AI a udržitelné proteiny: co ukazuje XPRIZE soutěž

Představte si, že máte na talíři filet z „ryby“, který se chová na pánvi stejně jako losos, má podobnou strukturu vláken, vůni i nutriční profil — a přitom vznikl bez rybolovu a bez chovu zvířat. Zní to jako marketing? XPRIZE to bere jako měřitelný úkol: ve své soutěži Feed the Next Billion pracuje s velmi konkrétním cílem „udělat alternativu, která se dá krájet, vařit a jíst jako klasika“.

Tohle téma dnes (22.12.2025) sedí do reality zemědělství a potravinářství víc než kdy dřív. Evropská debata o odolnosti potravinového systému, tlak na uhlíkovou stopu, volatilita cen vstupů a zároveň růst poptávky po bílkovinách nutí celý obor hledat praktická řešení. A já si stojím za jedním: bez dat a AI se škálování udržitelných proteinů neobejde.

XPRIZE totiž není jen o „alternativním mase“. Je to test, kdo zvládne propojit biotechnologie, výrobu, senzoriku a logistiku do produktu, který dává smysl ekonomicky i chuťově. A to je přesně prostor, kde se umělá inteligence v potravinářství potkává s reálnými penězi.

Co XPRIZE testuje doopravdy (a proč na tom záleží)

XPRIZE soutěž nestaví na nápadu, ale na konzistentním výsledku. Nestačí udělat jednu povedenou porci. Finalisté musí dodat více konzistentních „řezů“ (strukturovaných kusů) alternativy kuřecích prsou nebo rybího filetu, které napodobí:

• vzhled a strukturu vláken
• chuť a aroma
• „mouthfeel“ (pocit v ústech)
• chování při tepelné úpravě
• nutriční vlastnosti

Tohle je zásadní rozdíl oproti typickým rostlinným „burgerům“: filet je technologicky těžší. Je to materiálová věda, řízení procesu a kontrola kvality v jednom.

A právě proto je soutěž důležitá i pro náš seriál Umělá inteligence v zemědělství a potravinářství: ukazuje, jak se inovace posouvá od prototypů k průmyslu. V praxi to znamená, že vítězem nebude ten, kdo má nejhezčí prezentaci, ale ten, kdo zvládne škálovat.

Finalisté: směs přístupů, ne jedna „správná“ cesta

XPRIZE vybral šest finalistů, a je zajímavé, jak pestré jsou jejich platformy:

• CellX (Čína) – buněčně kultivované kuře
• Eternal (Argentina) – kuře z fermentace
• The PlantEat (Jižní Korea) – rostlinné kuře
• ProFillet (Kanada) – rostlinná ryba
• Revo Foods (Rakousko) – rostlinná ryba
• TFTAK (Estonsko) – rostlinná ryba

Půl na půl kuře/ryba. A hlavně: fermentace, rostlinné platformy i buněčné zemědělství vedle sebe. To je pro investory i výrobce signál, že trh stále hledá nejefektivnější kombinaci ceny, chuti a výroby.

Proč v tom hraje AI tak velkou roli

AI v alternativních proteinech není „doplněk“. Je to nástroj na zrychlení cyklu pokus–chyba. Jakmile se snažíte napodobit filet, řešíte stovky proměnných: suroviny, strukturu, vodní aktivitu, texturu po tepelné úpravě, stabilitu v čase, senzoriku, výtěžnost i náklady.

Tady jsou tři oblasti, kde AI typicky přináší největší rozdíl:

1) Formulace receptur a struktury (rychlejší R&D)

Vývoj filetu je jako hledání správného „receptu“ v prostoru s tisíci kombinacemi. AI modely (typicky kombinace Bayesian optimization, genetických algoritmů a modelů pro predikci vlastností materiálů) umí:

• navrhovat směsi proteinů, tuků a pojiv s cílem dosáhnout konkrétní textury
• predikovat, jak se produkt bude chovat při pečení/smažení
• minimalizovat počet laboratorních iterací

Praktický dopad: místo 200 iterací uděláte 40–60, ale každá je „chytřejší“. V potravinářském vývoji to znamená měsíce času a miliony korun.

2) Fermentace a bioprocesy (řízení variability)

U fermentace (a částečně i u buněčných kultur) je problém jednoduchý: biologie je proměnlivá. Drobné odchylky v teplotě, pH, okysličení nebo krmení kultury mohou změnit výtěžnost i chuť.

AI se zde používá pro:

• prediktivní řízení procesu (soft sensors z dat)
• detekci odchylek a anomálií v reálném čase
• optimalizaci krmných strategií (feed) pro vyšší výtěžnost

V praxi to vede k tomu, že produkt není „skvělý jednou za týden“, ale každou šarži.

3) Senzorika, chuť a aroma (data místo dojmů)

Největší bariéra alternativních proteinů není technologie, ale opakovaná zkušenost spotřebitele. Lidé odpustí odlišný příběh. Neodpustí, když to podruhé chutná jinak.

AI pomáhá propojit:

• instrumentální měření (textura, barva, těkavé látky)
• senzorické panely (lidské hodnocení)
• spotřebitelská data (co se vrací do košíku)

Cíl je jasný: predikovat, co bude chutnat, ještě před masovým testem.

Jedna věta, kterou bych si vytesal do zdi: „Alternativní protein vyhraje tehdy, když je konzistentní a levný — a AI je nejrychlejší cesta k obojímu.“

Co je na výsledcích XPRIZE překvapivé (a co z toho číst)

Do finále se nedostaly některé velké značky oboru a mezi finalisty není žádná firma z USA. To je dobrá připomínka, že mediální viditelnost není totéž co „nejlepší produkt“.

Dává to i další lekce:

Škálování poráží hype

Soutěž je navržená tak, aby odměnila schopnost dodat opakovatelný strukturovaný kus. Mnoho firem umí prototyp. Méně firem umí proces.

Pravidla investic a práva k investici mění motivaci týmů

V soutěži došlo v průběhu k úpravám pravidel (včetně práva „přednostního“ investování pro partnera), což vedlo k odchodu části týmů. Z pohledu trhu je to varování: podmínky financování jsou u potravinových inovací stejně důležité jako technologie.

Mimo USA se rodí tvrdá industrializace

Asie, Evropa, Kanada, Latinská Amerika. To není náhoda. V mnoha regionech dnes vidíme:

• silné napojení na průmyslové partnery
• tlak na exportní konkurenceschopnost
• rychlejší přechod od laboratorních výsledků k výrobním linkám

Pro české firmy je to signál: pokud čekáme, „až se to vyjasní“, zůstaneme jen odběratelé.

Jak se to týká českého zemědělství a potravinářství

Alternativní proteiny nejsou jen o startupech. Jsou o tom, jak bude vypadat výroba potravin v Evropě. A tady má Česko několik konkrétních příležitostí.

1) Vedlejší proudy a suroviny: z odpadu vstup

České agro a potravinářství má silnou stopu v obilovinách, cukru, škrobu, pivovarnictví i zpracování olejnin. To generuje vedlejší proudy, které lze využít pro:

• fermentační substráty
• izolaci proteinů
• produkci funkčních složek (vláknina, emulgátory)

AI zde pomáhá vyhodnocovat variabilitu surovin a navrhovat směsi tak, aby byly stabilní a levné.

2) Kontrola kvality a prediktivní údržba ve výrobě

Pokud vyrábíte strukturované produkty (extruze, 3D strukturování, míchání, tepelné procesy), AI je velmi praktická:

• kamerová kontrola textury a barevnosti
• predikce odchylek šarže podle procesních dat
• prediktivní údržba zařízení (méně odstávek)

Tohle jsou projekty, které dávají návratnost i bez toho, aby firma „měnila portfolio“. Začít jde postupně.

3) Traceability a ESG: data jako konkurenční výhoda

V roce 2026–2027 bude tlak na dohledatelnost a reporting ještě silnější. Alternativní proteiny se budou posuzovat podle reálných dopadů, ne podle pocitu.

AI pomáhá skládat:

• data o spotřebě energie a vody
• výtěžnost a ztráty ve výrobě
• logistiku a skladování

A z toho vytvářet auditovatelné přehledy pro zákazníky a retail.

Praktický checklist: jak poznat, že projekt „AI v proteinech“ dává smysl

Pokud jste výrobce, startup nebo investor v agrifood, tenhle rychlý seznam ušetří čas. AI projekt v udržitelných proteinech má smysl, když platí alespoň 3 z 5 bodů:

1. Máte proces s vysokou variabilitou (fermentace, extruze, míchání, sušení).
2. Sbíráte data (byť neperfektně) z výroby, laboratoře nebo kvality.
3. Jedna šarže „utekla“ a stálo to výrazné peníze.
4. R&D cyklus je dlouhý a drahý (hodně iterací receptur).
5. Zákazník tlačí na konzistenci a specifikaci (retail, foodservice, export).

Pokud platí 0–2 body, většinou je lepší začít digitalizací měření a teprve potom stavět modely.

Kam to celé míří v roce 2026 (a proč teď řešit leady)

XPRIZE ukazuje, že závod o udržitelné bílkoviny je už ve fázi industrializace. V roce 2026 bude vítězit ten, kdo propojí bioprocesy, výrobu a data do jedné funkční „továrny na konzistenci“.

Pro firmy v Česku je dobrý čas jednat právě teď: rozpočty na digitalizaci se plánují na začátku roku, a zároveň je v zimě tradičně prostor na piloty ve výrobě a laboratorní automatizaci.

Pokud se pohybujete v zemědělství nebo potravinářství a zvažujete, kde AI přinese nejrychlejší efekt (kvalita, výtěžnost, energie, vývoj receptur), rád bych to řekl naplno: nejhorší strategie je čekat, až to vyřeší konkurence.

Jaký „proteinový problém“ byste ve své firmě chtěli vyřešit jako první — konzistenci, cenu, nebo chuť?