AI „teleportace“ chutí: jak se jídlo mění na data

Když se řekne „teleportace jídla“, většina lidí si vybaví sci‑fi replikátory. Realita je méně filmová a mnohem praktičtější: nejde o přenášení hotového řízku z kuchyně v Brně do Ostravy, ale o přenos receptury na úrovni molekul a procesů – tak, aby se dala znovu vyrobit kdekoliv.

A právě tady se v posledních 12–18 měsících děje zrychlení, které stojí za pozornost i v našem seriálu Umělá inteligence v zemědělství a potravinářství. Ne kvůli efektním demo videím, ale protože digitální replikace vůní a chutí má přímé dopady na efektivitu výroby, stabilitu kvality, odolnost dodavatelských řetězců a potenciálně i na plýtvání.

Na konci roku 2025, kdy potravinářství řeší tlak na ceny energií, dostupnost surovin, ESG reporting a kolísání kvality komodit, začíná dávat smysl uvažovat o jídle jako o něčem, co má svou „datovou stopu“ – a tu umíme přes AI převést do praxe.

Co se dnes myslí „teleportací jídla“ (a proč je to důležité)

„Teleportace“ v potravinách znamená digitalizovat vlastnosti (vůni, chuť, texturu, složení) a poslat je jako instrukci pro znovuvytvoření. V praxi to připomíná model: změř → převeď na data → ulož do cloudu → znovu namíchej / vytiskni / vyrob.

Důležité je, že tento přístup není jen o futuristických 3D tiskárnách na jídlo. Ve skutečnosti má nejrychlejší nástup ve dvou „méně viditelných“ oblastech:

• Aromata a vůně (protože se dobře popisují chemicky a dají se replikovat mícháním)
• Příchutě a formulace (protože potravinářství už desítky let pracuje s ingredienčními „stavebnicemi“)

Tohle je zásadní pro výrobce: pokud umíte digitálně popsat senzorický profil produktu, můžete rychleji škálovat výrobu do více závodů, zkrátit vývoj novinek a snížit riziko, že „to bude chutnat jinak“.

Proč do toho najednou vstupuje AI

Ještě nedávno byla největší brzda jednoduchá: měli jsme data, ale neměli jsme dobrý překladač mezi daty a lidským vjemem (co člověk vnímá jako „letní jahodu“, je směs stovek signálů).

AI – zejména modely schopné učit se na rozsáhlých senzorických a chemických databázích – dnes fungují jako:

1. prediktor vjemu (co bude tato molekulární kombinace „dělat“ v nose a na patře)
2. generátor receptury (najdi kombinaci molekul/ingrediencí, která se trefí do cíle)
3. optimalizátor nákladů a dostupnosti (nahraď drahou nebo nedostupnou složku funkční alternativou)

Od „digitálního nosu“ k mapě vůní: co ukazují příklady Osmo a NotCo

Nejrychlejší důkaz, že se to hýbe, přichází ze světa vůní. Firmy typu Osmo ukazují postup, který je pro potravinářství překvapivě přenositelný.

Osmo: GCMS + „mapa vůní“ + robotické míchání

Princip je přímočarý: vzorek (tekutina nebo například ovoce) se analyzuje přístrojem typu plynová chromatografie s hmotnostní spektrometrií (GCMS). Výstupem je „otisk“ v podobě dat o molekulách. Ten se nahraje do systému, kde AI vytvoří souřadnici na mapě vůní a následně pošle recepturu do zařízení, které vůni znovu namíchá.

Pro potravináře je na tom nejcennější myšlenka: měření + model + automatizovaná formulace jako uzavřená smyčka. Ne jen laboratorní analýza, ale proces, který jde časem industrializovat.

NotCo: generativní model „z textu do chemie“

NotCo ukazuje druhý směr: záměr popsaný slovy se překládá do návrhu chemického složení (vůně i chuť). Pro vývoj produktu je to přitažlivé, protože:

• zadání od marketingu často začíná slovy („svěží, citrusové, letní“)
• AI dokáže rychle vygenerovat několik kandidátů formulací
• člověk (flavorista, technolog) dělá finální posouzení bezpečnosti, ceny, dostupnosti a legislativy

Moje zkušenost z projektů v potravinářství: když se vývoj nového produktu zkrátí i „jen“ o 20–30 %, nejde o kosmetiku. U sezonních produktů a privátních značek rozhoduje rychlost často víc než genialita nápadu.

Co to znamená pro zemědělství a potravinářství: méně odpadu, stabilnější kvalita

Největší přínos digitální replikace je v tom, že oddělí „senzační profil“ od konkrétní šarže suroviny. To zní abstraktně, ale má to tvrdé dopady do provozu.

1) Stabilita chuti navzdory výkyvům surovin

Rok 2025 znovu připomněl, že chuť komodit kolísá podle ročníku, skladování i logistiky. Pokud máte AI systém, který:

• změří vstupní surovinu (aroma profil)
• porovná ji s cílovým profilem produktu
• navrhne korekci formulace (např. směsi aromat, kyselin, sladidel)

…můžete držet konzistenci bez nekonečných senzorických koleček.

Jedna věta, kterou si stojí za to zapamatovat: AI v potravinářství není jen „vymýšlení nových receptů“, ale hlavně řízení variability.

2) Kratší dodavatelský řetězec u „zážitku“

U některých produktů tvoří velkou část hodnoty vůně a chuť (nápoje, cukrovinky, ochucené mléčné výrobky, plant-based). Pokud se „zážitek“ dá přenést jako digitální formulace a znovu namíchat lokálně, dostáváte:

• menší závislost na dovozu hotových aromatických polotovarů
• možnost regionální výroby s menší uhlíkovou stopou v logistice
• rychlejší reakci na lokální preference

Neříkám, že se tím nahradí pěstování. Říkám, že se změní to, co se vozí: méně vody a objemu, více koncentrátů a dat.

3) Méně zkušebních várek, méně odpadu ve vývoji

Vývoj potravin často znamená spoustu slepých uliček: uděláte zkušební várku, otestujete, vyhodíte, upravíte. AI, která umí predikovat senzoriku a navrhnout formulace, typicky:

• sníží počet iterací
• zrychlí výběr „top 3“ kandidátů
• ušetří suroviny i čas pilotní linky

Tohle je jeden z nejpřímějších způsobů, jak snížit plýtvání bez velkých investic do fyzické infrastruktury.

Co musí fungovat, aby to nebyl jen hezký demo projekt

Digitální replikace jídla stojí a padá na třech věcech: data, standardy a provozní disciplína. Bez toho budete mít pár „wow“ ukázek, ale žádný stabilní proces.

Data: bez kvalitní senzoriky a chemie se AI nenaučí nic užitečného

Nejde jen o to mít GCMS. Potřebujete i:

• senzorické panely (lidé) pro „pravdu“ o vjemu
• konzistentní protokoly měření
• správu dat napříč závody a šaržemi

V praxi se vyplácí začít u 1–2 produktových řad, kde se nejvíc řeší reklamace na chuť nebo kde jsou největší výkyvy vstupů.

Standardy: „internet jídla“ je nuda, ale je to základ

Bez společného slovníku (ontologií) neporovnáte data mezi:

• výrobci surovin
• laboratořemi
• vývojem a výrobou

Dobrá zpráva: nemusíte čekat na globální standard. Stačí interní standardizace (názvosloví atributů, šablony receptur, jednotné limity).

Provoz: kdo je za to zodpovědný a jak se to schvaluje

AI může navrhnout formulaci, ale někdo musí nést odpovědnost za:

• bezpečnost (alergeny, limity, legislativa)
• náklady (cena směsi, dostupnost)
• kvalitu (tolerance, senzorické potvrzení)

Funguje model „AI navrhne, technolog schválí“ s jasnými pravidly, kdy se musí zapojit R&D, QA a nákup.

Praktický start: 30denní plán pro výrobce potravin

Nejrychlejší cesta není stavět replikátor. Nejrychlejší cesta je digitalizovat jeden problém, který dnes bolí. Tohle je postup, který se dá rozběhnout i bez dramatických investic:

1. Vyberte produkt s vysokou variabilitou (např. ovocná složka, aroma, koření) a definujte 3–5 senzorických atributů, které jsou kritické.
2. Zaveďte pravidelné měření (laboratorní + senzorické) u 10–20 šarží. Cílem je dataset, ne dokonalost.
3. Postavte „profil cíle“: jak má produkt chutnat/vonět v ideálu, včetně tolerancí.
4. Nechte AI navrhovat korekce (nejdřív offline, bez zásahu do výroby). Vyhodnoťte, kolikrát se trefila.
5. Zaveďte schvalovací workflow a teprve potom začněte s řízenými testy na pilotní lince.

Za 30 dní nebudete mít teleportaci jídla. Ale budete mít něco cennějšího: systém, který snižuje chaos ve výrobě.

„Budoucnost potravin nebude o tom, že nahradíme farmy. Bude o tom, že budeme přesněji řídit to, co z farmy přichází, a co z továrny odchází.“

Kam to jde v příštích 3–5 letech (a co sledovat v roce 2026)

Rok 2026 bude o integraci, ne o dalších efektních ukázkách. Uvidíme tlak na to, aby se tyto technologie propojily s tím, co už firmy mají:

• LIMS a laboratorní systémy
• MES/ERP ve výrobě
• nákupní data a predikce dostupnosti
• systémy pro řízení kvality

A ještě něco: poroste význam „digitálních receptur“ jako duševního vlastnictví. Kdo bude mít nejlepší datové modely chutí a vůní, bude rychlejší v inovaci i v lokalizaci produktů.

Pokud řešíte AI v zemědělství a potravinářství, digitální replikace chutí je logické pokračování precizního zemědělství: nejdřív optimalizujete pole, pak optimalizujete továrnu a nakonec optimalizujete vjem zákazníka.

Nejzajímavější otázka pro rok 2026 zní: které firmy dokážou spojit chemii, data a provoz tak, aby se z „teleportace“ stal nudný, ale spolehlivý proces?

---

Chcete to posunout do praxe? Pokud mi napíšete, jaký typ výroby řešíte (nápoje, mléčné, cukrovinky, plant-based, hotová jídla), navrhnu 3 nejvhodnější místa, kde AI nejrychleji sníží variabilitu a odpad.