AI ve výrobě rostlinného masa: jak škálovat kapacitu

42 milionů dolarů do jediné výrobní firmy na rostlinné maso by ještě před pár lety znělo jako sázka na jistotu. V roce 2023, kdy se investice do plant-based segmentu ochlazovaly a některé značky řešily slabší prodeje i tlak na ceny, to naopak působilo skoro „proti proudu“. Přesně proto je příběh No Meat Factory zajímavý i dnes – 22.12.2025, kdy se potravinářství dál pere s náklady, dostupností surovin a požadavky na transparentní uhlíkovou stopu.

No Meat Factory tehdy oznámila uzavření Series B ve výši 42 mil. USD, které měly jít na rozšíření kapacit v Severní Americe, rozvoj BRC certifikovaných provozů v Britské Kolumbii a vybudování dalších schopností pro globální trh: od nuggets a burgerů až po „whole-muscle“ alternativy (produkty napodobující strukturu celosvalového masa). Mě na tom baví jedna věc: jakmile se začne řešit „výroba ve velkém“, přestává být hlavním tématem jen receptura. Hlavní téma je proces. A proces je přesně místo, kde má umělá inteligence v potravinářství největší návratnost.

V rámci série Umělá inteligence v zemědělství a potravinářství se dnes podíváme na to, co znamená škálování rostlinného masa v praxi – a jak může AI pomoct zlevnit výrobu, stabilizovat kvalitu a zlepšit udržitelnost.

Proč je rozšiřování kapacit v plant-based tak těžké

Škálovat rostlinné maso není „přidáme směnu a jede to“. Klíčová pointa: rostlinné produkty jsou citlivé na variabilitu surovin i procesních podmínek. Stejný hrách nebo sója z různých šarží se může lišit v obsahu bílkovin, škrobu, vlhkosti i funkčních vlastnostech. A když vyrábíte deli plátky, klobásy nebo whole-muscle analog, drobná odchylka se hned projeví na textuře, šťavnatosti a chování při ohřevu.

V praxi výrobci obvykle řeší čtyři „bolesti“:

1. Kolísání kvality vstupů (proteinové koncentráty/izoláty, oleje, vláknina, koření).
2. Stabilita procesu (extruze, míchání, teplotní profily, tlak, rychlosti, chlazení).
3. Odpady a přezpracování (mimo-spec šarže, vrácené produkty, zmetkovitost).
4. Cena (energie, práce, logistika, testování, certifikace).

Co znamená BRC a proč to souvisí s daty

BRC certifikace (standard bezpečnosti potravin) klade důraz na řízení rizik, sledovatelnost a dokumentaci. To nahrává přístupu, který v moderní výrobě vyhrává: sběr dat v reálném čase a řízení pomocí analytiky.

Pokud má firma růst globálně a zároveň držet cenu „pro mainstream“, musí umět:

• rychle odhalit odchylku v procesu,
• vysvětlit ji daty,
• opravit ji dřív, než se z ní stane reklamace nebo stažení výrobku.

AI není náhrada HACCP. Je to způsob, jak z HACCP udělat živý systém, ne složku v šanonu.

Kde má AI ve výrobě rostlinného masa největší dopad

Největší dopad AI přichází tam, kde je kombinace velkého množství signálů, rychlých rozhodnutí a drahých chyb. Rostlinné maso splňuje vše.

Prediktivní řízení kvality (konec „dohadů“ ve výrobě)

Nejpraktičtější použití AI: předpovědět výslednou kvalitu ještě během výroby.

Jak to vypadá:

• Z linek sbíráte data: teploty, tlaky, krouticí momenty motorů, průtoky, vlhkost, časové profily, vážení dávkování.
• Z laboratoře a kontroly kvality přichází data: obsah bílkovin, aktivita vody, mikro, textura (TPA), barva, výtěžnost.
• Model strojového učení hledá vztahy: které kombinace parametrů vedou k „ideální“ šarži a které k mimo-spec.

Výsledek pro provoz: operátor nedostane jen alarm „něco je špatně“, ale doporučení, co upravit (např. teplotní rampu, dávkování vody, rychlost šneku extruderu). To je rozdíl mezi „hlídat“ a „řídit“.

Počítačové vidění pro kontrolu tvaru a povrchu

U nuggets, burgerů i deli plátků rozhoduje konzistence. Počítačové vidění (kamery + AI) zvládne:

• kontrolu rozměrů, prasklin, povrchových vad,
• odhad propečení/opečení u tepelně upravovaných komponent,
• třídění výrobků bez zpomalování linky.

V českém prostředí to dává smysl i kvůli pracovnímu trhu: kontrola kvality na lince je práce náročná na pozornost a lidsky drahá. Automatizace tady často není „nice to have“, ale podmínka růstu.

Prediktivní údržba (když hodina odstávky bolí)

Extrudery, míchačky, plničky, kráječe a balicí linky generují signály (vibrace, teploty ložisek, proudové odběry), které AI umí vyhodnocovat jako „zdravotní stav“ stroje.

Dobrá prediktivní údržba:

• snižuje neplánované odstávky,
• zvyšuje OEE,
• pomáhá plánovat servis do oken, kdy to nejméně bolí.

A u rostlinných produktů navíc platí: odstávka není jen ztracený čas, ale často i znehodnocená surovina v procesu.

Optimalizace receptur a senzoriky (rychleji od prototypu k výrobku)

AI má v alt-proteinech ještě jednu silnou roli: zkrátit vývoj.

Místo desítek iterací „zkusíme přidat vlákninu“ můžete pracovat s:

• modely, které propojují složení → textura → chuťový profil → stabilita,
• návrhem experimentů (DoE) řízeným algoritmy,
• senzorickými daty (panel, spotřebitelské testy) v kombinaci s procesními parametry.

U whole-muscle alternativ je to zásadní. Tyto produkty jsou technologicky náročnější než mleté analogy (burger), protože musí napodobit vláknitou strukturu a „skus“. AI tady pomáhá hledat kompromis mezi strukturou, cenou a nutričním profilem.

Udržitelnost: AI jako „účtárna“ uhlíku i vody

Rozšiřování kapacit v rostlinném mase se často prodává jako udržitelnost. Jenže udržitelnost v roce 2025 není slogan. Je to reporting a auditovatelné metriky.

AI a datová infrastruktura umí zlepšit dvě věci současně:

1. Reálnou efektivitu (méně energie, méně odpadu, lepší výtěžnost).
2. Měřitelnost (přesnější výpočty uhlíkové stopy a spotřeby vody na šarži).

Co konkrétně měřit a řídit

Pokud bych dnes stavěl AI roadmapu pro závod typu No Meat Factory, začal bych u „tvrdých“ metrik na úrovni šarže a směny:

• kWh na kg hotového výrobku (včetně chlazení a stlačeného vzduchu),
• výtěžnost (kg hotového / kg vstupů),
• procento mimo-spec a přezpracování,
• ztráty při změně receptur (changeover waste),
• spotřeba vody na CIP a počet CIP cyklů.

AI pak dává smysl ve chvíli, kdy umí říct: „Tahle odchylka v parametrech zvýší zmetkovitost o 1,8 % a zvedne kWh/kg o 0,12.“ To jsou věty, které ocení výroba i CFO.

Co si z investice No Meat Factory může vzít české potravinářství

Ne každý staví nový závod v Britské Kolumbii. Ale logika škálování je stejná i pro české výrobce alternativních proteinů, hotových jídel, masných výrobků nebo mlékárenských analog.

1) Nejprve data, až potom „AI“

AI bez dat je drahá hračka. V praxi to znamená:

• sjednotit data z výroby (SCADA/PLC), skladu a kvality,
• zavést jednoznačné ID šarží a surovin,
• udělat pořádek v měřeních (kalibrace, frekvence, definice metrik).

2) Vyberte 1–2 případy s jasnou návratností

Nejrychlejší ROI typicky přichází z:

• predikce mimo-spec šarží (méně odpadu),
• optimalizace energie a chlazení,
• prediktivní údržby kritických zařízení,
• automatizované vizuální kontroly.

3) Zapojte technologii výroby, ne jen IT

Model, který ignoruje realitu linky, operátoři obejdou. Co funguje:

• společné „war room“ sezení výroba + kvalita + údržba + data,
• jednoduché dashboardy (žádná magie),
• jasná pravidla, kdy AI doporučení platí a kdy rozhoduje člověk.

4) Počítejte s regulací a auditovatelností

V potravinářství se nehraje na „black box“. Úspěšné AI nasazení musí mít:

• dohledatelné vstupy,
• verze modelů,
• testování na drift (když se změní surovina nebo sezóna),
• dokumentaci pro audit.

Praktické Q&A, které padá na poradách nejčastěji

„Dává AI smysl i bez nové linky?“

Ano. Největší přínos často vznikne z toho, že z existující linky vytěžíte víc: stabilnější kvalitu, méně odpadu, méně odstávek.

„Jak rychle to jde nasadit?“

Typický pilot (jeden use-case) se dá zvládnout za 8–12 týdnů, pokud máte dostupná data a jasně definovaný cíl. Plné škálování do více linek je práce na 6–12 měsíců.

„Co když se suroviny mění sezónně?“

To je normální. Řešení je kombinace:

• vstupní klasifikace surovin (např. NIR analýza),
• průběžné učení modelu a monitoring driftu,
• pravidla pro přepnutí do „konzervativního“ režimu.

Kam to celé míří v roce 2026

Růst kapacit typu No Meat Factory ukazuje, že alt-protein sektor se postupně přesouvá z fáze „značky a marketing“ do fáze „průmyslová výroba a efektivita“. A v téhle fázi rozhoduje, kdo má lepší data a lepší řízení procesu.

Rostlinné maso bude vyhrávat tam, kde se podaří držet tři věci současně: chuť, cena a konzistenci. Umělá inteligence v potravinářství není zkratka k dokonalé receptuře. Je to způsob, jak vyrábět stabilně, levněji a s menšími ztrátami – a to je pro mainstream trh podmínka.

Pokud řešíte, jak AI použít ve výrobě potravin (ať už děláte alternativní proteiny, hotovky, pekárnu nebo mlékárenské produkty), začněte jednou otázkou: Kde vás dnes nejvíc stojí peníze variabilita? Od toho se odvine výběr use-casu i dat.

Otázka na vás: Kdybyste měli zítra zlepšit jedinou věc – energii, odpad, kvalitu, nebo odstávky – do čeho byste šli jako první?