nezamění cukr, ale „zařídí“, aby ho stačilo méně (typicky 30–50% redukce přidaného cukru). A teď to nejdůležitější: obě cesty se bez dat a modelování škálují těžko. Tady nastupuje AI.

Proč už „bezkalorické“ sladidlo nestačí

Krátká odpověď: protože část trhu zjistila, že „bez cukru“ neznamená automaticky „bez problému“.

Poslední roky ukazují opakující se scénář. Něco se prosadí jako alternativní sladidlo, výrobci ho masově nasadí do limonád, tyčinek, jogurtů a „fit“ produktů… a pak přijdou studie nebo metaanalýzy, které otevřou nepříjemná témata: dopad na glykemii, střevní mikrobiom, nebo vazby na kardiovaskulární rizika u některých látek používaných v „zero“ produktech.

Tohle není argument proti všem náhradním sladidlům. Je to argument proti slepé víře, že se dá sladkost „okecat“ jednou ingrediencí. Reálný svět je komplexní:

• Sladidlo není jen sladidlo – rozhoduje matrice potraviny (tuk, vláknina, kyselost).
• Vnímání sladkosti je kombinace chemie a psychologie (aroma, textura, očekávání).
• Zdravotní dopad se neodehrává jen na jazyku, ale i v metabolických drahách a střevě.

A tady mám jasný názor: kdo dnes vyvíjí „nižší cukr“ bez systematické práce s daty, riskuje drahé přešlapy.

Dvě nové cesty: sladké proteiny vs. „zesílení“ cukru

Odpověď na otázku „co přijde po stévii a sukralóze?“ se rýsuje ve dvou směrech.

Sladké proteiny z fermentace: brazzein jako příklad

První směr jsou tzv. sladké proteiny. Zní to exoticky, ale logika je jednoduchá: některé proteiny umí aktivovat receptory sladké chuti velmi silně. Jeden z nich je brazzein, původně spojený s ovocem z oblasti západní Afriky. Praktický problém byl dlouho jasný: extrakce z přírodního zdroje je drahá a špatně škálovatelná.

Řešení, které se objevuje ve food tech praxi, je výroba „stejné molekuly“ pomocí mikrobiální fermentace. V praxi to znamená, že se pomocí mikroorganismů v řízeném procesu vyrobí protein identický s tím přírodním.

Co je na tom zajímavé pro potravináře v Česku a EU?

• Fermentace je průmyslově zvládnutelná (pivo, enzymy, vitaminy – tohle prostředí známe).
• Sladké proteiny můžou snížit potřebu cukru bez typické „pachuťové daně“, kterou lidé často cítí u některých sladidel.
• Otázky budou hlavně kolem ceny, stability v teple, a samozřejmě regulace a schvalování.

Inženýrství sladkosti: méně cukru, ale stejné vnímání

Druhý směr je pro výrobce často pragmatičtější: cukr se úplně nevyhodí, ale použije se tak, aby „udělal víc práce“.

Princip je v zásadě senzorický: když se podaří doručit molekuly cukru na jazyk tak, aby se efektivněji navázaly na receptory sladké chuti, můžete snížit dávku cukru, a přesto zachovat vjem sladkosti. V praxi se mluví o 30–50 % méně přidaného cukru v konkrétních aplikacích.

Tohle je mimochodem typ řešení, které dobře sedí evropskému trhu: menší „chemický šok“ pro spotřebitele, menší riziko chuťové odlišnosti, jednodušší komunikace na obalu.

Kde do toho vstupuje AI: od laboratoře po regál

Největší přínos AI je rychlost a přesnost rozhodování v místech, kde lidská intuice nestačí. Ne „magie“. Metodika.

1) AI pro vývoj sladidel a rychlé testování receptur

Odpověď zní: AI zkrátí počet slepých pokusů.

Vývoj receptury je kombinatorická noční můra. Sladidlo, kyseliny, aroma, stabilizátory, tepelný proces, skladování, obal… a navíc různé cílové skupiny (děti, sport, senioři). AI tady umí:

• navrhovat kandidátní kombinace ingrediencí podle historických dat,
• predikovat senzorické skóre (sladkost, hořkost, pachuť) z chemického profilu,
• optimalizovat receptury podle cíle: minimální cukr + maximální akceptace.

V praxi to znamená méně iterací v pilotní výrobě a rychlejší uvedení produktu.

2) AI a zdravotní rizika: lepší „early warning“ systém

Odpověď: AI umí najít signály dřív, než se stanou problémem.

Když se začnou objevovat studie o možných rizicích určité látky, bývá pozdě. AI může pomoci průběžně skládat mozaiku:

• analýza vědecké literatury a trendů (co se kde opakuje),
• modelování dopadů v různých populacích (např. lidé s inzulinovou rezistencí),
• hledání korelací v reálných datech (pokud je má výrobce nebo partner zdravotních služeb k dispozici).

Nejde o to nahradit klinické studie. Jde o to rozhodovat chytře, do čeho investovat a čemu se vyhnout.

3) AI v zemědělství: sladší suroviny a stabilní kvalita

Odpověď: AI zlepšuje vstupní surovinu – a tím i finální sladkost.

V kontextu našeho seriálu je důležité říct nahlas: sladkost nezačíná v továrně, ale na poli.

• U cukrové řepy a cukrové třtiny jde o výnos sacharózy a stabilitu kvality.
• U přírodních sladidel a aromatických složek (např. stevia, ovoce, vanilka) jde o variabilitu sklizně.

AI v precizním zemědělství pomáhá:

• předpovídat výnos a obsah cukru podle počasí a půdy,
• optimalizovat hnojení a závlahu tak, aby se zlepšila kvalita, ne jen objem,
• třídit suroviny podle parametrů pro konkrétní výrobní šarže.

Praktický dopad? Méně výkyvů v chuti a menší potřeba „dohánět“ sladkost aditivy.

Jak poznat, že „méně cukru“ bude fungovat i komerčně

Odpověď: sledujte tři metriky – chuť, toleranci, a náklady na stabilitu.

Z mé zkušenosti (a vidím to pořád dokola) většina týmů podcení jeden z těchto bodů:

Chuť: nesoustřeďte se jen na sladkost

Sladkost je jen jedna osa. Když snížíte cukr, často spadne i „tělo“ produktu. Pomáhá mít jasné senzorické cíle:

• náběh sladkosti (rychlý vs. pozvolný),
• doznívání (krátké vs. dlouhé),
• pachuť (hořká, kovová, lékořicová),
• textura (plnost, viskozita, „mouthfeel“).

AI může doplnit práci panelů tím, že propojí senzorická data s recepturou a procesem.

Tolerance a důvěra: hlídejte sekundární ingredience

Trh se naučil číst etikety. A někdy právem. Pokud je „přírodní“ sladidlo ve skutečnosti směs a nosiče dělají neplechu, problém je na světě.

U inovací typu sladkých proteinů je zase klíčová transparentnost: odkud to je, jak se to vyrábí, proč je to bezpečné.

Náklady na stabilitu: teplo, pH, skladování

Mnoho alternativ sladí krásně v laboratorním vzorku, ale v reálné výrobě prohraje na:

• stabilitě při pasteraci,
• chování v kyselých nápojích,
• degradaci při dlouhém skladování.

Tady AI pomůže predikovat rizika a navrhnout procesní okna (čas/teplota) bez nekonečného zkoušení.

Praktický checklist pro výrobce: kde začít v roce 2026

Odpověď: začněte daty, ne „zázračnou ingrediencí“.

Pokud vyvíjíte produkt se sníženým cukrem (nápoje, mléčné výrobky, cukrovinky, proteinové tyčinky), tenhle postup funguje:

1. Definujte cílovou redukci (např. -30 % přidaného cukru) a hranici chuťové odchylky.
2. Zmapujte současnou recepturu: kde cukr plní technologickou funkci (barva, konzervace, textura).
3. Vyberte 2–3 směry:
   • sladký protein (fermentace),
   • „zesílení“ cukru pomocí nosiče,
   • kombinace s aromaty (např. vanilka/ovoce pro vjem sladkosti).
4. Postavte malý datový set: senzorika + fyzikálně-chemické parametry + procesní podmínky.
5. Použijte AI/ML model pro návrh dalších iterací a vyřazení slepých cest.
6. Ověřte stabilitu: teplotní zátěž, pH, skladování (zrychlené testy).
7. Zaveďte monitorování po uvedení: reklamace, hodnocení, vratky, social listening.

Takhle se dá snížit riziko, že „zdravější“ produkt skončí jako jednorázový experiment.

Co si z toho odnést (a kam to míří)

Trh se sladidly roste a bude růst dál: globální tržní odhady počítají s posunem z 18 miliard USD (2022) na víc než 28,5 miliardy USD do roku 2032. Není to móda, je to strukturální změna poptávky.

Nejzajímavější posun ale není v tom, že přibude další prášek do směsi. Posun je v tom, že AI propojí vývoj receptur, zemědělskou kvalitu surovin a sledování zdravotních trendů do jednoho systému rozhodování. Kdo tohle zvládne, bude rychlejší, přesnější a v praxi i levnější.

Pokud řešíte snižování cukru ve výrobě nebo vývoji produktů, dává smysl začít otázkou: Kde v našem procesu už dnes vznikají data, která by šla použít pro lepší volbu sladidel? A druhá, trochu nepříjemná: Které naše „fit“ produkty by neobstály, kdyby zákazník dělal slepý chuťový test?