AI ve vůních: co NotCo učí potravináře i farmáře

Oddělení vývoje potravin má nový problém: už nejde jen o chuť. Značky řeší barviva, alergeny, reformulace kvůli regulaci, tlak na cenu, a k tomu úplně novou vrstvu – smyslový zážitek napříč produkty. A teď přidejte něco, co zní jako vtípek, ale není: AI, která umí napodobit lidský pach pro domácí mazlíčky.

Právě tímto směrem (podle slov svého CEO) míří NotCo: partnerství s velkou pet firmou a model, který má umět „profilovat“ lidskou vůni a vytvořit mlhu/parfém, který ji připomíná, aby pomohl psům se separační úzkostí. Na první pohled mimo potravinářství. Ve skutečnosti je to ukázkový příklad toho, kam se posouvá umělá inteligence v zemědělství a potravinářství: od výnosů a kvality suroviny až po to, jak mozek (nebo psí nos) vnímá výsledný produkt.

Tenhle článek je součástí série „Umělá inteligence v zemědělství a potravinářství“. A i když se dnes budeme bavit o vůních a psech, pointa je velmi praktická: kdo si postaví AI schopnosti pro smyslový design (chuť–vůně–barva), bude rychlejší v inovacích i odolnější v krizi surovin a regulace.

Proč je „AI pro vůně“ relevantní pro potravinářství

AI pro vůně je relevantní proto, že většina toho, čemu říkáme „chuť“, je ve skutečnosti vůně. A pokud umíte navrhovat vůně, umíte nepřímo navrhovat chuťový profil produktu.

V potravinách se vůně řeší odjakživa (aroma, top notes, maskování hořkosti), ale proces bývá pomalý: iterace v laboratoři, senzorické panely, testování stability, dostupnost ingrediencí a cena. NotCo už dřív ukázalo, že chce tento proces zrychlit generativním modelem pro vůně a chutě (jejich „Generative Aroma Transformer“/překladač aromat). Nyní jen rozšiřují koncept na personalizaci.

Smyslový design jako podnikový „pain point“ roku 2026

Na konci roku 2025 je v oboru vidět jasný trend: firmy už neřeší, jestli AI zkusit, ale kde přesně přinese návratnost. Smyslový design je extrémně drahá oblast, protože:

• vyžaduje specialisty (flavoristy, parfemáře, sensory science),
• opírá se o dlouhé cykly testování,
• naráží na volatilitu surovin (výpadky, zdražení, změna kvality),
• často jde o „jemné“ změny, které ale rozhodují o opakovaném nákupu.

Pokud AI umí navrhovat receptury vůní „na první dobrou“ a pak je rychle dolaďovat, překlápí se inovace z měsíců na týdny. To není hype. To je konkurenční výhoda.

Co NotCo vlastně dělá: od potravin k „23andMe pro pach“

NotCo je známé jako AI-first firma, která si kdysi musela vybudovat důvěru tím, že uvedla vlastní produkty (např. majonézy, zmrzliny, burgery). Až pak začala masově dělat partnerství s velkými značkami. Důležitý signál: AI se v potravinách často prosazuje až ve chvíli, kdy je vidět na skutečném produktu.

V článku z prostředí Smart Kitchen Summit zaznělo, že NotCo pracuje na technologii, která by uměla udělat scent profiling člověka a vytvořit „mlhu“ s podobnými top notes. CEO to přirovnal k „23andMe pro váš pach“. Pro psy (a jejich extrémně citlivý čich) by to mělo fungovat jako uklidňující podnět při odloučení.

Proč je to strategicky chytré i mimo pet segment

Z pohledu potravin a zemědělství to ukazuje tři věci:

1. AI modely se posouvají od textu a obrazu ke chemii a materiálům. Vůně i chuť jsou „receptury“ – kombinace molekul, koncentrací a interakcí.
2. Personalizace přichází i do oblastí, kde byste ji nečekali. Nejen „dietní plán“, ale i „smyslový podpis“ člověka.
3. Značky budou více řídit emoce a chování přes smysly. U psů je to zjevné. U lidí to dělá obal, aroma v kavárně, vůně pečiva v obchodě.

Tohle je přesně ten typ „neobvyklé aplikace“, který rozšiřuje hranice potravinového ekosystému – od plodiny až po moment, kdy produkt působí na nervovou soustavu.

Jak se generativní AI používá v aromatech, chutích a barvách

Generativní AI v aromatech funguje tak, že se učí vztah mezi popisem cíle (např. „svěží citrus s květinovým dozvukem“) a chemickými formulacemi (směs látek a jejich poměrů). Z praxe to znamená rychlejší návrh kandidátních receptur, které pak stejně musí projít laboratorní validací.

1) „Text → receptura“ není magie, ale urychlení iterace

Užitečná věta, kterou si můžou odnést i potravináři: AI nenahrazuje laboratoř; nahrazuje první tři slepé uličky.

Kde to pomáhá nejvíc:

• návrh alternativních aromat při výpadku klíčové suroviny,
• maskování nežádoucích tónů (např. luštěninové „beany“ u rostlinných proteinů),
• sjednocení profilu mezi šaržemi (když surovina „chodí“ kvalitou),
• rychlé „co kdyby“ scénáře pro R&D.

2) Barviva: nejrychlejší business case posledních 24 měsíců

NotCo v původním materiálu zmiňuje desítky aktivních projektů na náhradu barviv. To dává smysl: tlak na odstranění syntetických barviv a „clean label“ má přímý dopad na receptury.

Proč se to hodí i pro české výrobce:

• barva je první dojem (zvlášť u dětských produktů, nápojů, cukrovinek),
• přírodní barviva mají jiné chování ve světle, pH a teplotě,
• reformulace často rozbije chuť i vůni – musíte řešit vše najednou.

AI tady umí pomoci zejména v tom, že propojí znalosti o stabilitě, senzorice a dostupnosti ingrediencí do jednoho návrhového procesu.

3) „Scent profiling“ jako analogie pro zemědělství: profil plodiny

Propojení se zemědělstvím je překvapivě přímé. Vůně je signatura směsi. Stejně tak:

• aromatický profil jahod se liší podle odrůdy, půdy a sklizně,
• chmel má chemický profil, který rozhoduje o stylu piva,
• mléko se liší dle krmiva a sezóny.

Jakmile máte data (chemie, podmínky pěstování, senzorika), AI dokáže hledat vztahy: který agronomický zásah vede k jakému senzorickému výsledku. To je praktická definice toho, co by mělo znamenat „AI v zemědělství“ pro potravinářský řetězec.

Co si z toho vzít: 6 praktických kroků pro firmy v agrifoodu

Pokud jste výrobce potravin, nápojů, ingrediencí nebo zemědělský podnik s ambicí jít výš v hodnotovém řetězci, tady je konkrétní postup, který jsem viděl fungovat.

1. Vyberte jeden smyslový problém, který bolí nejvíc. Typicky: stabilita barvy, konzistence aroma, nebo maskování nežádoucích tónů.
2. Zmapujte data, která už existují. Laboratorní analýzy, reklamace, senzorické testy, šarže, dodavatelé, skladování.
3. Zaveďte „standard slovníku“ pro senzoriku. Bez jednotných descriptorů (vůně, chuť, dozvuk, intenzita) AI jen hádá.
4. Propojte R&D a nákup. Největší přínos AI je v návrzích, které jsou nejen chutné, ale i dostupné a cenově udržitelné.
5. Validujte rychle: malé šarže, jasná metrika úspěchu. Například „shoda profilu ≥ 90 %“ nebo „pokles nákladů o 5 % při stejné preferenci“.
6. Připravte governance: kdo rozhoduje, co se pustí do výroby. AI návrh bez rozhodovacího rámce skončí v šuplíku.

Jedna věta pro management: AI v potravinářství se vyplácí tam, kde zkracuje počet iterací a snižuje riziko špatné reformulace.

Časté otázky, které teď budou padat (a krátké odpovědi)

Bude to fungovat i bez „velkých dat“?

Ano, ale jinak. Bez velkých datasetů je AI nejlepší jako nástroj pro generování kandidátů a strukturování experimentů. Návratnost přichází, když zkrátíte cyklus testování.

Nahradí AI flavoristy a technologe?

Ne. Zkušený technolog je pořád ten, kdo ví, co udělá teplo, pH, tlak, emulze a skladování. AI vám dá návrhy; člověk rozhodne, co je fyzikálně a legislativně průchodné.

Co jsou největší rizika?

Tři typická: (1) nereálné očekávání („AI to udělá sama“), (2) špatná data a chaos v názvosloví, (3) podcenění regulace a deklarací u aromat a aditiv.

Kam to míří v roce 2026: od „chuti“ k řízení chování

Projekt s „lidskou vůní pro psy“ je zajímavý hlavně tím, že posouvá AI do prostoru, kde se měří dopad na chování. V agrifoodu to bude obdobné:

• méně odpadu díky přesnějšímu nastavení čerstvosti a aroma,
• produkty pro nové stravovací návyky (včetně poptávky po vyšší sytivosti a nižší kalorické hustotě),
• cílené senzorické profily pro konkrétní segmenty (děti, senioři, sport).

Ať už jde o plodiny, receptury, nebo vůně, vítězí jednoduché pravidlo: kdo umí převádět smyslový cíl na technickou specifikaci, bude rychlejší než konkurence.

Pokud vás v rámci série „Umělá inteligence v zemědělství a potravinářství“ zajímá, jak podobný přístup zavést u vás (od dat přes pilot až po interní procesy), dává smysl začít malým, ale reálným use-casem: barva, aroma, nebo stabilita šarží.

A teď ta nepohodlná, ale užitečná otázka na závěr: až vám příští rok vypadne klíčová surovina nebo se změní regulace, budete mít schopnost recepturu přepočítat během týdnů – nebo to zase budou měsíce?