AI v potravinářství dozrála: lekce z 10 let náskoku

V roce 2015 byla umělá inteligence v potravinářství pro většinu manažerů něco jako „hezký experiment do prezentace“. O deset let později je to naopak: bez dat a AI se vývoj potravin, plánování výroby ani řízení kvality dělá pomaleji, dráž a s větším rizikem. Přesně tuhle změnu dobře ilustruje příběh Matíase Muchnicka (NotCo), který dlouho působil jako člověk, co přišel na party o dekádu dřív – a teď je najednou v sále plno.

Pro naši sérii Umělá inteligence v zemědělství a potravinářství je na tom nejzajímavější jedna věc: AI se v jídle a zemědělství neprosadila díky „wow efektu“, ale díky tvrdé ekonomice a tlaku na stabilitu dodávek. Rok 2025 (a vstup do roku 2026) přináší další vrstvy: drahé suroviny, tlak na uhlíkovou stopu, nespolehlivější počasí, přísnější retailové standardy a zákazníka, který chce chuť i cenu.

Níže beru Muchnickův „desetiletý náskok“ jako odrazový můstek a přidávám to, co v praxi zajímá nejvíc: kde AI reálně přidává hodnotu, jak poznat AI-washing a jak začít tak, aby z toho byly výsledky a ne jen pilot na věčné časy.

Proč byla AI v potravinách „příliš brzy“ – a co se změnilo

AI v potravinářství nebyla v roce 2015 odmítaná proto, že by nefungovala, ale proto, že chyběla data, infrastruktura a jasný obchodní důvod. V mnoha firmách tehdy vývoj připomínal kuchyňský „pokus–omyl“: malé týmy, omezené měření, receptury v Excelu a know-how v hlavách technologů.

Dnes se otočily tři základní předpoklady:

1. Data jsou dostupnější a levnější. Senzory ve výrobě, laboratorní systémy, digitalizace QA, traceability, e-commerce signály a retailové skeny – to všechno generuje datové stopy.
2. Výpočetní kapacita a nástroje dospěly. Modely už nejsou exotika jen pro „velké techy“. AI/ML pipeline jde postavit i v tradičním potravinářském prostředí.
3. Byznys tlak je tvrdší. Kolísání cen komodit, výpadky dodavatelů a tlak na reformulace (cukr, sůl, tuky, alergeny) znamenají, že rychlost vývoje a stabilita kvality jsou konkurenční výhoda.

Muchnickova zkušenost („byli jsme o 10 let napřed“) je typická pro firmy, které vsadily na AI dřív, než trh věděl, co s ní. V roce 2025 už to vědí skoro všichni – a proto se dnes na food-tech akcích mluví o AI jako o strategické nutnosti.

Kde AI přináší největší hodnotu v potravinářství (a navazuje na zemědělství)

Největší návratnost má AI tam, kde snižuje počet iterací a zkracuje čas mezi nápadem a stabilní výrobou. V potravinách je to drahé: každá zkouška stojí suroviny, čas linky, lidi, laboratorní měření a často i zahozené šarže.

AI ve vývoji receptur: méně pokusů, víc cílených variant

NotCo je známé tím, že pracuje s „AI motorem“ pro návrh receptur. Obecný princip je užitečný i mimo alternativní proteiny:

• model pracuje s databází surovin, funkčních vlastností (vaznost vody, emulgační schopnost, struktura), senzorikou a náklady,
• navrhuje kombinace, které se přibližují cílovému profilu (chuť, textura, nutriční hodnoty, cena),
• urychluje vývoj tím, že nezačínáte od nuly, ale z už vytipovaných kandidátů.

V českém kontextu to dává smysl třeba u:

• reformulací „bez“ (bez laktózy, bez vajec, bez lepku) při zachování textury,
• náhrad dražších surovin při výkyvech cen,
• stabilizace senzoriky u rostlinných výrobků.

AI v kontrole kvality a výrobě: stabilita porazí marketing

Kvalita je místo, kde AI často vydělá nejdřív. Ne proto, že zní sexy, ale protože každá reklamace, stažení výrobku nebo nedodržení specifikace bolí.

Typické use-cases:

• počítačové vidění pro kontrolu tvaru, barvy, defektů,
• prediktivní modely pro odchylky (teplota, vlhkost, doby míchání, tlak),
• detekce anomálií v datech z výroby (časové řady).

Důležitý přesah do zemědělství: když máte lepší data o surovině (vlhkost, bílkoviny, škrob, mykotoxiny), AI ve výrobě umí adaptovat proces a držet výslednou kvalitu stabilnější.

AI v nákupu a plánování: méně stresu v dodavatelském řetězci

Poslední roky ukázaly, že dodavatelský řetězec není „vyřešená věc“. AI se hodí na predikce poptávky, simulace scénářů a optimalizaci zásob, aby firma neměla buď prázdné regály, nebo přebytek s krátkou expirací.

Zemědělský přesah je přímý: přesnější předpověď výnosů a kvality plodin z precizního zemědělství znamená lepší kontraktaci a plánování výroby.

„AI-washing“ v potravinách: jak poznat, že je to jen lak

AI-washing je, když se AI používá jako nálepka, ale rozhodování se fakticky nemění. V roce 2025 je to častější, protože „AI“ prodává – investorům, retailu i managementu.

Tři praktické testy, které používám:

1. Kde je uzavřená smyčka? Pokud AI něco „doporučí“, musí být jasné, kdo a jak to promítne do receptury, procesu nebo objednávek. Bez toho je to dashboard.
2. Jak se měří přínos? Ne „zlepšili jsme inovace“, ale konkrétně: zkrácení vývoje z X na Y týdnů, snížení zmetkovitosti o Z %, pokles reklamací, úspora surovin.
3. Jaká data to živí? Pokud je odpověď „nějaká data z trhu“, je to podezřelé. Potraviny jsou fyzika a chemie – model musí mít oporu v procesních, laboratorních a senzorických datech.

Dobrá AI v potravinách není ta, co umí hezky mluvit. Je to ta, která zmenší nejistotu v kvalitě, nákladech a času.

Jak začít s AI v potravinářství (aby z toho byly leady i výsledky)

Nejrychlejší cesta k výsledkům je vybrat jeden proces, kde už dnes měříte data, a udělat z něj „AI-ready“ případ. Potravinářské firmy často chtějí začít velkým transformačním projektem, ale to končí v integracích a debatách o vlastnictví dat.

Krok 1: Vyberte use-case s tvrdou ekonomikou

Dobré startovní projekty (typicky 8–12 týdnů do prvních výsledků):

• predikce odchylek kvality na klíčové lince,
• optimalizace spotřeby energie v teplotních procesech,
• počítačové vidění pro kontrolu obalů a etiket,
• predikce expirace / „remaining shelf life“ na základě šarže a podmínek.

Krok 2: Udělejte pořádek v datech, ale nečekejte na dokonalost

V praxi stačí:

• jasný seznam proměnných (co měříme, v jaké frekvenci),
• jednotky a časová synchronizace,
• mapování na šarže a výrobní dávky,
• jednoduchá datová vrstva (i kdyby to mělo být nejdřív „jen“ datové úložiště pro pilot).

Krok 3: Nastavte „přijímací kritéria“ a provozní odpovědnost

AI projekt bez provozního vlastníka skončí jako prezentace.

Doporučená pravidla:

• jeden business owner (výroba/QA/R&D),
• jedno KPI, které se počítá stejně před i po,
• plán, jak se model aktualizuje (měsíčně/kvartálně),
• auditovatelnost rozhodnutí (pro retail, regulaci i interní kvalitu).

Co si od Muchnickova příběhu vzít do českého zemědělství a potravinářství

Lekce „být o 10 let napřed“ není o tom mít nejchytřejší model. Je o tom vydržet, dokud trh začne potřebovat to, co stavíte. A v roce 2025 to „potřebovat“ přichází rychle.

Pro Česko to znamená dvě praktické věci:

1. Propojte data z pole a z výroby. Precizní zemědělství (monitoring plodin, predikce výnosů, variabilní dávky) má plný efekt až ve chvíli, kdy potravinář ví, jak s proměnlivostí suroviny pracovat v procesu.
2. Nenechte se ukolébat piloty. Pilot, který nejde nasadit na tři linky nebo tři závody, není pilot – je to demonstrace.

A ano, v roce 2026 budou vyhrávat firmy, které zvládnou současně tři věci: rychle inovovat, stabilně vyrábět a chytře nakupovat suroviny. AI v potravinářství je dnes nejpraktičtější nástroj, jak tohle spojit.

Co udělat příští týden: rychlá kontrola připravenosti

Pokud chcete posunout AI z „tématu“ na „výsledek“, udělejte příští týden tohle:

1. Seznamte 10 nejdůležitějších rozhodnutí ve výrobě/R&D, která dnes stojí na zkušenosti (a ne na datech).
2. Vyberte 1 rozhodnutí s největším dopadem na zmetkovitost, reklamace nebo rychlost vývoje.
3. Ověřte, zda existují data aspoň za 6–12 měsíců a zda se dají přiřadit k šaržím.
4. Nastavte KPI a vlastníka a dejte si 60 dní na první měřitelný posun.

Příběh NotCo ukazuje, že AI v jídle je už mainstream. Otázka pro rok 2026 zní jinak: budete ji používat k reálnému řízení kvality, nákladů a inovací – nebo zůstane jen v slidech?