AI tržiště pro proteiny: rychlejší vývoj potravin

Před pár lety platilo, že když potravinářská firma chtěla nový rostlinný protein (lepší chuť, vyšší rozpustnost, stabilita při ohřevu), šla „starou cestou“: dlouhé vyhledávání dodavatelů, složité vzorkování, týdny až měsíce čekání na data a smlouvy. Dnes se tenhle proces začíná chovat spíš jako vyhledávání v katalogu – s tím rozdílem, že katalog je postavený na umělé inteligenci.

Přesně tím směrem míří Shiru, která oznámila tržiště ProteinDiscovery.ai: místo, kde lze vyhledat, objevit, otestovat (pilot) a nakoupit proteinové molekuly využitelné v potravinářství i zemědělství. V kontextu naší série Umělá inteligence v zemědělství a potravinářství je to pěkný příklad toho, jak AI přestává být jen „analytika na pozadí“ a stává se infrastrukturou pro inovace.

Tenhle článek není jen o jedné platformě. Je hlavně o tom, co znamená „Amazon pro proteiny“ pro vývoj produktů, dodavatelské řetězce a tlak na udržitelnou produkci potravin – a co si z toho můžou odnést české potravinářské firmy, výrobci ingrediencí i agropodniky.

Co znamená „AI marketplace pro proteiny“ v praxi

AI tržiště pro proteiny znamená jediné: zkrátit cestu od nápadu k prototypu. Ne tím, že někdo „kouzelně vymyslí“ nový protein, ale tím, že se dramaticky zrychlí čtyři nejpomalejší části procesu: vyhledání vhodné molekuly, porovnání alternativ, dostupnost vzorků a rozhodnutí, co má smysl pilotovat.

Když Shiru mluví o platformě, která umožní „search, discover, pilot, buy“, je to v podstatě digitalizace a standardizace workflow, které dřív probíhalo e-maily, NDA a tabulkami. U tržiště je zásadní efekt sítě: čím víc ingrediencí, dat a uživatelů, tím větší pravděpodobnost, že někdo najde řešení, které by jinak minul.

Proč na tom záleží potravinářství

Potravinářský vývoj je dnes pod tlakem ze tří stran:

• Cena (energie, suroviny, logistika)
• Regulace a označování (alergeny, „clean label“, limity aditiv)
• Chuť a textura (spotřebitel neodpouští kompromisy)

Rostlinné proteiny často narážejí na typické bariéry: „pískovost“ v nápojích, hořkost, špatná rozpustnost, nestabilita při pasteraci, slabá emulgační schopnost v omáčkách. AI marketplace dává šanci vyhledávat molekuly podle funkce – ne podle toho, jakého obchodníka zrovna znáte.

Proč na tom záleží zemědělství

V zemědělství se na proteiny nedíváme jen jako na „ingredienci do finální potraviny“. Jsou to také:

• vstupy pro krmiva a jejich optimalizaci,
• potenciál pro vyšší zhodnocení plodin,
• motivace k pěstování nových odrůd či alternativních plodin,
• příležitost pro regionální zpracování.

Pokud se proteinové aplikace zrychlí a zpřístupní, může to zpětně měnit i rozhodování o tom, co a pro koho se vyplatí pěstovat.

Jak AI urychluje objevování a výběr rostlinných proteinů

Největší přínos AI v objevování proteinů je, že umí prohledávat obrovský prostor možností, který je pro člověka i klasické laboratorní postupy prakticky neuchopitelný. U proteinů nejde jen o „která rostlina“, ale o konkrétní frakce, struktury, funkční vlastnosti a chování v reálné receptuře.

Užitečné je představit si to jako dva kroky:

1. In silico výběr kandidátů – AI vytipuje molekuly s vyšší pravděpodobností, že budou mít požadovanou funkci (např. pěnivost pro dezerty, emulgaci pro majonézy, gelaci pro alternativy masa).
2. Rychlé pilotní ověření – menší počet kandidátů jde do laboratorních testů a do prototypů.

Tím se zmenší počet „slepých uliček“. V reálu to znamená méně iterací receptur, méně vyřazených šarží a rychlejší rozhodnutí, jestli má smysl ingredienci škálovat.

Co přesně se dá „vyhledávat“

Dobré proteinové vyhledávání by nemělo být jen podle názvu suroviny, ale podle požadavků na vlastnosti a použití. V praxi to bývá například:

• rozpustnost při určitém pH,
• stabilita při ohřevu nebo zmražení,
• emulgační schopnost (olej/voda),
• pěnivost a stabilita pěny,
• vaznost vody (šťavnatost v alternativách masa),
• senzorický profil (hořkost, „beany“ tóny),
• kompatibilita s „clean label“ formulací.

Pokud tržiště skutečně nabídne takový způsob práce, je to pro vývojáře velký rozdíl: nehledají „hrách“, hledají „protein pro nápoj, který se nesráží po pasteraci“.

„Amazon pro proteiny“: co se změní v dodavatelském řetězci

Marketplace logika se v potravinářství objevuje pomalu, protože ingredience nejsou knihy. Jsou tu certifikace, specifikace, alergeny, původ, a hlavně variabilita šarží. Přesto má model tržiště několik praktických dopadů.

Zkrácení času od poptávky k prototypu

Nejčastější důvod, proč inovace umírá, není špatný nápad. Je to čas: když pilot trvá příliš dlouho, ztratí se okno na trhu nebo se rozpadne interní priorita.

Tržiště, které spojuje vyhledání, vzorky a nákup v jednom toku, může zkrátit první fázi (screening) z týdnů na dny. A i když pak následuje klasické testování, rozhodnutí „pokračovat/stop“ padne dřív.

Transparentnější porovnání alternativ

V praxi firmy často porovnávají 2–3 dodavatele, protože víc se „nedá stihnout“. Marketplace přístup může rozšířit srovnání na desítky možností. To zvyšuje šanci najít:

• levnější variantu se stejnou funkcí,
• variantu s lepší stabilitou,
• variantu s vhodnější regulací či alergenním profilem.

Standardizace dat (a méně chaosu v specifikacích)

Pokud platforma nutí ingredience popsat konzistentně (specifikace, aplikace, testy), snižuje se typická bolest: každý dodavatel má data jinak, někdy neúplná, někdy marketingová.

Jedna věta, která se v R&D opakuje: „Máme sice datasheet, ale nevíme, jak se to chová v naší receptuře.“ AI marketplace má smysl jen tehdy, když tuhle mezeru pomáhá zmenšovat.

Kde to může narazit: realita regulace, kvality a škálování

Nadšení je fajn, ale potravinářství je přísné. Pokud se má „AI marketplace pro proteiny“ stát běžným nástrojem, musí obstát v několika tvrdých bodech.

1) Regulace a schvalování (zejména u „novel“ proteinů)

Ne každý nově objevený protein je automaticky použitelný. V Evropě může být zásadní téma novel food režimu a bezpečnostní posouzení. Z pohledu firmy to znamená, že „technicky skvělý“ protein může mít dlouhou cestu k uvedení do výrobku.

Praktická rada: při výběru kandidátů si hned v první fázi udělejte semafor:

• Zelená: běžně používané zdroje, jasný status
• Oranžová: nejasnosti v dokumentaci / specifických aplikacích
• Červená: vysoká pravděpodobnost dlouhého schvalování

2) Variabilita suroviny a konzistence šarží

Rostlinné proteiny jsou citlivé na původ a zpracování. Stejný „protein“ může mít jiné chování podle odrůdy, sklizně, extrakce a sušení. Marketplace musí pracovat s tím, že datasheet není konec příběhu.

Co funguje v praxi: nastavit si pro piloty jednoduché „minimální metriky“ (např. viskozita, rozpustnost, senzorika) a vyžadovat je při každé dodávce vzorku.

3) Škálování z laboratorního pilota do výroby

Nejčastější past: protein v labu funguje, ale ve výrobě se začne chovat jinak (smyk, teplotní profil, doba míchání, CIP). Pokud marketplace nabídne i pilotní podporu a aplikační know-how, je to obrovské plus. Pokud ne, firma musí mít vlastní kompetenci nebo partnera.

Jak z toho vytěžit hodnotu v Česku: 5 praktických kroků

Pro české potravinářské firmy a výrobce ingrediencí je hlavní pointa jednoduchá: AI v potravinářství není jen o predikci poptávky nebo kamerách ve výrobě. Je i o tom, jak rychle umíte testovat nové suroviny.

1) Sepište si „proteinový brief“ jako zadání pro vyhledávání

Ne „chceme rostlinný protein“, ale:

• aplikace (nápoj, pekařina, alternativa masa, omáčka),
• proces (pasterace 85 °C/30 s, UHT, mražení),
• cílové parametry (rozpustnost, emulze, gelace),
• omezení (alergeny, čistá etiketa, cena).

2) Zaveďte rychlý pilotní protokol (do 10 pracovních dnů)

Doporučuju mít předpřipravené mini-testy:

• základní funkční test (pH, teplota, viskozita),
• senzorika na jednoduché matrici,
• stabilita 7 dní (lednice) + 1 cyklus mráz/rozmraz.

Rychlost rozhodování je konkurenční výhoda. Tečka.

3) Počítejte s tím, že „nejlepší protein“ je často směs

V praxi se často vyhrává kombinací: jeden protein dělá texturu, druhý stabilitu, třetí chuť. AI vyhledávání a marketplace porovnání může urychlit i návrh blendů.

4) Zapojte nákup a kvalitu hned od začátku

R&D bez nákupu končí slepě. Nákup bez R&D končí kompromisy. U proteinů to platí dvojnásob: dostupnost, MOQ, stabilita ceny, certifikace.

5) Uvažujte i „agro zpět“: jaké plodiny to může podpořit

Pokud se otevřou nové aplikace pro rostlinné proteiny, může to být signál pro pěstitele a zpracovatele. U nás dává smysl přemýšlet o:

• hráchu, bobu, lupině,
• vedlejších produktech z obilovin,
• regionálním zpracování pro vyšší marži.

AI v zemědělství a potravinářství se tu propojuje: od pole přes zpracování až po recepturu.

Co bude dál: proteinová inovace se bude podobat softwaru

Platformy typu ProteinDiscovery.ai naznačují trend: inovace ingrediencí se bude víc podobat práci se softwarem. Rychlé vyhledání, rychlý prototyp, rychlé iterace. Kdo si nastaví procesy tak, aby tohle tempo zvládl, bude uvádět nové produkty častěji a s menším rizikem.

Zároveň to nebude „samojízda“. Regulace, kvalita šarží a škálování ve výrobě zůstanou tvrdé disciplíny. AI marketplace ale může zkrátit tu nejméně produktivní část: hledání a první selekci.

Pokud řešíte, jak AI prakticky využít ve vývoji potravin nebo při rozhodování o surovinách, začněte jednoduše: napište si proteinový brief, nastavte 10denní pilotní protokol a porovnávejte víc než dva dodavatele. A pak si položte otázku, která bude v roce 2026 slyšet čím dál častěji: Je vaše R&D organizace nastavená na rychlost, kterou AI infrastruktura umožňuje?