AI v potravinářství: 10 let lekcí z NotCo pro praxi

V roce 2015 zněla představa „AI pro vývoj potravin“ v mnoha firmách jako něco mezi akademickým experimentem a marketingovým snem. V potravinářství se tehdy inovace často dělala po staru: pár lidí v R&D kuchyni, desítky iterací, dlouhé schvalování a spousta nákladů, které se rozpustily dřív, než produkt vůbec došel na regál.

Matias Muchnick (NotCo) to popsal trefně: byli „o deset let napřed“ – viděli, že umělá inteligence dokáže zkrátit cestu od nápadu k receptuře, ale trh na to ještě neměl chuť ani procesy. O deset let později (a jsme v tom naplno i v Evropě) je realita jiná: AI je strategická infrastruktura pro potravinářství i zemědělství, ne zajímavý doplněk. A právě tohle je pro náš seriál Umělá inteligence v zemědělství a potravinářství podstatné.

Níže beru NotCo jako případovou studii – ne proto, abychom obdivovali „pionýry“, ale abychom si odnesli praktické lekce pro výrobce potravin, zemědělské podniky, značky i dodavatelské řetězce. Protože největší riziko roku 2026 nebude, že AI nepoužijete. Největší riziko je, že ji nasadíte jako kosmetiku.

Proč byla AI ve foodu „o 10 let dřív“ – a proč už není

Opoždění nevzniklo tím, že by AI nefungovala. Vzniklo tím, že potravinářství nemělo připravené vstupy a motivace. V roce 2015 chybělo několik věcí najednou: dostupná data o surovinách a senzorice, digitální laboratorní záznamy, propojení na výrobu, i kultura experimentování.

Dnes se situace otočila ze tří důvodů:

1. Tlak na náklady a reformulace: ceny surovin skáčou, mění se dostupnost (klima, logistika), regulace tlačí na složení (cukr, sůl, aditiva). AI je ideální na hledání kompromisu mezi chutí, cenou a výživou.
2. Rychlost trhu: privátní značky a D2C zrychlily cyklus inovací. Kdo vyvíjí pomalu, prohrává regál i online vyhledávání.
3. Zralost nástrojů: modely pro predikci vlastností receptur a optimalizaci procesů jsou dostupnější, stejně jako cloud a průmyslové datové platformy.

NotCo v tomhle kontextu působí jako firma, která vsadila na „AI-first“ vývoj produktů dřív, než to bylo pohodlné. Podle informací prezentovaných na konferenční scéně spolupracovali už se 7 z 20 největších FMCG hráčů. To je signál, že velké značky už AI neberou jako pilot na PR.

Co si z NotCo může odnést zemědělství a potravinářství v ČR

Nejdůležitější lekce: AI není jeden model. Je to systém rozhodování, který musí být napojený na realitu surovin, výroby a trhu. NotCo začínalo s vizí AI „enginu“ pro rychlejší uvádění produktů na trh. V praxi to znamená pracovat s daty o ingrediencích, funkčních vlastnostech, senzorice, nákladech a dostupnosti.

Lekce 1: Bez dat o surovinách není AI, jen dojem

V zemědělství to platí dvojnásob. Pokud chcete dělat predikci výnosů, optimalizaci hnojení, nebo monitorování plodin, potřebujete kvalitní vstupy: meteorologická data, půdní mapy, satelitní snímky, výnosové mapy z kombajnů, laboratorní rozbory.

V potravinářství je to analogické:

• specifikace surovin (variabilita mezi šaržemi),
• procesní parametry (teploty, časy, tlaky),
• senzorická hodnocení (panel, spotřebitel),
• reklamace, vratky, ztráty,
• reálné nákupní ceny a dostupnost.

AI pak nedělá „kouzla“. Dělá lepší návrhy a lepší odhady než Excel a intuice.

Lekce 2: AI funguje, když má jasný cíl – ne když má „být“

Mnoho firem dnes spadá do pasti, které Muchnick říká „AI-washing“: přidají do prezentace slovo AI, ale proces zůstane stejný. V praxi se to pozná jednoduše: když se zeptáte „jaké rozhodnutí AI zlepšuje“ a nikdo nedokáže odpovědět jednou větou, je to kosmetika.

Tři cíle, které se v potravinářství a agro nejčastěji vyplatí:

1. Zkrátit vývoj receptury (méně iterací, méně laboratorních hodin)
2. Zlepšit stabilitu kvality (menší rozptyl mezi šaržemi)
3. Snížit náklady (náhrady ingrediencí, optimalizace procesu, méně odpadu)

Kdo si vybere jeden cíl a měří ho (čas, náklady, zmetkovitost), má šanci vybudovat AI, která bude skutečně používaná.

Lekce 3: Škálování není o modelu, ale o „posledním metru“

NotCo zaujalo tím, že se dostalo ke spolupráci s velkými značkami. V tom je jedna tvrdá pravda: v enterprise prostředí vyhrává ten, kdo zvládne integraci do praxe, ne ten, kdo má nejhezčí demo.

V zemědělství a potravinářství „poslední metr“ typicky znamená:

• napojení na ERP/MES/LIMS,
• schvalovací workflow (kvalita, legislativa, nákup),
• auditovatelnost (kdo rozhodl, proč, na základě čeho),
• školení lidí ve výrobě a v kvalitě,
• provozní spolehlivost (model musí fungovat i při výpadcích dat).

Pokud uvažujete o AI projektu, dejte si do rozpočtu stejně peněz na data a integrace jako na samotný model. Někdy i víc.

AI v potravinách jako most k preciznímu zemědělství

Potravinářství a zemědělství se často řeší odděleně, ale AI je propojuje přes stejný problém: variabilitu. Zemědělec řeší variabilitu půdy a počasí, výrobce variabilitu šarží a dodávek. AI dává smysl právě tam, kde je svět „nehezký“ a kolísá.

Od pole k receptuře: datová stopa suroviny

Představte si, že máte u suroviny (např. hrách, řepka, oves) digitální profil:

• obsah bílkovin a vlákniny,
• vlhkost,
• chuťový profil a hořkost,
• stopové látky,
• původ a podmínky pěstování.

Když pak v potravinářství děláte reformulaci, AI může navrhnout recepturu, která:

• kompenzuje přirozené výkyvy suroviny,
• hlídá cílovou texturu,
• drží nákladový limit,
• splní nutriční parametry.

Tohle je přesně ten typ „AI infrastruktury“, který začne být v roce 2026 standardem u firem, které nechtějí hasit požáry každý kvartál.

Praktický příklad: náhrady surovin bez ztráty kvality

Když zdraží klíčová ingredience nebo vypadne dodávka, obvykle nastane chaos: testování, ad-hoc rozhodnutí, riziko reklamací. AI může připravit scénáře dopředu:

• „Pokud cena X stoupne o 15 %, nejbližší alternativa je Y, dopad na chuť 3/10, dopad na texturu 1/10.“
• „Pro udržení viskozity upravte teplotní profil o Z a dobu míchání o W.“

Nejde o to, že AI nahradí technologa. Jde o to, že technolog přestane začínat od nuly.

Jak poznat „AI-washing“ a jak se mu vyhnout (kontrolní seznam)

AI-washing je nejdražší typ inovace: stojí peníze a nevytvoří schopnost. V roce 2025–2026 ho uvidíme často, protože tlak „mít AI“ přichází i do konzervativních sektorů.

7 signálů, že projekt směřuje do slepé uličky

1. Není definovaná metrika úspěchu (čas vývoje, zmetkovitost, náklady).
2. Data jsou roztroušená v e-mailech a Excelu bez verze pravdy.
3. Model se trénuje jednorázově a neřeší se drift (změny surovin/sezóny).
4. Výstup AI nejde vysvětlit (a kvalita ho proto nepustí do výroby).
5. Neexistuje proces schválení a odpovědnosti (kdo to podepisuje).
6. Uživatelé (technolog, agronom, kvalita) nejsou zapojeni od začátku.
7. Po pilotu se neřeší provoz (monitoring, aktualizace, SLA).

Jednoduchý postup, který v praxi funguje

1. Vyberte jednu bolest (např. nestabilní kvalita suroviny, dlouhé reformulace).
2. Změřte baseline za posledních 6–12 měsíců.
3. Postavte datový základ (sjednocení zdrojů, kvalita dat, terminologie).
4. Pilotujte na jednom produktu / jedné lince / jedné plodině.
5. Rozšiřujte až po tom, co se metrika zlepší.

Tohle není sexy. Ale je to rozdíl mezi „máme AI“ a „AI nám ušetřila 12 % nákladů na zmetky“.

Co bude další vlna: od receptur k senzorice, odpadu a odolnosti

Muchnick zmiňuje, že ho zajímá, co přijde dál. Já bych si vsadil na tři směry, které už teď začínají být vidět i u evropských výrobců:

1) AI pro senzoriku a preference spotřebitelů

Chuť je statistika. Když zkombinujete senzorické panely, texturové měření, data o nákupu a zpětnou vazbu, AI umí hledat vzorce: co lidé vnímají jako „krémové“, co je „příliš umělé“, co je „moc sladké“ v konkrétní kategorii.

2) AI pro snižování odpadu ve výrobě

Nejrychlejší návratnost bývá v tom, co už dnes měříte: teploty, průtoky, prostoje, reklamace. Prediktivní modely umí včas upozornit na rozpad procesu dřív, než vyrobíte tuny mimo specifikaci.

3) Odolnost dodavatelských řetězců (climate-ready food)

Prosinec 2025 je pro Evropu další rok, kdy se firmy učí žít s výkyvy: počasí, ceny energií, dostupnost surovin. AI dává smysl jako „radar“:

• predikce rizika výpadku,
• scénáře alternativ,
• optimalizace nákupu a zásob.

Tohle je velmi konkrétní hodnota pro CFO i provoz.

Co si z toho odnést do roku 2026

AI v potravinářství a precizním zemědělství je dnes o disciplíně, ne o dojmu. Příběh NotCo je užitečný hlavně tím, že ukazuje, jak dlouho trvá vybudovat schopnost: data, procesy, důvěra, integrace, opakované použití. Kdo tohle začne budovat teď, bude mít za 12–18 měsíců náskok, který konkurence nedožene jedním nákupem software.

Pokud jste výrobce potravin, zemědělský podnik nebo značka, vyberte si jednu oblast, kde AI reálně rozhoduje o penězích: optimalizace výroby, predikce kvality, reformulace, monitorování plodin nebo predikce výnosů. A nastavte to tak, aby výsledek prošel kvalitou, výrobou i nákupem.

Až budete příště slyšet „máme AI“, zkuste si položit jednoduchou větu: Jaké konkrétní rozhodnutí je díky AI rychlejší, levnější nebo přesnější? Pokud odpověď existuje, jste na správné cestě. Pokud ne, je čas přestat lakovat a začít stavět.