AI a vaření elektrickým proudem: rychlejší jídlo

Čtyři minuty na muffiny místo půl hodiny v troubě. Nejde o trik s mikrovlnkou ani o „nový režim“ horkovzduchu. Na CES se už v roce 2024 ukázal koncept, který ohřívá jídlo zevnitř přes elektrický proud – kombinací ohmického ohřevu a pulsního elektrického pole (PEF). A i když to na první poslech zní jako sci‑fi, pro potravinářství i zemědělství je to docela praktická zpráva: tam, kde umíme přesně řídit energii a proces, umí AI vytěžit maximum.

V naší sérii „Umělá inteligence v zemědělství a potravinářství“ se většinou bavíme o plodinách, sklizni, kvalitě surovin a výrobě. Tahle novinka je „jen“ kuchyňský spotřebič – jenže právě kuchyně bývá poslední článek řetězce, kde se promítne kvalita suroviny, stabilita receptury i energetická efektivita. A to je přesně místo, kde může AI přestat být buzzword a začít být měřitelná přidaná hodnota.

Co znamená „vaření elektrickým proudem“ v praxi

Elektrický proud není v potravinářství exotika. Ohmický ohřev funguje jednoduše: potravina (nebo směs) má určitou vodivost, a když jí prochází proud, zahřívá se objemově a relativně rovnoměrně. Výsledek? Méně „horkých okrajů“ a „studeného středu“.

PEF (pulsed electric field) se v průmyslu používá i pro šetrnější zpracování – krátké pulzy mohou narušovat buněčné membrány. V kuchyňském kontextu se tím zlepšuje přenos tepla i struktura některých potravin. Sevvy (startup představený na CES 2024) popisuje svůj přístup jako „integrální ohřev“: proud prochází jídlem a dodává teplo současně v celém objemu, což má drasticky zkracovat časy přípravy.

Praktická ukázka z článku byla jednoduchá a pro čtenáře srozumitelná: borůvkové muffiny za cca 4 minuty – chuťově srovnatelné s klasickým pečením.

Proč je rovnoměrnost tak důležitá

Rovnoměrný ohřev není jen komfort. V potravinářství se na něm lámou tři věci:

• Bezpečnost (dosažení teploty v celém objemu, eliminace rizikových zón)
• Konzistence (stejná textura a chuť napříč šarží)
• Energetika (méně ztrát do okolí, kratší proces)

A právě tady se otevírá prostor pro AI: jakmile máte proces, který jde jemně řídit v čase a výkonu, AI umí najít nastavení, které člověk „od oka“ nedá.

Co na tom může být „zdravější“ – a kde je potřeba být přísný

Sevvy podle popisu tvrdí, že jejich metoda může snížit potřebu tuků při pečení/vaření až o 50 % a zároveň omezit množství soli a cukru. To je silné tvrzení a z pohledu praxe bych k němu přistupoval takto:

• Dává smysl, že rovnoměrné prohřátí může zlepšit vnímanou šťavnatost a texturu i s menším množstvím tuku.
• U cukru a soli jde často o chuťový profil a technologickou funkci (karamelizace, vaznost vody, fermentace). Tam bude záležet na receptuře a cíli.

Pro čtenáře z potravinářství je důležité jedno pravidlo: „Zdravější“ není vlastnost stroje, ale výsledku v kontextu receptury a výživových hodnot. Přístroj může vytvořit podmínky, aby šlo snížit určité složky bez ztráty kvality – ale to vyžaduje měření a řízení.

A to už je typická disciplína pro AI: optimalizace mezi chutí, strukturou, výživou, časem a energií.

Kde do toho přirozeně zapadá AI (a proč to není jen marketing)

AI není potřeba k tomu, aby proud prošel jídlem. AI je potřeba k tomu, aby výsledek byl konzistentní, bezpečný a optimalizovaný napříč surovinami, recepty a prostředími.

1) Prediktivní řízení procesu místo „časovače“

Klasická trouba často funguje jako kompromis: nastavíte teplotu a čekáte. U elektrického ohřevu přes potravinu je proces rychlejší a citlivější. AI může řídit:

• tvar pulzů a výkon v čase
• cílovou teplotu v jádru i na povrchu
• „profil“ ohřevu pro různé struktury (těsto vs. bílkoviny vs. zelenina)

Tohle není magie. Je to modelování: pokud znáte vodivost, obsah vody, hustotu, viskozitu a geometrii, umíte predikovat ohřev. AI přidá adaptaci v reálném čase, když se suroviny liší.

2) Vnímání kvality: senzory + AI

Největší problém v gastronomii i potravinářství je variabilita surovin. Mouka nasaje jinak, brambory mají jiný obsah škrobu, maso jiný poměr tuku. AI může pracovat s daty ze senzorů:

• elektrická vodivost směsi (mění se s teplotou i složením)
• teplotní senzory (více bodů, případně bezkontaktní)
• vlhkost (uvnitř komory i v produktu)
• hmotnost a objem (dávkování)

Výsledek je systém, který nevaří „na 4 minuty“, ale do splnění cílového stavu.

3) AI jako most „od farmy po talíř“

Tohle je přesně náš seriál. Pokud máme data už ze zemědělství (odrůda, sklizeň, obsah sušiny, skladování), AI může doporučit:

• vhodnější způsob tepelné úpravy pro danou šarži
• úpravu receptury (hydratace, fermentace, doba odležení)
• nastavení procesu tak, aby se minimalizoval odpad

Jedna moje oblíbená věta pro výrobní týmy: „Kvalita v kuchyni nezačíná v kuchyni.“ Začíná u suroviny, a AI umí propojit obě strany.

Co to může znamenat pro potravinářské provozy a foodservice

Kuchyňský prototyp je zajímavý, ale největší dopad čekám v profesionálním prostředí – tam, kde rozhodují minuty, energie a standardizace.

Rychlost má hodnotu jen tehdy, když je opakovatelná

V provozu nechcete jen rychleji. Chcete:

• stejný výsledek v pondělí ráno i v pátek večer
• stejné propečení při jiné šarži surovin
• minimální „ručku“ kuchaře na každém kroku

Elektrický objemový ohřev k tomu má technicky blízko. Ale bez dobrého řízení je to pořád jen rychlý ohřev. AI tady dává smysl nejvíc.

Energetika a uhlíková stopa: přímá cesta k úsporám

Krátké časy ohřevu mohou znamenat:

• méně předehřevu
• menší ztráty do okolí
• lepší využití energie na jednotku produktu

Pro Česko v prosinci 2025 je to navíc aktuální i sezónně: zimní špičky spotřeby, dražší energie a tlak na efektivitu v gastronomii i výrobě. Pokud technologie dokáže zkrátit procesy a AI to udrží stabilní, je to kombinace, kterou CFO i šéfkuchař pochopí během jedné pilotáže.

Bezpečnost potravin: nejde obejít fyziku ani HACCP

Rychlé ohřevy jsou skvělé, ale v potravinářství platí: musíte prokázat proces. AI může pomoci automatizovat záznamy a validace:

• logování teplotních profilů a výkonu
• detekce odchylek (anomaly detection)
• upozornění na rizikové šarže nebo chybnou přípravu

To je často podceňovaná část „smart“ kuchyně: méně papírování, více důkazů.

Praktický rámec: jak to hodnotit, pokud uvažujete o pilotu

Pokud jste výrobce potravin, provozovatel foodservice nebo R&D tým, vyplatí se k těmto technologiím přistoupit strukturovaně. Ne podle dojmu, ale podle metrik.

1) Stanovte 5 měřitelných KPI

Doporučuju začít s:

1. Čas cyklu (minuty/porce nebo minuty/kg)
2. Energetická náročnost (kWh/porce nebo kWh/kg)
3. Konzistence (odchylka vlhkosti, textura, barva, vnitřní teplota)
4. Nutriční profil (pokud řešíte „méně tuku/cukru/soli“, tak na gram)
5. Odpad a zmetkovitost (kolik jde do koše nebo na přepracování)

2) Počítejte s variabilitou surovin

Udělejte test minimálně na:

• dvou šaržích stejné suroviny
• dvou dodavatelích (pokud to dává smysl)
• různých skladovacích podmínkách (chlazené vs. pokojové)

AI řízení má smysl právě tehdy, když variabilitu zkrotí.

3) Myslete na data od začátku

Bez dat nebude AI. Už v pilotu si pohlídejte:

• jaká data zařízení sbírá a v jakém formátu
• kdo je vlastníkem dat
• jak se data propojí s recepturami, šaržemi a ERP/MES

Tohle rozhoduje o tom, jestli bude „chytré vaření“ jen hračka, nebo reálná výrobní výhoda.

Co si z toho odnést pro AI v zemědělství a potravinářství

Vaření elektrickým proudem je dobrý příklad posunu od „ohřívám vzduch a čekám“ k „řídím energii v produktu“. A jakmile se energie řídí přesně, AI se stává přirozeným mozkem procesu.

Pro mě je nejzajímavější tahle rovnice:

Když máte rychlý a rovnoměrný ohřev, AI už jen rozhoduje, jaký profil ohřevu dává nejlepší chuť, bezpečnost a náklady.

Pokud řešíte modernizaci výroby, vývoj nových produktů nebo snižování odpadu, podobné technologie stojí za sledování – ne kvůli efektnímu demu, ale kvůli tomu, že ukazují budoucnost datově řízeného zpracování potravin od suroviny až po finální porci.

A teď ta podstatná otázka pro rok 2026: budete mít ve svém procesu víc „nastavení teploty“ – nebo víc řízení podle dat?