AI v potravinářství: recepty ano, ruce pořád vedou

Generativní AI dnes umí během pár vteřin navrhnout „nový“ recept na sušenku, omáčku nebo těstoviny. A přesto se v praxi pořád děje to samé: tým ve vývoji potravin stráví týdny až měsíce testováním, laděním textury, stability, chuti a výrobních parametrů. Protože jídlo není jen seznam ingrediencí. Je to práce rukama, smysly a procesem.

Potravinářský vědec Ali Bouzari to v jedné debatě pojmenoval trefně: stejně jako má generativní AI problém nakreslit věrohodné lidské ruce, v kuchyni i ve výrobě naráží na „ruční“ realitu – jemné detaily, které rozhodují, jestli je produkt skvělý, nebo nepoužitelný.

V rámci naší série Umělá inteligence v zemědělství a potravinářství beru tenhle post jako případovou studii: kde AI opravdu pomáhá v inovaci potravin, kde škodí (hlavně očekáváním) a jak ji nastavit tak, aby z toho byl obchodní výsledek – a ne jen hezká prezentace.

Proč AI často selhává u „receptů“ (a není to její vina)

AI se plete, když po ní chceme hotový recept jako finální odpověď. Ne proto, že by „nebyla chytrá“, ale protože většina receptového know-how v potravinářství není text. Je to řetězec fyzikálně-chemických jevů, výrobních omezení a senzoriky.

V praxi to znamená, že generativní model umí skvěle:

• poskládat typické kombinace surovin,
• navrhnout varianty (bezlepek, vegan, high-protein),
• inspirovat směry (přidat kyselost, snížit sladkost, změnit aromatický profil).

Ale často nezvládne:

• technologickou funkci suroviny (co dělá v receptu a proč),
• hranice dávkování (kdy už přísada degraduje chuť nebo texturu),
• škálování z kuchyňského pokusu do výroby,
• interakce (pH, voda, tuky, emulgace, škroby, proteiny),
• robustnost (chování v různých šaržích a při změně dodavatele).

Bouzari ve zdrojovém příběhu popisuje opakující se situaci: lidé přijdou s tím, že „AI doporučila marantu (arrowroot) do sušenky“, a přitom je to v mnoha případech zbytečná ingredience. Tohle je typický příklad: model něco „viděl“ často v receptech, a proto to doporučí – ne proto, že chápe cílovou texturu, aktivitu vody nebo výrobní teplotní profil.

Silná věta, kterou si v potravinářství hlídejte: AI umí navrhnout směr. Ruce a data musí potvrdit, že směr dává smysl.

AI jako „sous-chef“: kde přináší reálnou hodnotu v potravinářství

Nejlepší nasazení AI v potravinářství je tam, kde zkracuje iterace a zvyšuje jistotu rozhodování. Tedy ne „vymysli mi nový produkt“, ale „pomoz mi rychleji vybrat nejlepší kandidáty a omezit slepé uličky“.

1) Zrychlení vývoje receptur pomocí řízených experimentů

V R&D funguje lépe kombinace:

• generování nápadů (AI),
• návrh experimentální matice (statistika/DoE),
• měření (textura, viskozita, stabilita, senzorika),
• modelování výsledků (ML predikce),
• rozhodnutí člověka (trade-off chuť × cena × čistá etiketa).

Praktický příklad z běžné výroby: ladíte omáčku, která se při ohřevu „trhá“. Generativní AI vám vyplivne 10 stabilizátorů. Skutečná úspora nastane až ve chvíli, kdy AI napojíte na interní data (minulé šarže, reklamace, výsledky viskozity) a necháte ji doporučit 3–4 testy s nejvyšší pravděpodobností úspěchu.

2) Optimalizace nákladů a dostupnosti surovin (vazba na zemědělství)

V prosinci 2025 je téma dostupnosti surovin tvrdá realita. Klimatické výkyvy, tlak na vodu, výnosy a logistika se propisují do cen. Bouzari zmiňuje kakao a kávu jako komodity „v průšvihu“. To není jen mediální zkratka – pro produktové týmy to znamená:

• vyšší volatilita ceny,
• kolísající kvalita,
• nutnost reformulací.

AI dává smysl jako nástroj pro reformulace a substituce, protože umí:

• hledat alternativy s podobným funkčním profilem,
• simulovat dopad na nutriční hodnoty a alergeny,
• navrhnout více „bezpečných“ variant pro různé trhy.

Tady se krásně propojuje potravinářství s precizním zemědělstvím: čím přesněji zemědělská data předpovídají výnosy a kvalitu (např. obsah sušiny, cukernatost, vlhkost), tím lépe může potravinář plánovat receptury a nákup.

3) Kvalita, senzorika a konzistence: AI jako hlídač standardu

U potravin platí jednoduché pravidlo: zákazník odpustí „novinku“, ale neodpustí nekonzistenci. Když stejný produkt chutná jednou skvěle a podruhé ploše, důvěra padá.

AI (včetně počítačového vidění) je užitečná v:

• detekci vad na lince (barva, tvar, praskliny),
• predikci odchylek podle procesních dat (teplota, tlak, čas),
• analýze senzorických dat (panel + instrumentální měření).

Výsledkem není „kreativita“, ale méně zmetků, méně odpadu a stabilnější kvalita – a to jsou v roce 2025 metriky, které management slyší.

Myth-busting: „AI nám vymyslí nový produkt“ vs. realita inovací

Většina firem tohle uchopí špatně. Zaplatí si workshop, vyzkouší chatbota, dostane 30 receptů… a pak narazí na zeď. Nejsou data, není proces, není zodpovědnost.

Co funguje lépe:

1. Definujte zadání jako problém, ne jako recept.

   • Špatně: „Vymysli novou proteinovou tyčinku.“
   • Dobře: „Chci tyčinku 55 g, 18–20 g bílkovin, do 6 g cukru, bez mléka, trvanlivost 9 měsíců, cílová cena X, textura nekřehká v zimě.“

2. Rozlišujte inspiraci a validaci.

   • AI je skvělá na inspiraci.
   • Validace musí být laboratorní a výrobní.

3. Napojte AI na interní know-how (bezpečně).

   • Minulé receptury, výsledky testů, reklamace, procesní parametry.
   • Bez toho bude AI opakovat „internetové průměry“.

4. Zaveďte jednoduché brány rozhodování.

   • Gate 1: splnění legislativy a alergenů.
   • Gate 2: technologická proveditelnost.
   • Gate 3: senzorika.
   • Gate 4: ekonomika a škálování.

Tahle disciplína zní nudně. Jenže právě ona odděluje firmy, které z AI udělají nástroj pro marži, od těch, které z ní udělají PR.

Udržitelnost: AI může pomáhat, ale taky může zbytečně pálit energii

Bouzari trefně upozorňuje na rozpor, který v potravinářství často přehlížíme: pokud používáme masivní výpočet na generování „nových těstovinových receptů“, přitom nás nejvíc tlačí klimatická změna, je to špatně nastavená priorita.

Tohle téma je v prosinci 2025 ještě citlivější kvůli:

• cenám energie,
• ESG tlaku,
• požadavkům retailu na uhlíkovou stopu a odpady.

Praktická zásada pro týmy:

• AI nasazujte tam, kde snižuje plýtvání (zmetkovitost, energie ve výrobě, potravinový odpad),
• a omezte „AI pro zábavu“, která nemá měřitelný dopad.

Chcete-li být fér k vlastnímu rozpočtu i k uhlíku, dá se to řídit metrikami:

• počet zkrácených experimentálních iterací,
• snížení odpadu v kg / měsíc,
• snížení energie na jednotku produkce,
• zlepšení predikce trvanlivosti (méně vyhazování).

Jak začít: 30denní plán pro potravináře (bez magie)

Nejrychlejší cesta k výsledkům je malý pilot, který navazuje na reálný problém. Tady je plán, který jsem viděl fungovat i v menších týmech.

Týden 1: Vyberte „bolest“, která stojí peníze

Vyberte jeden problém:

• nestabilní konzistence,
• vysoká zmetkovitost,
• časté reformulace kvůli cenám surovin,
• reklamace na texturu,
• dlouhá doba vývoje.

Týden 2: Dejte dohromady data a slovník

• sjednoťte názvy surovin a šarží,
• připravte 50–200 historických záznamů (stačí základ),
• definujte cílové metriky (např. viskozita, křehkost, aktivita vody, senzorické skóre).

Týden 3: Postavte jednoduchý model doporučení

• generativní AI použijte na návrh variant,
• ML model (nebo i pravidla) na výběr kandidátů,
• člověk schválí testovací sadu.

Týden 4: Otestujte, změřte, rozhodněte

• 3–6 experimentů,
• jasná tabulka výsledků,
• rozhodnutí: škálovat / upravit / zastavit.

Pokud po 30 dnech neumíte říct „ušetřili jsme X hodin“ nebo „snížili jsme odpad o Y %“, pilot byl špatně zadaný. Ne AI.

Co z toho plyne pro AI v zemědělství a potravinářství v roce 2026

AI bude v potravinářství nejcennější tehdy, když přestane hrát šéfkuchaře a začne dělat disciplínu: predikci, optimalizaci, kontrolu a chytré návrhy experimentů. Kreativita zůstane lidská – protože chutě, kontext a „ruce“ se nedají zjednodušit na textový prompt.

Zároveň platí, že tlak klimatu (kakao, káva, další komodity) donutí značky dělat reformulace rychleji než dřív. A právě tady se propojí celý náš seriál: od dat z pole přes predikce výnosů až po chytré rozhodování ve výrobě.

Pokud chcete AI používat tak, aby to přineslo leady, nové zákazníky nebo konkrétní úspory, začněte jedním procesem, jednou metrikou a jedním pilotem. A pak teprve přidávejte „kreativní“ vrstvy.

Co by se ve vašem portfoliu rozpadlo jako první, kdyby se v roce 2026 dál zhoršila dostupnost klíčové suroviny — a máte už datovou odpověď, jak ji nahradit?