AI standardizace receptů: co ukazuje Sony Roku Shoku

V potravinářství se pořád dokola řeší stejný problém: jak udržet stejnou chuť, strukturu a kvalitu, když vaří různí lidé, v různých směnách, v jiných pobočkách – a často i v jiných zemích. V zemědělství tomu říkáme konzistence výnosu, v kuchyni konzistence porce. Princip je stejný.

Sony v Japonsku ukázala systém Roku Shoku, který na to jde překvapivě „průmyslově“: nejen recept jako text, ale recept jako datový záznam celého procesu. Teploty, pára, vážení surovin, časování, pohyby rukou. A pak navádění kuchaře tak, aby to zvládl zopakovat. Z pohledu série Umělá inteligence v zemědělství a potravinářství je to krásný příklad, jak AI a „connected“ technologie propojují cestu od pole až na talíř.

Co si z toho může vzít české potravinářství, gastro i výrobci ingrediencí? Hodně. A někdy překvapivě prakticky.

Roku Shoku v jedné větě: recept jako datová stopa

Roku Shoku je kuchařské nahrávací studio, které zachytí postup přípravy jídla ve formě měřitelných dat a pak je použije k tomu, aby jiný člověk dokázal uvařit stejné jídlo se šéfkuchařskou přesností.

Sony na projektu pracuje zhruba pět let a v Tokiu provozuje studio, kde nechává vařit michelinské kuchaře, ale klidně i „babičky“. To je důležitý detail: systém nemá jen kopírovat fine dining, ale zachytit know-how včetně drobných návyků a intuice, která se běžně do receptu nevejde.

Jaké typy dat se nahrávají

Právě tady se láme chleba. Klasický recept obvykle ztrácí „tajemství“ v detailech. Roku Shoku je naopak sbírá:

• teplota a její průběh v čase (ne jen „na střední plamen“)
• množství a timing páry (typické pro asijské i moderní evropské techniky)
• hmotnost surovin v reálném čase (vážení, úbytky, doplňování)
• video a trajektorie pohybu (např. míchání, obracení, nalévání)
• časování kroků (kdy přesně přidat tuk, koření, tekutinu)

Hardwarově jde o indukční varné desky se senzory, váhy, kamery a ovládání přes běžný herní ovladač. Ten „gamepad“ je ve skutečnosti signál: cílem je použitelnost, ne laboratorní složitost.

Proč to dává smysl právě teď (a proč to souvisí se zemědělstvím)

Potravinový řetězec v roce 2025 stojí na standardizaci a predikovatelnosti. Jenže realita je plná variability: suroviny se mění šarži od šarže, kvalifikovaných lidí je málo a tlak na stabilní kvalitu roste.

V precizním zemědělství už roky řešíme, že „stejné pole“ se nechová stejně – a proto se dávkuje hnojivo, voda nebo ochrana podle dat. Roku Shoku je analogie pro kuchyň a výrobu:

• Pole: stejné osivo ≠ stejné podmínky → řízení podle senzorů
• Kuchyň: stejný recept ≠ stejné provedení → řízení podle senzorů a navádění

A ještě jedna paralela: zemědělství sbírá data, aby se dalo opakovat to, co funguje. Roku Shoku sbírá data, aby se dalo opakovat to, co chutná.

Myth-busting: „Recepty už přece máme“

Ne, většina receptů je pro standardizaci slabá. Co chybí:

1. Procesní parametry (teplotní křivky, odpar, dynamika)
2. Kontrolní body kvality (jak má vypadat konzistence v čase, ne jen na konci)
3. Korekce podle variability suroviny (jiná mouka, jiný obsah vody v mase, jiná kyselost rajčat)

Právě třetí bod propojuje kuchyň se zemědělstvím nejvíc: surovina je živý materiál. A bez dat se konzistence dělá „od oka“.

Co to může změnit v potravinářství: 4 praktické scénáře

Největší hodnota Roku Shoku není v tom, že si doma uvaříte jako michelinský kuchař. Ta hodnota je v průmyslové a provozní stránce: přenos know-how, zajištění kvality a trénink.

1) Standardizace napříč pobočkami a franšízami

Řetězce a franšízy žijí z toho, že zákazník dostane „to svoje“ v Ostravě i v Plzni. Realita je ale často závislá na lidech.

Datově řízené vaření pomáhá:

• zkrátit zaškolení nováčků
• snížit rozptyl kvality mezi směnami
• snížit počet reklamací a „vratek“ porcí

V jazyce KPI: variabilita je skrytý náklad. A každé procento variability se promítá do odpadu, času i hodnocení.

2) Uchování know-how a „digitální archiv receptur“

Sony otevřeně mluví o scénáři, kdy restaurace potřebuje udržet recept, i když kuchař odejde, odejde do důchodu nebo zemře. Zní to tvrdě, ale v praxi je to běžné riziko.

V potravinářské výrobě je to podobné: když odejde technolog, odchází s ním i nepsané know-how. Digitální záznam procesu (ne jen papír v šanonu) je forma pojištění.

3) Snížení odpadu díky přesnějšímu provedení

V prosinci v Česku tradičně roste výroba i spotřeba „svátečních“ produktů (cukroví, pečivo, omáčky, polotovary). Sezónní nápor znamená víc brigádníků a větší riziko zmetků.

Pokud navádění sníží:

• přepékání / převaření
• špatné dávkování
• chyby v pořadí kroků

… výsledkem je méně odpadu a stabilnější kvalita. A to je dnes ekologické i ekonomické téma zároveň.

4) R&D: rychlejší přenos receptu z vývoje do provozu

Vývojový kuchař nebo technolog často vytvoří recept „v klidu“ a pak se to přenáší do ostrého provozu.

Záznam procesu může sloužit jako:

• tréninkový „digitální instruktor“ pro první týdny
• nástroj pro ladění parametrů (co přesně se změnilo, když se změnila textura)
• základ pro pozdější automatizaci (ne nutně roboty, klidně jen lepší SOP)

Lidský kuchař vs. robot: proč je Sony zatím „na straně lidí“

Sony odlišuje Roku Shoku od přístupů, které míří rovnou na robotickou replikaci. V jejich pojetí má systém primárně pomoct člověku – zvednout jeho konzistenci, snížit stres, zkrátit učení.

To je rozumné z několika důvodů:

• Provozní realita: většina kuchyní i výrobních úseků je postavená na lidech a bude ještě roky.
• Flexibilita: člověk zvládne improvizovat, když surovina „nesedí“. Robot obvykle potřebuje přesně definované vstupy.
• Přijetí týmem: kuchaři se snáz smíří s „koučem“, než s „náhradou“.

Já osobně tenhle směr beru jako pragmatický: nejdřív zlepšit procesy, až potom automatizovat.

Co z toho plyne pro AI v zemědělství a potravinářství (od pole až na talíř)

Roku Shoku ukazuje, že AI v potravinářství není jen o receptových aplikacích. Je o řízení variability. A to je přesně to, co řeší i precizní zemědělství.

Společný jmenovatel: měřit → řídit → opakovat

Ať jde o pole, sklad, výrobu nebo kuchyň, funguje stejné schéma:

1. Měřit (senzory, váhy, teplota, vlhkost, video)
2. Vyhodnotit (modely, pravidla, odchylky)
3. Navést akci (doporučení, automatizace, kontrolní body)
4. Opakovat a zlepšovat (učení z dat a z chyb)

Kdo má data, ten může dělat standardizaci bez toho, aby zabil chuť a kreativitu.

Kde to naráží: data, standardy a odpovědnost

V praxi se podobné systémy budou muset poprat s tímto:

• Standard dat a interoperabilita: aby šel záznam použít napříč vybavením.
• Ochrana know-how: recept jako datový soubor je citlivé duševní vlastnictví.
• Odpovědnost za výsledek: když navádění „doporučí“ krok, kdo nese riziko?

Tyhle otázky jsou stejné jako u agritech platforem: data mají cenu, ale vyžadují pravidla.

Jak začít bez laboratorního studia: checklist pro firmy

Ne každá firma postaví nahrávací kuchyň. Dá se začít menšími kroky, které přinesou podobný efekt.

Minimální „Roku Shoku mindset“ pro provoz

• Zaveďte vážení místo „hrnků a od oka“ (aspoň u klíčových surovin).
• Sledujte teplotu v čase, ne jen cílovou teplotu (u omáček, sirupů, smažení).
• Definujte kontrolní body kvality: barva, viskozita, ztráta hmotnosti, čas.
• U klíčových receptů nahrávejte krátké instruktážní video „jak to vypadá správně“.

Co měřit, když chcete rychlý dopad

Pokud máte vybrat jen 3 věci, které nejčastěji zlepší konzistenci:

1. teplota a čas (nejčastější zdroj rozdílů)
2. hmotnost / dávkování (nejčastější zdroj reklamací)
3. ztráty a odpar (nejčastější zdroj rozdílů v textuře)

Tohle jsou „low-tech“ kroky, ale připraví půdu pro AI řízení procesu.

Kam se to posune v roce 2026: personalizace a řízení suroviny

Další logický krok je spojit záznam vaření s informacemi o surovině. A tady se propojení se zemědělstvím stává úplně konkrétní.

• Rajčata ze dvou dodávek mají jinou sladkost a kyselost → systém upraví redukci nebo doslazení.
• Mouka má jiný obsah bílkovin → systém upraví hydrataci těsta.
• Maso má jinou výchozí teplotu a obsah vody → systém upraví dobu tepelné úpravy.

Tohle není sci-fi. Je to řízení procesu podle variability vstupu, což je v agronomii denní chleba.

„Konzistence není o tom, že všichni vaří stejně. Je o tom, že výsledek je stejný, i když se vstupy mění.“

Na konci roku 2025 je tenhle přístup relevantní i u nás: tlak na náklady, personál a kvalitu se nikam neztrácí. A kdo začne sbírat procesní data dnes, bude mít za rok náskok.

Pokud řešíte AI v zemědělství a potravinářství, berte Roku Shoku jako inspiraci: nejde o gadget. Jde o disciplínu. Kde by ve vašem „field-to-fork“ řetězci dávalo největší smysl začít měřit a standardizovat?