AI v potravinářství: nápady ano, ruce pořád vedou

V roce 2025 má skoro každá potravinářská firma někoho, kdo „zkouší AI“ – často to začíná u generování receptů. Jenže realita výroby jídla je tvrdší než chatové okno: jídlo je fyzika, chemie, hygiena, stroje, lidi a dodavatelské řetězce. A když se do toho přidá klimatická nejistota (kakao, káva, ovoce, voda), je jasné, že největší přínos umělé inteligence není v tom, že „vymyslí novou sušenku“, ale že pomůže udržet výrobu stabilní, kvalitní a udržitelnou.

Potravinový vědec Ali Bouzari to v jedné debatě popsal trefně: AI se umí tvářit chytře, ale u detailů často „selže na rukách“ – podobně jako generativní modely v obrazech dlouho kreslily prsty navíc. V jídle jsou ty „ruce“ všude: v textuře, v práci s těstem, v chování emulzí, v tom, jak se surovina chová v konkrétní lince a při konkrétní vlhkosti. Přesto bych AI neodepisoval. Jen ji musíme přestat používat jako hračku a začít jako nástroj.

Proč generování receptů z AI často zklame

Odpověď na rovinu: Generativní AI umí kombinovat známé vzory, ale neumí zaručit funkčnost receptu v reálné výrobě ani jeho stabilitu v čase.

Recept není text. Recept je proces a systém. Když vám AI doporučí „přidejte arrowroot (marantový škrob)“, může to znít odborně, ale v praxi to často neřeší skutečný problém. V průmyslové výrobě se neptáte „co by chutnalo“, ale:

• Jak se změní aktivita vody a trvanlivost?
• Jak se surovina chová při střihovém namáhání v míchačce?
• Co udělá v peci při jiné vlhkosti vzduchu a jiné šarži mouky?
• Je ingredience dostupná, cenově stabilní a splňuje legislativu a alergeny?

„Ruce“ znamenají i tacitní know-how

Bouzariho poznámka „food is basically all hands“ míří na něco, co si řada týmů uvědomí až při škálování: nejcennější know-how je často nepsané. Technik linky ví, že když je v hale sucho, musí změnit dávkování vody. Pekař pozná těsto podle odporu pod rukama. A senzor to někdy nepozná – nebo to pozná, ale nikdo data nevyužije.

AI může pomoct právě tady: převést zkušenost na měřitelný signál a udělat z ní řízený proces.

Kde AI dává v potravinářství největší smysl (a je to měřitelné)

Odpověď na rovinu: Největší ROI má AI tam, kde rozhoduje stabilita kvality, výtěžnost a náklady – tedy v predikci, kontrole a optimalizaci.

Místo „vymysli mi recept“ funguje lépe přístup „pomoz mi řídit realitu“. Typické případy použití:

1) Prediktivní kvalita a méně zmetků

AI modely dokážou z dat z výroby (teplota, tlak, doba míchání, vlhkost, vibrace, parametry pece) odhadnout, že šarže směřuje ke zmetku ještě dřív, než se to projeví na výstupu.

Co to přinese v praxi:

• méně přepalů, rozpadů, špatné struktury
• stabilnější chuť a textura
• menší plýtvání surovinami i energií

2) Optimalizace spotřeby energie a vody

Bouzari správně upozorňuje na paradox: honíme AI nápady, ale ignorujeme energii a vodu. Přitom v potravinářství jsou to klíčové náklady i emisní stopa.

AI se dá využít na:

• optimalizaci režimů pečení/vaření/chlazení podle zatížení
• detekci úniků a anomálií ve spotřebě vody
• plánování výroby tak, aby se minimalizovalo přestavování linek a CIP cyklů

3) Chytřejší vývoj produktu: ne „kreativita“, ale experimentální plán

AI není kouzelník. Ale může být skvělý asistent pro R&D, pokud ji krmíte vlastními daty a postavíte ji do role „navrhni testy“.

Funguje to takto:

1. Definujete cíle (např. křupavost, obsah bílkovin, cena/porce, bezlepkové).
2. AI navrhne omezený počet experimentů (DoE), které nejrychleji odhalí vztahy.
3. Lidé uvaří/upečou/odměří a data vrátí zpět.

Výsledek: méně slepých pokusů, rychlejší iterace, lepší dokumentace.

Od kuchyně k poli: co si vzít z „AI receptů“ pro zemědělství

Odpověď na rovinu: Stejný problém, jiná etapa řetězce – v zemědělství jsou „ruce“ variabilita půdy, počasí a biologických procesů.

V našem seriálu „Umělá inteligence v zemědělství a potravinářství“ se pořád vrací jedno téma: variabilita. Na poli je to půda a mikroklima, ve výrobě je to šarže suroviny a podmínky linky. A v kuchyni je to ruka kuchaře.

Tohle je důležitý most mezi „kulinární AI“ a agri AI:

• Když farmář používá AI pro monitoring plodin, snaží se zkrotit variabilitu včas.
• Když potravinář používá AI pro řízení kvality, snaží se zkrotit variabilitu při zpracování.
• Když šéfkuchař používá AI pro inspiraci, často naráží na to, že bez praxe v ruce je to jen text.

Dobrá AI strategie proto nezačíná u receptu, ale u datového řetězce „od pole po linku“. Pokud nevíte, jak se mění bílkovina v pšenici podle lokality a ročníku, budete ve výrobě pořád hasit.

Kakao, káva a klima: problém, který AI sama nevyřeší

Odpověď na rovinu: Klimatická rizika ohrožují dostupnost surovin a AI má hodnotu hlavně v adaptaci – v náhradách, plánování a odolnosti.

Bouzari zmiňuje tlak na kakao a varuje, že podobně může dopadnout káva. To není „někdy v budoucnu“. V posledních letech potravinářské firmy řeší:

• kolísání výnosů a kvality kvůli teplotním extrémům
• cenové šoky a nestabilní logistiku
• vyšší nároky na trasovatelnost a compliance

AI do toho vstupuje užitečně ve třech rovinách:

### A) Substituce surovin bez ztráty kvality

Ne „vymysli mi čokoládu bez kakaa“ za odpoledne. Spíš: vytvořte databázi senzorických profilů, funkčních vlastností a technologických limitů a použijte AI k návrhu směsí, které splní cílový profil (chuť, tání, barva, cena).

### B) Predikce rizik v dodávkách

Modely nad historickými daty, počasím, cenami a dodavatelskými lead times umí zlepšit:

• plánování zásob
• rozhodování o kontraktech
• výběr alternativních zdrojů

### C) Úspory výpočtů: AI používat účelně

Bouzariho výtka k „šest měsíců ladím generativní AI na nový recept“ míří i na energii výpočtů. Praktické pravidlo: nejdřív zvažte jednodušší modely.

• Pro anomálie ve spotřebě často stačí statistika a jednoduché ML.
• Pro řízení procesu bývá top „hybrid“: fyzikální model + ML korekce.
• Generativní modely si nechte na úkoly, kde opravdu dávají smysl (texty, návrhy variant, práce s dokumentací).

Praktický checklist: jak zavést AI v potravinářství tak, aby to přineslo leady i výsledky

Odpověď na rovinu: Začněte problémem, daty a metrikou – ne nástrojem. A postavte pilot, který zvládnete za 6–10 týdnů.

1. Vyberte 1 proces s jasným nákladem (zmetkovitost, energie, downtime, reklamace).
2. Definujte KPI: např. „snížit zmetky o 15 %“, „zkrátit prostoje o 10 %“.
3. Zmapujte data: co měříte, v jaké kvalitě, v jaké frekvenci.
4. Udělejte „rychlé vítězství“: dashboard + detekce anomálií + doporučení zásahu.
5. Zapojte lidi z provozu: bez jejich důvěry model skončí v šuplíku.
6. Nastavte MLOps/light ops: kdo hlídá drift, kdo schvaluje změny, kdo reaguje.

Jedna věta, kterou si ukládám: AI není náhrada rukou – je to způsob, jak rukám dát lepší informace ve správný čas.

Co si z toho odnést pro rok 2026

AI v potravinářství funguje nejlépe, když respektuje, že jídlo je „o rukách“ – tedy o materiálu, procesu a zkušenosti. Generování receptů může být fajn start pro brainstorming, ale skutečná hodnota je v řízení variability: od suroviny přes linku až po logistiku.

Pokud řešíte, kde s AI začít v rámci výroby potravin nebo navazujících agri dat (kvalita plodin, predikce výnosů, specifikace šarží), vyplatí se vybrat jeden problém, stanovit KPI a udělat pilot, který se dá obhájit čísly. A pak teprve přidávat „kreativitu“.

A teď ta otázka, kterou si kladou nejlepší týmy: Který jediný bod vašeho řetězce „od pole po vidličku“ dnes generuje nejvíc nejistoty – a co by se stalo, kdybyste ho začali řídit datově?