AI v potravinářství: lekce z Kraft Heinz pro rok 2026

Růst cen surovin a energie už není „krizová epizoda“, ale nový standard. V potravinářství to vidíme v každé položce: kakao, oleje, mléčné komodity, obaly, logistika. A do toho tlak na udržitelnost, rychlejší inovace a chuť, která se nesmí „zhoršit ani o chlup“. Právě proto začíná být umělá inteligence v potravinářství méně o efektních prezentacích a víc o tvrdé operativě.

Rozhovor s Robertem Scottem, prezidentem R&D pro Severní Ameriku ve společnosti Kraft Heinz, je zajímavý hlavně z jednoho důvodu: ukazuje, jak velká potravinářská firma přemýšlí o budoucnosti jako o soustavě konkrétních rozhodnutí. Ne „AI jednou nasadíme“, ale kde přesně v cyklu vývoje, výroby a kontaktu se zákazníkem dává smysl.

Tento článek berte jako případovou studii do série „Umělá inteligence v zemědělství a potravinářství“. Nezůstanu jen u toho, co zaznělo v podcastu – přidám praktický rámec, jak podobné principy převést do českého a středoevropského prostředí: od vývoje receptur přes kvalitu až po plánování výroby.

Co si vzít z Kraft Heinz: AI není projekt, ale „vrstva“

Nejdůležitější myšlenka: AI se v moderním potravinářství nevyplatí izolovat do jednoho týmu a jednoho pilotu. Má fungovat jako vrstva napříč firmou – od dat o surovinách přes vývoj receptur až po personalizaci produktu.

Kraft Heinz v rozhovoru popisuje několik paralelních směrů:

• partnerství s NotCo a využití jejich systému „Giuseppe AI“ pro vývoj rostlinných produktů,
• postupné „prošívání“ AI do cyklů vývoje produktu,
• zařízení pro personalizaci dochucování (Heinz Remix),
• inovace způsobu přípravy jídla v domácnostech (např. koncept 360Crisp).

Pro českého výrobce potravin (nebo pro zemědělský podnik dodávající suroviny) z toho plyne docela přímočarý závěr: AI má nejvyšší návratnost tam, kde zkracuje iterace a snižuje zmetkovitost. Ne tam, kde jen „přidá dashboard“.

Praktický rámec: 3 místa, kde AI nejrychleji vydělá

1. Vývoj receptur a reformulace (cena surovin, alergeny, výživa)
2. Predikce kvality a procesní řízení (stabilita, textury, výtěžnost)
3. Plánování a řízení dodavatelského řetězce (nákup, zásoby, energie)

Pokud máte omezený rozpočet, začal bych bodem 1 nebo 2 – tam bývá nejrychlejší dopad na marži i čas.

AI ve vývoji potravin: od „nápadu“ k prototypu rychleji

Odpověď na otázku „k čemu je AI v R&D?“: Zkracuje cestu od hypotézy k prototypu a snižuje počet slepých pokusů.

V rozhovoru zaznívá partnerství s NotCo a jejich „Giuseppe AI“, které pomáhá navrhovat rostlinné alternativy se senzorickými vlastnostmi blízkými originálu. To je důležité i mimo plant-based: podobný princip se dá použít pro reformulace kvůli ceně, snížení soli/cukru, náhradu problematických aditiv nebo zlepšení nutričních hodnot bez ztráty chuti.

Jak to funguje v praxi (bez magie)

AI systém pro návrh receptur obvykle kombinuje:

• historická data o recepturách a surovinách,
• senzorická data (panel, spotřebitelské testy),
• procesní data (teploty, doby, vlhkost, smyk),
• cíle a omezení (cena/100 g, alergeny, výživové profily, „clean label“).

Výsledek není „hotová receptura“, ale seznam kandidátů, které dávají smysl otestovat. Největší úspora je v tom, že R&D netráví týdny variantami, které byly od začátku odsouzené k neúspěchu.

Co mohou udělat menší týmy v ČR už teď

• Zaveďte jednotný katalog surovin (stejné názvy, šarže, parametry, dodavatel, cena, sezónnost).
• U každé změny receptury zapisujte proč vznikla (náklad, dostupnost, výživa, legislativa).
• Standardizujte senzorické hodnocení (stačí škály a konzistentní protokol).

Tohle jsou „nudné“ kroky, ale bez nich nemá AI z čeho stavět. A to je realita, kterou většina firem podcení.

Personalizace a „remix“: proč je to víc než marketing

Heinz Remix je zařízení inspirované automaty na míchané nápoje: zákazník si upraví dochucovadla podle chuti. Na první pohled to působí jako hračka do fastfoodu. Ve skutečnosti je to chytrá laboratoř na data.

Když lidé míchají chutě, vznikají signály:

• které kombinace fungují,
• jaké profily chutí jsou populární v konkrétní lokaci,
• jak se preference mění v čase.

V překladu: R&D dostává reálná data o chování, ne jen výsledky dotazníků.

Co si z toho vzít pro B2B potravináře

Nemusíte stavět automat. Princip je jednoduchý: získejte data o používání produktu v reálném kontextu.

Konkrétní nápady:

• U kořenících směsí a omáček sbírejte strukturované feedbacky od gastro provozů (poměr ředění, aplikace, teplotní zatížení).
• U polotovarů sledujte „kuchyňskou realitu“: jak často se přepékají, jak dlouho drží kvalitu ve výdeji, kolik je odpadu.
• U retail produktů pracujte s panelovým testováním doplněným o data z prodeje (region, velikost balení, promo citlivost).

AI pak dává smysl jako nástroj, který propojí signály z různých kanálů a navrhne, co testovat dál.

360Crisp a inovace přípravy: AI začíná v kuchyni, ne ve fabrice

Koncepty typu 360Crisp (tedy inovace zaměřené na to, jak se produkt připravuje) mají jednu společnou věc: čím dál víc domácností i gastro používá zařízení jako horkovzdušné fritézy, konvektomaty nebo chytré trouby s přednastavenými programy.

Pointa: pokud se změní způsob přípravy, musí se změnit i produkt. A tady se AI hodí ve dvou rovinách:

1. Modelování textury a křupavosti při různých teplotách a proudění vzduchu (přenos tepla, vlhkost).
2. Predikce robustnosti receptury (jak moc je produkt citlivý na odchylky přípravy u zákazníka).

V praxi to znamená třeba navrhnout obalování, marinádu nebo tvar tak, aby výsledek byl stabilní i při „neideální“ přípravě. Stabilita zážitku je dnes konkurenční výhoda.

Propojení se zemědělstvím: kvalita suroviny jako vstup do modelu

V našem seriálu o AI v zemědělství a potravinářství dává největší smysl propojit oba světy: variabilita suroviny (např. obsah bílkovin, vlhkost, pádové číslo, tuk) se může promítnout do chování produktu při zpracování i v kuchyni.

Pokud máte data od pěstitelů a z příjmu surovin, můžete:

• třídit suroviny do „výrobních tříd“ pro různé výrobky,
• předvídat, kdy hrozí problém s texturou nebo stabilitou,
• upravit procesní nastavení dřív, než vznikne zmetek.

Tohle je AI-driven optimalizace výroby potravin v nejpraktičtější podobě.

Jak postavit AI roadmapu v potravinářství (a nepřepálit start)

Odpověď, kterou hledá většina manažerů: Začněte jedním use-casem, ale navrhněte ho tak, aby se dal rozšířit.

Doporučuju postup ve čtyřech krocích:

1) Vyberte use-case s jasnou ekonomikou

Dobré první projekty mívají společné rysy:

• měřitelný dopad (zmetkovitost, výtěžnost, čas vývoje, spotřeba energie),
• dostupná data aspoň za 6–12 měsíců,
• „vlastník“ v byznysu, který to bude prosazovat.

Příklad: predikce viskozity omáčky podle šarže surovin a procesních parametrů, aby se snížily reworky.

2) Udělejte datový audit bez výmluv

Seznamte se s realitou:

• kde jsou data (ERP, MES, laboratorní LIMS, Excel),
• jaká je kvalita (chybějící hodnoty, nesmyslné jednotky),
• jaké identifikátory propojují šarže, receptury a výrobní dávky.

Tohle je často 60–80 % práce.

3) Nastavte „human-in-the-loop“

AI v potravinářství nesmí fungovat jako černá skříňka. Osvědčilo se mi:

• nechat technologovi poslední slovo,
• vyžadovat vysvětlení (které vstupy model použil),
• zavést pravidlo: model navrhuje, člověk potvrzuje.

4) Škálujte až po stabilizaci

Jakmile první use-case funguje, škálování je rychlejší, protože máte:

• datové pipeline,
• governance (kdo co spravuje),
• šablonu pro validaci.

Pak teprve přichází čas na ambicióznější projekty jako generativní návrh receptur nebo pokročilé plánování výroby.

Mini Q&A: co si lidé o AI v potravinářství pletou nejčastěji

„Potřebujeme obří datové jezero, jinak to nejde.“

Ne. Pro první projekty často stačí dobře vyčištěná data z jedné linky a jednoho produktu. Důležitější je propojit šarže, laboratorní výsledky a procesní parametry.

„AI nahradí potravináře a technology.“

Nenahradí. Nahradí rutinu: hledání vzorců, porovnávání variant, odhalování anomálií. Zkušený technolog zůstává klíčový, protože chápe fyziku a rizika.

„Plant-based je jediný důvod, proč řešit AI.“

Plant-based je viditelné téma, ale největší peníze bývají ve zlepšení výtěžnosti, energetiky a stabilitě kvality u běžných produktů.

Co dělat teď: rychlé kroky, které vedou k leadům i výsledkům

Pokud jste výrobce potravin, zemědělský podnik nebo dodavatel technologií, který chce v roce 2026 brát AI vážně, udělejte tři věci během příštích 30 dnů:

1. Sepište 10 nejdražších problémů ve výrobě nebo R&D (v Kč a hodinách).
2. U top 3 problémů zjistěte, zda existují data, která je popisují (a kde leží).
3. Vyberte jeden pilot s cílem do 8–12 týdnů dodat měřitelný výsledek.

Já osobně bych vsadil na projekty typu predikce kvality, optimalizace receptur a AI pro plánování výroby. Jsou méně „sexy“, ale nejrychleji se vrátí.

Až budete plánovat další krok v digitální transformaci, zkuste si položit jednoduchou otázku: které rozhodnutí dnes děláme naslepo, a přitom nás stojí nejvíc peněz? Tam má umělá inteligence v potravinářství největší smysl.