AI v potravinářství: Co se lze naučit od Kraft Heinz

Velké potravinářské značky už dávno nejsou jen o marketingu a logistice. Ve chvíli, kdy se mění klima, vstupují do hry nové suroviny, e-commerce tlačí na rychlost inovací a spotřebitelé mění preference z měsíce na měsíc, rozhoduje rychlost učení. A právě tady má umělá inteligence v potravinářství jasnou roli: zkrátit cestu od nápadu k produktu a snížit počet drahých slepých uliček.

V podcastu The Spoon popisuje Robert Scott, prezident R&D pro Severní Ameriku ve společnosti Kraft Heinz, jak firma přemýšlí o budoucnosti jídla: od partnerství s NotCo a jejich „Giuseppe AI“ pro vývoj rostlinných produktů až po zařízení typu „mixovací automat“ na omáčky Heinz Remix. Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to užitečný případový materiál – ne kvůli konkrétním značkám, ale kvůli principům, které si může odnést i středně velký výrobce potravin, mlékárna, masokombinát, pekárna nebo zemědělský podnik napojený na vlastní zpracování.

Co vlastně Kraft Heinz ukazuje: AI je dnes hlavně „stroj na zkracování cyklů“

Nejdůležitější lekce z podobných příběhů je jednoduchá: AI v potravinářství není primárně o futuristických receptech, ale o zkracování vývojových a rozhodovacích cyklů.

V praxi to znamená, že místo klasického postupu „nápad → laboratorní prototypy → ochutnávky → úpravy → další prototypy“ se část práce přesune do dat:

• rychlejší návrh receptur (např. hledání kombinací surovin, které dají podobnou chuť/strukturu),
• predikce funkčnosti ingrediencí v procesu (emulze, viskozita, stabilita),
• simulace variant balení, přípravy a skladování,
• lepší rozhodování o tom, co má smysl testovat fyzicky.

AI nedělá laboratoř zbytečnou. Dělá ji produktivnější. A v době, kdy náklady na suroviny kolísají a tlak na marže roste, je to rozdíl mezi tím, jestli inovace „vyjdou“, nebo se rozplynou v nekonečném testování.

Proč to souvisí se zemědělstvím

Propojení s precizním zemědělstvím je přímé: jakmile dokážete lépe pracovat s variabilitou suroviny (bílkovina, tuk, vlhkost, škrob, obsah cukru), dokážete navrhnout receptury a procesy, které tu variabilitu unesou.

To je mimochodem jedna z nejpraktičtějších rolí AI v potravinářství pro český trh: ne „vymyslet nový kečup“, ale udržet konzistentní kvalitu i při proměnlivé sklizni.

Partnerství Kraft Heinz × NotCo: proč je „Giuseppe AI“ zajímavé i pro menší firmy

Z rozhovoru vyplývá jasný směr: Kraft Heinz se opírá o spolupráci s NotCo a jejich AI systémem pro návrh rostlinných produktů (Giuseppe). Pointa není v tom, že by každá firma měla hned kupovat vlastní generativní model na receptury.

Podstatné je „jak“:

1. AI hledá kombinace surovin podle cílových vlastností, ne podle zvyku. Pokud chcete chuť, texturu a výživový profil podobný mléčnému produktu, model může navrhnout netradiční kombinace rostlinných zdrojů.
2. Snižuje počet iterací. Vývoj alt-protein produktů bývá drahý (suroviny, technologie, senzorika). AI pomáhá rychleji zúžit pole.
3. Zlepšuje komunikaci mezi R&D a byznysem. Když máte model, který umí vysvětlit, proč volí určité ingredience (např. kvůli určitému aromatickému profilu), snáz obhájíte další testování.

Praktický překlad pro české potravináře

I bez „Giuseppe“ se dá postup převzít:

• Začněte datovou disciplínou receptur: jednotné názvy surovin, šarže, parametry, výsledky testů.
• Udělejte si digitální knihovnu senzoriky (hodnocení chuti, vůně, textury) a propojte ji s parametry procesu.
• Pokud pracujete s alternativami (bezlaktózové, veganské, low sugar), nastavte si jasné cílové metriky: chuťový profil, obsah bílkovin, náklady na porci, CO₂ stopa (orientačně).

Největší brzda AI v praxi? Ne model. Nekonzistentní data a „receptury v hlavách lidí“.

AI ve vývoji produktů: jak vypadá realistický „AI workflow“

Robert Scott v podcastu popisuje, že AI bude čím dál víc „propletená“ s cykly vývoje produktů. To dává smysl – a dá se to rozložit do konkrétních kroků.

1) Od nápadu k prototypu (rychleji, levněji)

AI umí:

• analyzovat prodejní data a trendy (např. růst zájmu o vyšší obsah bílkovin, nižší cukr),
• navrhnout varianty receptur podle omezení (alergeny, cena, dostupnost),
• vybrat „nejperspektivnější“ 3–5 prototypů místo 20.

2) Od prototypu k stabilní výrobě (méně překvapení)

Tady se láme chleba. Skvělá chuť v laboratoři ještě neznamená stabilitu na lince.

AI v potravinářské výrobě pomáhá:

• s predikcí stability (oddělování fází, změna viskozity v čase),
• s nastavením procesních parametrů (teplota, čas, střih, tlak),
• s kontrolou kvality (detekce anomálií v datech z výroby).

3) Po uvedení na trh (rychlé učení)

Jakmile se produkt prodává, získáte „živá“ data:

• reklamace, hodnocení, vratky,
• regionální rozdíly,
• chování zákazníků v promo akcích.

Firmy, které tohle propojí s R&D, vyhrávají. Ty ostatní dělají každý rok stejné chyby, jen u jiného produktu.

Heinz Remix a personalizace: proč to není jen hračka

Heinz Remix – „Freestyle-like“ zařízení na míchání omáček na míru – je na první pohled marketingová atrakce. Ale v potravinářství má personalizace dva tvrdé přínosy:

1. Sbírá preference v reálném čase: lidé volí kombinace chutí, pálivost, kyselost. To jsou data, která běžný průzkum často neodhalí.
2. Zkracuje cestu k novým variantám: když víte, že v určitém regionu funguje konkrétní profil, můžete cíleně vyvíjet produkt.

Pro české firmy to nemusí být automat na omáčky. Může to být:

• konfigurátor příchutí (např. jogurty, limonády, snacky) v omezené edici,
• testovací e-shop balíčky „namíchej si“,
• pop-up ochutnávky s digitálním sběrem dat.

AI tady není kouzlo. AI je nástroj, jak z preferencí udělat rozhodnutí, ne jen dojem.

360Crisp a „AI v kuchyni“: design produktu pro reálné vaření

Z podcastu zaznívá i téma 360Crisp – inovace, která souvisí s tím, jak se produkt chová při přípravě doma. To je oblast, kterou potravináři často podcení.

Realita: zákazníci dnes připravují jídlo jinak než před 10 lety. Horkovzdušné fritézy, chytré trouby, různé polotovary, časový tlak. Produkt, který je skvělý v laboratorním ohřevu, může doma propadnout.

AI a data pomáhají:

• analyzovat nejčastější způsoby přípravy (typ spotřebiče, teploty, časy),
• odhadnout, kde vzniká problém (vlhkost, křupavost, nerovnoměrný ohřev),
• navrhnout úpravy receptury nebo obalu (např. ventilace, mikroporézní vrstvy).

Tohle je mimochodem dobrá připomínka pro celý dodavatelský řetězec: inovace není jen receptura. Je to i proces, obal a „návod na realitu“.

Co si z toho odnést: 7 kroků, jak začít s AI v potravinářství (bez korporátního rozpočtu)

Pokud jste výrobce potravin, zemědělský podnik se zpracováním nebo značka s vlastním vývojem, postupuje se nejlíp pragmaticky.

1. Vyberte jeden konkrétní problém (např. kolísání kvality suroviny, zmetkovitost, dlouhý vývoj variant, reklamace po otevření).
2. Zmapujte data, která už máte: šarže, laboratorní analýzy, parametry výroby, výsledky senzoriky.
3. Standardizujte pojmy a formáty (tohle bývá 60 % úspěchu).
4. Zaveďte jednoduchou analytiku: dashboardy, trendové grafy, SPC pro klíčové parametry.
5. Teprve pak nasazujte AI modely (predikce, detekce anomálií, doporučení parametrů).
6. Nastavte „human-in-the-loop“: technolog rozhoduje, AI doporučuje.
7. Měřte dopad v číslech: čas vývoje, zmetkovitost, stabilita, náklad na šarži, reklamace.

Jedna věta, kterou bych si dal na zeď každého závodu: „AI bez metrik je jen další IT projekt.“

Nejčastější otázky, které padnou (a jasné odpovědi)

Je AI v potravinářství hlavně o generování receptur?

Ne. Generování receptur je viditelná část, ale největší návratnost bývá v kontrole kvality, stabilitě procesů a snižování zmetkovitosti.

Potřebujeme obří datové jezero?

Nepotřebujete ho hned. Potřebujete spolehlivá data o šaržích, parametrech a výsledcích. Malý, čistý dataset porazí velký chaos.

Jak to souvisí s precizním zemědělstvím?

Přímo. Když zemědělství dodá lepší data o surovině (vlhkost, bílkovina, obsah škrobu, predikce výnosu), potravinářství může automaticky upravit proces a recepturu, aby kvalita byla stabilní.

Co bude v roce 2026 nejdůležitější: propojení R&D, výroby a dodavatelů

Kraft Heinz v podcastu nepřímo ukazuje trend, který je vidět napříč oborem: potravinářské inovace se přesouvají od izolovaného „vývoje“ k propojenému systému, kde data tečou od suroviny až po zákaznickou zkušenost.

Pro české firmy je to velká příležitost. Nečekal bych, že vyhraje ten, kdo bude mít nejvíc AI experimentů. Vyhraje ten, kdo:

• zvládne variabilitu surovin,
• udrží kvalitu a bezpečnost,
• zrychlí vývoj,
• a bude umět měřit dopad.

Pokud chcete posunout AI v zemědělství a potravinářství z prezentací do praxe, začněte jedním projektem, jednou linkou, jednou metrikou. A teprve potom škálujte.

Na jakém místě vašeho řetězce dnes vzniká nejvíc ztrát – ve vstupní surovině, ve výrobě, nebo v tom, jak lidé produkt připravují doma?