AI v potravinářství: jak „Giuseppe“ navrhuje chutě

Na vývoji nového potravinářského výrobku se pořád nejvíc prodělává v poslední míli: recept vypadá skvěle na papíře, ale v pilotní výrobě se rozpadne textura, cena surovin ujede, nebo spotřebitelé řeknou prosté „nechutná“. Právě tady má umělá inteligence v zemědělství a potravinářství největší smysl – ne jako kouzelná krabička, ale jako rychlejší a chytřejší R&D.

Příběh AI systému „Giuseppe“ od firmy NotCo to ukazuje bez příkras. Začali bez dat (typický problém „cold start“) a postupně se dostali až k tomu, čemu sami říkají discernment layer: vrstva, která z tisíců generovaných nápadů vybere ty, které mají šanci přežít realitu laboratoře, linky i trhu. Pro české zemědělce, potravináře i značky je to cenná lekce: nejde jen o generování receptů, ale o disciplínu práce s daty napříč řetězcem.

Od „nemáme data“ k funkčnímu AI modelu

Klíčový bod: AI v potravinářském vývoji nezačíná modelem, ale daty – a někdy i improvizací.

NotCo v začátcích neměli vlastní rozsáhlé databáze surovin, senzoriky a funkčních vlastností. Místo čekání na „ideální stav“ sáhli po veřejných zdrojích a poskládali první dataset ze státních databází (v jejich případě data o surovinách a složení). Tohle je až nepříjemně praktické: většina firem u nás se zasekne na tom, že „nemáme data“ – přitom často existují veřejné tabulky, interní laboratorní protokoly, nákupní historie, reklamace, výsledky panelů, data z výroby.

Co si z toho odnést pro české potravináře

Základní rada: nezačínejte „velkým AI projektem“. Začněte mapou dat.

• Seznamte zdroje dat: receptury (včetně historických verzí), specifikace surovin, dodavatelské listy, výsledky analýz, senzorické testy, výrobní parametry, zmetkovitost.
• Udělejte minimální společný datový model: jednotky, názvy surovin, šarže, alergeny, ceny, dostupnost.
• Vyberte jednu úzkou úlohu: např. zlepšení stability emulze, snížení nákladů o 3–5 %, náhrada jedné rizikové suroviny.

Tohle je podobné jako v precizním zemědělství: bez kvalitních dat z půdy, počasí a výnosů žádný model dlouhodobě nefunguje. V potravinářství je „pole“ jen složené z receptur, procesů a spotřebitelských preferencí.

Proč jsou alternativní potraviny ideální hřiště pro AI

Klíčový bod: náhrada živočišných složek je kombinatorický problém – a to je přesně typ úlohy, kde AI šetří čas i pokusy.

U rostlinných alternativ nejde jen o chuť. Jde o texturu, vůni, barvu, chování při teplotě, pěnivost, viskozitu, stabilitu. Jakmile vyřadíte mléčnou bílkovinu nebo vejce, rozpadne se vám půlka „fyziky“ výrobku.

NotCo se proslavili například tím, že dokázali namíchat receptury, které napodobují vlastnosti mléka pomocí neintuitivních kombinací rostlinných surovin (typicky se zmiňují kombinace jako ananas a zelí pro dosažení určitého senzorického profilu). Důležité ale není „šokující ingredience“. Důležité je, že AI dokáže:

1. Prohledat obrovský prostor kombinací (co spolu teoreticky dává smysl).
2. Odhadnout funkčnost (co udělá textura, emulze, pH, aroma).
3. Navrhnout kandidáty pro laboratorní ověření.

Dopad na zemědělství: signál pro pěstitele a dodavatele

Jakmile se zrychlí vývoj produktů, mění se i poptávka po surovinách. V praxi to znamená:

• větší tlak na konzistenci kvality šarží (proteiny, škroby, vláknina, oleje),
• potřebu sdílení dat o funkčních vlastnostech suroviny, ne jen o „zemi původu“,
• prostor pro lokální suroviny, pokud mají stabilní parametry a dobře popsané vlastnosti.

Pro český kontext tohle otevírá dveře producentům hrachu, ovsa, řepky, bramborového škrobu nebo vláknin – ale jen pokud budou umět dodat data a opakovatelnost.

„Discernment layer“: proč samotné generování nestačí

Klíčový bod: generativní AI umí vyrobit 10 000 nápadů. Hodnotu dělá filtr, který vybere těch 10 použitelných.

Kdo někdy zkusil použít běžný jazykový model na návrh receptur, zná to: vzniknou „hezké“ kombinace slov, ale často ignorují technologii výroby, legislativu, náklady i dostupnost. NotCo popisují řešení jako vrstvu rozlišování (discernment), která:

• vyhodnocuje nápady podle dalších kritérií (škálovatelnost, cena, preference zákazníků),
• používá kontext z reálného vývoje,
• a počítá s lidskou zpětnou vazbou (senzorici, technologové, flavoristi).

„Discernment není o generování nápadů. Je o výběru těch, které obstojí v reálném světě.“

Jak vypadá „discernment“ v praxi (a jak to můžete převzít)

V českých firmách se dá stejný princip postavit i bez sci-fi rozpočtů. Potřebujete jen jasná hodnoticí pravidla.

Příklad hodnoticího skóre pro nové receptury (0–5 bodů):

• Chuť a aroma (panel / predikce)
• Textura a stabilita (laboratorní testy)
• Cena na porci / kg
• Dostupnost surovin (min. 2 dodavatelé)
• Deklarace a alergeny
• Škálování (pilot → linka)

AI může generovat návrhy, ale gating (brány) musí být tvrdé. Jinak spálíte čas i rozpočet.

Největší brzda: roztříštěná data v dodavatelském řetězci

Klíčový bod: potravinářský řetězec je fragmentovaný, a bez sdílení dat AI nenajde dobrá řešení.

NotCo narazili na typický problém: data sedí u dodavatelů ingrediencí, flavor houses, výrobců, výzkumných institucí – každý drží svůj dílek skládačky. Pokud chce AI navrhovat receptury, které jsou „market-ready“, musí vidět:

• co je reálně dostupné,
• jaké jsou variace kvality,
• jak se surovina chová v konkrétním procesu,
• a jaký je dopad na cenu a udržitelnost.

Tahle logika je blízká preciznímu zemědělství: když nemáte propojená data o půdě, porostu, zásazích a výnosech, tak optimalizujete naslepo. V potravinářství je ekvivalentem propojení dat mezi nákupem, vývojem, výrobou a kvalitou.

Co funguje jako motivace ke sdílení dat

Z praxe mám ověřené, že „sdílejme data, protože inovace“ nezabírá. Zabírá konkrétní výměna hodnoty:

• Rychlejší kvalifikace suroviny (dodavatel vyhraje tendr dřív)
• Společné testy (sdílené náklady na pilot)
• Lepší forecast (stabilnější odběry pro pěstitele)
• Bonusy za stabilitu parametrů (odměna za menší variabilitu)

Pokud chcete AI v potravinářství, začněte u smluvních a procesních detailů, ne u nákupu „nějakého modelu“.

Proč velké značky často zůstávají u prezentací

Klíčový bod: zájem o AI je vysoký, ale bez přestavby R&D týmu se nic nezmění.

V článku zaznívá nepříjemná pravda: velké CPG značky mají „intent“, ale chybí jim konkrétní akční plán na AI-enabled R&D workforce. Přeloženo do našeho prostředí: nestačí mít data scientistu na marketingové dashboardy, když se vývojový technolog bojí otevřít nástroj, který mu navrhne alternativy surovin.

Minimální plán na 90 dní: AI pro vývoj potravin

Tady je praktický rámec, který dávám firmám, když chtějí začít bez chaosu:

1. Týden 1–2: vyberte úlohu s jasnou metrikou
   • např. zkrátit vývoj prototypu z 8 týdnů na 5
2. Týden 3–6: sjednoťte data pro jednu produktovou řadu
   • receptury, nákup, kvalita, senzorika
3. Týden 7–10: postavte „discernment“ pravidla
   • co projde do labu, co končí
4. Týden 11–13: pilotní běh + vyhodnocení
   • porovnat proti kontrolnímu vývoji (čas, náklady, kvalita)

Tohle je přesně typ „malého vítězství“, které odemkne rozpočet i důvěru.

Co to znamená pro naši sérii „Umělá inteligence v zemědělství a potravinářství“

AI v zemědělství často vnímáme jako drony, satelity, mapy výnosů a řízení hnojení. Ale potravinářství je druhá polovina stejného příběhu: od pole až na talíř. Pokud se vývoj produktů zrychlí a zpřesní, budou se měnit požadavky na suroviny, transparentnost a kvalitu napříč řetězcem.

A já si stojím za tímhle: největší přínos AI v potravinářství v roce 2026 nebude „vygeneruj mi recept“. Bude to systematické rozhodování – co testovat, v jakém pořadí, s jakými surovinami, a co má šanci projít do výroby.

Pro firmy, které chtějí sbírat leady a zároveň posunout inovace, to otevírá jednoduchou otázku: máte dnes data a procesy nastavené tak, aby vám AI opravdu šetřila pokusy – nebo jen hezky generovala nápady do prezentací?

Pokud chcete, napište si interně jednu věc, kterou do konce ledna 2026 změříte (čas prototypu, cena receptury, stabilita šarží). A pak tomu přizpůsobte data i „discernment“. Výsledky přijdou rychleji, než si většina týmů myslí.