AI v potravinářství je standard: od farmy po recepturu

V roce 2025 už se v potravinářství nehraje na to, kdo „zkusí nějakou AI“. Hraje se na to, kdo ji má zapojenou do vývoje produktů, nákupu surovin, výroby a kontroly kvality tak, aby to bylo měřitelné a opakovatelné. Přesně to ukazují tři zdánlivě vzdálené příklady: startup, který čte signály spotřebitelů dřív než konkurence, firma, která hledá nové funkční bílkoviny pomocí algoritmů, a tradiční hráč, který digitalizuje práci s aromaty.

Tohle téma do série „Umělá inteligence v zemědělství a potravinářství“ zapadá dokonale: jakmile se AI stane běžnou v posledním článku řetězce (produkt a značka), tlak na precizní zemědělství, predikci výnosů a optimalizaci dodavatelského řetězce roste i směrem zpět – k farmě. A v době, kdy firmy na konci roku 2025 řeší souběh dražších vstupů, regulací, reformulací a klimatické nejistoty, je rychlost rozhodování konkurenční výhodou.

AI napříč hodnotovým řetězcem: proč je to „nutný základ“

AI se stala tablestakes (nutným základem), protože zkracuje čas od nápadu k produktu a snižuje riziko špatného rozhodnutí. V potravinářství je problém tradičně stejný: dlouhé cykly vývoje, nákladné testování, komplikované receptury a realita výroby, která „zničí“ polovinu laboratorních nápadů.

Když se ale propojí data ze spotřeby, výzkumu ingrediencí, procesních parametrů výroby a variability surovin, AI umí udělat dvě věci, které lidé dělají pomalu:

1. Najít vzorce v obrovském šumu (co se opravdu prodává a proč).
2. Navrhnout kandidáty řešení (ingredience, receptury, parametry procesu) rychleji, než je stihne tým ručně prozkoumat.

Jedna věta, kterou si u tohoto trendu držím: Data sama o sobě nikoho nenasytí. Hodnotu dělá až rozhodnutí – a AI zrychluje rozhodování.

Starday: AI, která čte trh dřív, než vznikne trend

Nejrychlejší cesta k propálenému rozpočtu je vyvíjet produkt podle pocitu. A právě tady se objevuje model typu Starday: místo klasických focus groups a pomalých reportů se pracuje s miliony signálů týdně (obsah ze sociálních sítí, průzkumy, data z pokladen, recenze, vyhledávání).

Co je na tom nové (a proč to zajímá i zemědělství)

Dřív se sledovalo, co lidé píšou. Dnes jde o to, co lidé ukazují – zejména video obsah. Moderní AI umí z videí a komentářů vytěžit:

• kontext (kdy a kde se produkt používá),
• důvody preference (chuť, „čistá etiketa“, vysoký protein, cena),
• bariéry nákupu (alergeny, sladidla, konzistence),
• signály změny (nové kombinace chutí, sezónní poptávka).

A teď důležitý přesah do série o AI v zemědělství: když značka dřív ví, co bude chtít trh, může dřív upravit nákup surovin. To je přímá motivace pro:

• lepší plánování osevů a kontraktů,
• predikci poptávky po konkrétních komoditách,
• optimalizaci skladování a logistiky,
• snížení odpadu z „přestřelené“ výroby.

Praktická otázka: „K čemu mi je to v české firmě?“

Nemusíte analyzovat 10 milionů kusů obsahu týdně, abyste získali efekt. I střední výrobce v ČR může začít tímto minimem:

• spojit prodeje (ERP) + reklamace + recenze e‑shopů + data od obchodních řetězců,
• doplnit jednoduché „voice of customer“ (krátký dotazník po nákupu),
• použít AI na shlukování problémů (např. „příliš sladké“, „drolí se“, „divná vůně“),
• převést výstupy do backlogu reformulací a testů.

Klíč je disciplína: AI není náhrada produktového týmu. Je to násobič jejich kapacity.

Shiru: hledání nových ingrediencí pomocí AI už není laboratorní hra

AI v oblasti ingrediencí dává smysl tehdy, když neskončí u „kandidáta v excelu“, ale dojde až k výrobě a aplikaci v receptuře. Přesně tenhle posun reprezentuje Shiru: AI prohledává obrovský prostor rostlinných „stavebních bloků“ a hledá proteiny s konkrétní funkcí.

V praxi to znamená, že se nehledá jen „nový protein“, ale protein, který umí v receptuře nahradit funkci, například:

• strukturování tuků (oleogely) a práce s texturou,
• emulgace,
• stabilita při teplotní zátěži,
• chování při míchání a skladování.

Proč jsou funkční ingredience v roce 2025 tak velké téma

Konec roku 2025 je v Evropě i mimo ni ve znamení tlaku na:

• reformulace (méně cukru, méně aditiv, čitelnější složení),
• odolnost vůči výkyvům surovin (klima, ceny energií, logistika),
• udržitelnost bez ztráty chuti.

Tohle není marketingová kosmetika. Když vám vypadne dostupnost určité suroviny nebo se zvedne cena o desítky procent, receptura, která byla stabilní roky, se najednou rozpadne. AI urychluje hledání náhrad – ale teprve výroba ukáže pravdu.

Co si z toho vzít pro agro a potravinářské R&D

Pokud děláte vývoj potravin nebo dodáváte suroviny, dává smysl přemýšlet o AI jako o systému pro „rychlé kandidátování“:

• Vytvořte databázi vlastností surovin (šarže, původ, parametry).
• Zaveďte standardizované senzorické a technologické testy.
• Učte modely na tom, které kombinace fungují ve výrobě, ne jen v laboratoři.

A jedna přímá rada: nejcennější data nejsou ta „hezká“. Jsou to data o selháních. V potravinářství se chyby často schovávají do poznámek technologů. Přepište je do struktury – a máte poklad.

Givaudan a „velcí“: když AI dorazí do aroma a senzoriky

Když do AI investují i tradiční společnosti s desetiletími know-how, je jasné, že nejde o módní vlnu. Směr je zřejmý: digitalizace senzoriky (vůně, aroma, chuť) a rychlejší iterace při vývoji.

To je zásadní, protože senzorika je v potravinářství úzké hrdlo:

• měří se obtížně,
• vyžaduje experty,
• výsledky jsou do určité míry subjektivní,
• a testování trvá.

AI tady nepřináší „robotický nos“ jako náhradu lidí, ale lepší mapování a konzistenci práce s aromatickými profily. Pro výrobce to znamená kratší cyklus změn: z nápadu na prototyp, z prototypu na stabilní recepturu.

Z pohledu zemědělství je to zajímavé i jinak: variabilita surovin (odrůda, ročník, lokalita) se často projeví právě v aroma a chuti. Pokud máte AI nástroje pro popis a řízení senzoriky, lépe zvládnete i kolísání vstupů.

Jak AI propojit „od pole po regál“: 5 konkrétních scénářů

Největší hodnotu má AI tehdy, když propojí farmu, výrobu a trh do jedné zpětné vazby. Tady je pět scénářů, které v praxi vídám jako nejrychlejší na realizaci (a s jasným business dopadem):

1. Predikce poptávky → plán surovin

   • Spojte prodeje, promo kalendář a sezónnost.
   • Výstup: objednávky a kontrakty surovin s menšími výkyvy.

2. Variabilita surovin → nastavení procesu

   • Data z příjmu surovin (vlhkost, protein, cukry) propojit s parametry výroby.
   • Výstup: doporučení nastavení linky pro každou šarži.

3. Kontrola kvality pomocí počítačového vidění

   • Kamery na lince: tvar, barva, defekty, správné plnění.
   • Výstup: méně zmetků a reklamací.

4. Optimalizace receptury pro reformulaci

   • AI navrhne kandidáty náhrad (cukr, barviva, stabilizátory).
   • Výstup: kratší vývoj, méně slepých uliček.

5. Sledování trendů → rychlé prototypy

   • Social listening + recenze + interní R&D data.
   • Výstup: produktový roadmap založený na signálech, ne dojmech.

Nejčastější otázky z praxe (a přímé odpovědi)

„Kolik dat potřebujeme, aby to fungovalo?“

Méně, než si myslíte – pokud jsou konzistentní. U mnoha use-case stačí 6–12 měsíců kvalitních interních dat (prodeje, výroba, kvalita). Kritická je jednotná struktura a definice metrik.

„Má smysl začínat, když nemáme datový tým?“

Ano, ale začněte jedním případem použití. Jeden úspěšný pilot (např. vizuální kontrola na lince) obvykle financuje další kroky.

„Co je největší riziko?“

Implementovat AI bez změny procesů. Když výstupy modelu nikdo nevlastní, neexistuje odpovědnost a AI se stane drahým dashboardem.

Co s tím udělat v Q1 2026: jednoduchý plán na 30 dní

Pokud jste výrobce potravin, zemědělský podnik nebo dodavatel ingrediencí, tenhle 30denní postup je realistický i bez obřího rozpočtu:

1. Týden 1: vyberte jeden cíl (např. snížení zmetkovitosti o 10 %).
2. Týden 2: sepište dostupná data a co chybí (kde vznikají, kdo je vlastní).
3. Týden 3: pilotní model / pravidla (i jednoduchá analýza často přinese efekt).
4. Týden 4: zaveďte rozhodovací rutinu (kdo jedná podle výstupu, kdy, jak se měří dopad).

Dobrá AI iniciativa je poznat podle toho, že má měřitelnou metriku, majitele a frekvenci rozhodnutí.

Kam to míří dál: AI jako základ moderního potravinového systému

AI se v roce 2025 posunula z „hezké inovace“ na provozní nutnost – a to nejen ve vývoji produktu, ale i v zemědělství, logistice a výrobě. Příklady typu Starday, Shiru a Givaudan ukazují stejnou logiku: kdo umí rychleji převést data na rozhodnutí, vyhraje rychlostí, náklady i stabilitou dodávek.

V další části naší série „Umělá inteligence v zemědělství a potravinářství“ se vyplatí podívat právě na to, jak propojit predikci výnosů, kvalitu surovin a plán výroby do jednoho toku. Protože otázka pro rok 2026 už nezní, jestli AI použít. Zní: kde v řetězci vám dnes vzniká největší ztráta – a jak ji zítra měřit a řídit pomocí dat?