AI a čokoláda: jak udržet chuť i ceny v klimatické krizi

V roce 2024 vyskočily ceny kakaa na historická maxima – a kdo pravidelně nakupuje na Vánoce cukroví, polevy a čokoládové figurky, ten to už pocítil na účtence. Čokoláda není „jen“ sladkost. Je to komodita závislá na citlivém zemědělském řetězci, kde pár extrémních sezon dokáže rozházet kvalitu, dostupnost i cenu.

A teď přichází věta, kterou ještě před pár lety mnoho potravinářů odmítalo: bez umělé inteligence se bude čokoládový průmysl adaptovat pomalu – a draze. Partnerství mezi tradičním gigantem Barry Callebaut a AI firmou NotCo ukazuje, kam se posouvá potravinářský vývoj: od „zkušeného nosu“ technologa k datově řízenému R&D, které umí hledat nové receptury i strategie udržitelnosti.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ je tohle ideální případová studie: AI se tu používá nejen na marketing nebo predikce poptávky, ale přímo na formulace, funkčnost surovin, stabilitu výroby a uhlíkovou stopu. A to jsou témata, která se týkají i českých výrobců – od čokoládoven přes pekárny až po producenty cukrovinek.

Proč je čokoláda pod tlakem (a proč to není dočasné)

Hlavní problém je kombinace klimatu, nedostatku surovin a volatility cen. Kakao se pěstuje v omezených oblastech, které jsou citlivé na teplotu, srážky, choroby a degradaci půdy. Když se k tomu přidají geopolitické a logistické výkyvy, výsledkem je řetězec, který má málo „nárazníků“.

Z pohledu potravinářství to vytváří tři praktické bolesti:

• Nestabilní kvalita (chuť, aromatika, obsah tuku, vlhkost, kontaminace plísněmi)
• Kolísání ceny a dostupnosti (krátké kontrakty, tlak na náhrady, nutnost přeformulovat výrobky)
• Tlak na udržitelnost a regulace (sledovatelnost, odlesňování, Nutri-Score, limity na cukr/tuky)

Tohle není apokalypsa typu „čokoláda zmizí z planety“. Je to spíš realističtější scénář: čokoláda bude dražší, méně předvídatelná a pro část produktů se změní receptury. A právě tam AI dává smysl – jako nástroj, který zrychlí adaptaci.

Co přesně dělá AI v čokoládovém R&D: méně intuice, více testů

AI v potravinářském vývoji není automat na nápady. Je to systém, který hledá kombinace surovin a parametrů výroby tak, aby splnily cíle. Cíle se přitom často perou: chuť vs. cena, textura vs. stabilita, udržitelnost vs. dostupnost.

Partnerství Barry Callebaut a NotCo stojí na jednoduché myšlence:

Když spojíte 100 let know-how výrobce s AI modelem trénovaným na formulacích, senzorice a výrobních parametrech, dostanete rychlejší vývoj a méně slepých uliček.

Od „laboratorní série“ k iteraci jako v softwaru

Klasické potravinářské R&D často funguje takto: technolog navrhne recepturu, laboratoř ji vyrobí, udělají se testy, upraví se poměry, znovu testy… Tento cyklus trvá týdny až měsíce.

AI přístup posouvá práci do režimu „rychlých iterací“:

1. Zadáte cíle (např. chuťový profil, obsah cukru, cena na kg, alergenové limity, Nutri-Score, udržitelnost)
2. Model navrhne kandidátní receptury a odhadne, co se stane s chutí, texturou a stabilitou
3. Laboratoř otestuje jen to, co má vysokou šanci uspět
4. Výsledky se vrátí do modelu a cyklus se zrychluje

V praxi to znamená méně „pokus–omyl“ a více cíleného testování.

Co je na tom důležité pro zemědělství

Čokoláda je skvělý příklad propojení AI v zemědělství a AI v potravinářství. Pokud máte lepší data z polí (výnosy, kvalita bobů, dopady počasí, výskyt chorob), můžete:

• lépe plánovat nákupy a směsi (blending)
• dělat stabilnější chuť i při kolísání surovin
• snížit odpad z nekonzistentních šarží

Jinými slovy: precizní zemědělství zlepšuje vstupy a AI v R&D zlepšuje schopnost s nimi pracovat.

NotCo a Barry Callebaut: proč je tahle spolupráce signál pro celý trh

Nejde jen o jednu integraci AI. Jde o změnu, kdo bude určovat tempo inovací. NotCo dlouhodobě říká, že není pouze „plant-based značka“, ale platforma pro vývoj receptur. Barry Callebaut naopak reprezentuje tradiční průmysl s obrovskou databází know-how.

Tahle kombinace je pro potravinářství typická pro rok 2025:

• tradiční výrobce má data, provozní zkušenost, výrobní kapacitu a přístup na trh
• AI firma má modely, metodiku, talent a rychlost iterací

Výsledek? End-to-end inovační hub, který umí zohlednit:

• náhrady surovin při nedostatku (např. tukové složky, sladidla, emulgátory)
• optimalizaci pro cenu a dostupnost
• udržitelnost (včetně uhlíkové stopy a potenciálních rizik v dodavatelském řetězci)
• nutriční omezení a skórovací systémy typu Nutri-Score

A tohle je přesně typ „synergie tradice a inovace“, který dává smysl i pro české potravinářské podniky.

Kde AI reálně pomáhá „zachránit“ čokoládu: 4 konkrétní scénáře

AI nepěstuje kakao. Ale dokáže výrazně zlepšit, jak s kakaem hospodaříme – od receptury po výrobu. Tady jsou čtyři scénáře, které dnes vidím jako nejpraktičtější.

1) Návrh receptur při výpadcích surovin

Když dojde k výkyvu ceny nebo dostupnosti, firmy často improvizují. AI umožní připravit „plány B“ dopředu:

• alternativní směsi kakaových bobů (chuťová konzistence)
• částečné náhrady (např. vláknina, funkční škroby, rostlinné tuky) bez rozbití textury
• optimalizace emulgace a viskozity pro stejnou výrobní linku

2) Optimalizace chuti a textury bez zvedání nákladů

Klasický problém: chcete zachovat „prémiový pocit v puse“, ale kakao je drahé.

AI umí hledat kombinace, které zachovají vjem:

• práce s aromatickými komponentami
• řízení krystalizace tuků (tempering) pomocí parametrů výroby
• návrhy receptur, které lépe snáší teplotní výkyvy v logistice

3) Snížení odpadu a stabilnější výroba

Každá vrácená šarže kvůli špatné viskozitě, bloom efektu nebo nestabilní emulzi je drahá. AI modely propojující formulaci se „strojní realitou“ dokážou:

• předvídat rizika nestability dřív, než se vyrobí tuny produktu
• doporučit výrobní parametry (teplota, čas, míchání) pro danou recepturu
• zkrátit ladění při scale-upu z laboratoře do výroby

4) Udržitelnost, která není jen prezentace

Udržitelnost v čokoládě není jen o certifikaci. Je to i o tom, zda umíte:

• snížit podíl nejrizikovějších vstupů bez ztráty kvality
• zlepšit energetickou náročnost výroby (např. méně přepracování)
• navrhovat receptury s ohledem na celkový dopad (včetně dopravy a ztrát)

AI je užitečná právě tím, že počítá kompromisy. Ne slovy, ale v návrzích.

Co si z toho vzít v Česku: praktický checklist pro potravináře

Největší chyba je čekat, až bude AI „hotová“. V potravinářství bude vždycky nedokonalá – ale i tak může vydělat peníze a snížit riziko. Pokud jste výrobce cukrovinek, čokolády, pečiva nebo náplní, tenhle postup funguje.

1) Začněte jedním problémem, ne „AI strategií“

Vyberte si úzké zadání, které bolí a dá se měřit:

• zkrácení vývoje nové receptury z 12 týdnů na 6
• snížení zmetkovitosti o 10 %
• stabilizace senzoriky při kolísání surovin
• redukce cukru bez ztráty textury

2) Udělejte inventuru dat (a smiřte se s tím, že jsou špinavá)

Typicky se hodí:

• receptury a jejich varianty
• výsledky senzorických panelů
• laboratorní měření (viskozita, aktivita vody, obsah tuku)
• výrobní parametry a odchylky
• reklamace a důvody vratek

I když jsou data nekompletní, jde začít. Důležité je nastavit, co se bude sbírat dál.

3) Rozhodněte, co si stavíte sami a co kupujete

V roce 2025 je realistické:

• koupit/outsourcovat modely pro formulace a optimalizaci
• interně držet know-how a validaci (technolog, QA, výroba)

Kdo se snaží „postavit všechno“, často skončí u prototypu bez dopadu.

4) Počítejte s lidským faktorem

AI bez technologů a výroby nefunguje. Nejlepší výsledky vznikají, když:

• technolog definuje hranice (co je přijatelné)
• AI navrhne varianty
• laboratoř ověří realitu
• výroba řekne, co je průchodné na lince

Tohle je týmový sport.

Nejčastější otázky, které teď řeší management (a přímé odpovědi)

Nahradí AI potravinářské technology?

Ne. AI nahradí firmy, které ji nepoužijí. Technologie a senzorika jsou pořád lidská disciplína – AI jen dramaticky zrychlí hledání variant a sníží počet slepých testů.

Má smysl AI i pro středně velké výrobce?

Ano, pokud míříte na konkrétní proces (např. stabilita receptur, predikce kvality šarží, optimalizace výroby). Nejde o velikost firmy, ale o to, zda máte opakovatelný proces a data.

Je riziko, že velké „obecné“ modely tohle převálcují?

Částečně. Obecné modely jsou skvělé na text a brainstorming, ale potravinářské formulace stojí na specifických datech (chemie surovin, senzorika, výrobní parametry). Kdo má kvalitní data a umí je používat, má náskok.

Co bude dál: od „AI v laboratoři“ k AI napříč řetězcem

Čokoláda je jen viditelný příklad. Stejná logika se dá přenést na mlékárenství, pekárenství, nápoje i zpracování masa. Vidím jeden směr, který bude v roce 2026 ještě silnější: propojení dat z polí, skladů a výroby do jednoho rozhodovacího systému.

Když se to povede, vznikne jednoduchý, ale tvrdý efekt: menší výkyvy, méně odpadu, rychlejší vývoj, lepší marže. A v době, kdy suroviny zlevňovat nebudou, je tohle ta nejpraktičtější „pojistka“.

Pokud vás zajímá, jak AI zavést do vývoje nebo výroby potravin tak, aby to mělo měřitelný dopad (a ne jen hezkou prezentaci), napište nám. V rámci série Umělá inteligence v zemědělství a potravinářství rádi navrhneme konkrétní pilot – od datové inventury přes první model až po ověření na reálné lince.