AI hledá nové potravinářské ingredience za týdny

Tři měsíce. Přesně tolik času stačilo firmě Shiru, aby našla a dotáhla do komerčního uvedení svůj první „nový“ potravinářský ingredient. V potravinářském výzkumu, kde se běžně počítá na roky, je tohle zlom v tempu.

A nejzajímavější je, že to není příběh o hezké prezentaci. Je to příběh o tom, jak umělá inteligence ve vývoji potravin mění ekonomiku inovací: z dlouhých projektů s vysokým rizikem se stává iterativní proces, kde se dají rychle testovat desítky variant, vyřazovat slepé uličky a mnohem dřív dojít k něčemu, co dává smysl chuťově, technologicky i obchodně.

Do série „Umělá inteligence v zemědělství a potravinářství“ tenhle příklad zapadá dokonale. Nejde jen o vývoj jedné ingredience – jde o nový model, který může ovlivnit celý řetězec od zemědělské suroviny až po finální produkt.

Co se vlastně změnilo: od „hledání v sena“ k cílenému výběru

Zásadní změna je v tom, že AI zkracuje fázi objevování (discovery) tím, že zúží prostor možností dřív, než začnou drahé laboratorní práce. Tradičně se vývoj funkční ingredience často podobá postupnému „oťukávání“: jeden nápad, pár pokusů, úpravy, další pokusy… a tak pořád dokola.

Shiru popisuje, že jejich tým během necelých tří měsíců prošel a vybral téměř 10 000 formulací a hledal kombinace molekul, které dají dohromady vlastnosti podobné živočišnému tuku – zejména schopnost držet olej ve struktuře.

Tady je praktický dopad pro potravináře: místo toho, aby se v laboratoři testovalo „všechno možné“, AI doporučí nejpravděpodobnější kandidáty a laboratorní práce se zaměří na ověření a doladění.

Proč to není jen rychlost, ale i kvalita rozhodování

Rychlejší vývoj je fajn, ale sama o sobě rychlost nic negarantuje. Důležitější je, že AI dělá dvě věci najednou:

• Snižuje počet slepých uliček, protože doporučuje směry s vyšší pravděpodobností úspěchu.
• Zvyšuje „šířku“ hledání, protože dokáže porovnat mnoho variant, které by člověk ručně neprošel.

Výsledek? Tým může paralelně rozpracovat víc kandidátů, a nevsadit všechno na jednu kartu.

Případ Shiru a OleoPro: co to říká o trhu v roce 2025

OleoPro je rostlinná tuková složka, kterou Shiru uvádí jako alternativu živočišného tuku bez části environmentálních a zdravotních dopadů. Pro Shiru je klíčové i to, že nejde jen o laboratorní prototyp: našli komerčního partnera z ingredient průmyslu (Griffith Foods), což je přesně ten moment, kdy se z inovace stává „něco, co se dá nakoupit a použít“.

Důležité číslo je ale jiné: Shiru uvádí, že celý proces od startu projektu po komercializaci trval 18 měsíců – oproti běžným víceletým cyklům.

A pak přichází druhá fáze příběhu: jakmile se modely a procesy vytrénují a postaví, další discovery cykly se ještě zrychlují. CEO firmy mluví o komfortním časovém okně 8–10 týdnů na nalezení nového proteinu nebo funkční ingredience – a zároveň o tom, že za tu dobu už mají několik proteinů vyrobených v gramových množstvích pro pilotní testování.

Co z toho plyne pro evropské a české potravináře

Když se dnes (22.12.2025) bavím s lidmi z výroby potravin, pořád se opakují stejné limity:

• tlak na cenu surovin,
• stabilita dodávek,
• reformulace (méně nasycených tuků, méně aditiv, lepší nutriční profil),
• chuť a textura u rostlinných alternativ.

AI-driven objevování ingrediencí míří přímo na tyhle problémy, protože umožňuje hledat funkční vlastnosti (emulgace, gelace, vázání vody/oleje, pěnivost) a ne jen „náhražky“ podle názvu.

Jak AI mění ekonomiku vývoje: čas, peníze, riziko

Největší přínos AI v potravinářském R&D je snížení rizika a nákladů na jednotku pokusu. Pokud jeden experiment stojí méně a trvá kratší dobu, můžete si dovolit udělat více iterací – a to je v inovacích skoro vždycky výhoda.

Shiru v komunikaci uvádí dramatický kontrast oproti tradičnímu vývoji: místo „půl dekády“ a stovek milionů dolarů na R&D se baví o měsících a stovkách tisíc. I když se konkrétní čísla budou firmu od firmy lišit, princip je jasný: digitální screening předchází mokré laboratoři.

Co přesně dělá AI v ingredient discovery (prakticky)

V potravinářství se obvykle kombinuje několik vrstev:

1. Modely pro predikci funkce (např. zda protein bude dobře vázat olej nebo tvořit stabilní emulzi).
2. Optimalizace formulace (hledání směsí, které splní více parametrů najednou).
3. Simulace a rychlé filtrování kandidátů (výběr desítek z tisíců).
4. Pilotní ověření (laboratorně a v poloprovozu) – tady se teprve ukáže „pravda“.

Důležitý detail: AI není náhrada laboratorních testů. Je to motor pro výběr a plánování experimentů.

Dopad na zemědělství: proč „nové ingredience“ nejsou jen potravinářská věc

AI v zemědělství si lidé často spojují s drony a výnosy. Jenže objevování ingrediencí má dopad i na primární produkci.

Když se objeví nová funkční ingredience, mění se poptávka po surovinách a odrůdách. To může vést k:

• využití „vedlejších proudů“ (např. bílkovinné frakce z procesů, které dnes končí jako krmivo),
• vyšší hodnotě některých plodin (pokud se zjistí nové funkční vlastnosti),
• stabilnějším kontraktům pro pěstitele (když je ingredience navázaná na konkrétní surovinu/region).

Z pohledu udržitelnosti je to ještě konkrétnější: pokud AI pomůže vyvinout ingredience, které snižují potřebu živočišných tuků nebo umožní lepší chuť rostlinných produktů, může to snížit tlak na část živočišné výroby s vyšší emisní stopou.

Nečekejme ale „zázrak přes noc“. Realita je postupná: každá nová ingredience musí projít regulací, výrobní škálovatelností a hlavně přijetím trhu.

Co si pohlídat: 5 věcí, které často zkazí jinak dobrý AI projekt

AI v potravinářském vývoji funguje jen tehdy, když se spojí datová disciplína s technologickým know-how. Nejčastější problémy, které jsem v praxi viděl (a které se objevují napříč firmami), jsou:

1. Špatně definovaný cíl – „chceme AI“ není cíl. Cíl je třeba „zlepšit vázání oleje o 20 % při stejné ceně“.
2. Nedostatek kvalitních dat – laboratorní data bez standardizace se špatně učí.
3. Ignorování škálování – kandidát může fungovat v laboratoři, ale ne v tunové výrobě.
4. Regulace a bezpečnost – novel foods, alergeny, čistota procesu, trasovatelnost.
5. Přenos do výroby – R&D a výroba často mluví jiným jazykem; AI projekt to ještě zvýrazní.

Dobrá zpráva: tohle nejsou „technické detaily“. Jsou to procesní věci, které se dají nastavit.

Praktický postup: jak začít s AI pro vývoj ingrediencí i bez vlastního výzkumného týmu

Začít jde i bez toho, aby firma stavěla vlastní biotechnologii. Pro řadu českých a středoevropských výrobců dává smysl postupovat po krocích:

1) Vyberte jeden konkrétní problém ve formulaci

Například:

• stabilita emulze v omáčce,
• náhrada části živočišného tuku,
• zlepšení textury u rostlinné náplně,
• snížení ceny bez ztráty senzoriky.

2) Zmapujte, jaké vlastnosti opravdu potřebujete měřit

AI potřebuje cílové metriky. Typicky:

• viskozita, pevnost gelu, stabilita v čase,
• vázání vody/oleje,
• chování při ohřevu/mražení,
• senzorické skóre.

3) Zaveďte „minimum“ datové disciplíny

Stačí konzistence:

• stejné protokoly,
• stejné šarže referencí,
• dobré popisy podmínek.

4) Spolupracujte s partnerem, který umí obě strany

V praxi nejlépe funguje trojice:

• potravinář (vy),
• aplikační laboratoř/ingredient partner,
• datový tým.

5) Nastavte rychlé cykly: 2–4 týdny na jednu iteraci

Rychlost není samoúčelná. Smysl je v tom, že se rychle ukáže, co nefunguje.

Jedna věta, kterou bych si dal na zeď do každého R&D oddělení: „Rychlé vyřazení špatných nápadů je taky výsledek.“

Kam to míří dál: ingredience jako software (a proč to zrychlí celý trh)

Jakmile máte vytrénované modely, další ingredience se hledají rychleji – podobně jako když jednou postavíte výrobní linku. V roce 2025 navíc vidíme tlak na:

• reformulace kvůli cenám surovin,
• snižování nasycených tuků a soli,
• stabilitu dodavatelských řetězců,
• chuťovou „normalizaci“ rostlinných produktů (aby je kupoval mainstream, ne jen nadšenci).

AI-driven ingredient discovery je na tohle dobře postavené, protože umožňuje hledat funkční vlastnosti a ne jen „náhrady za každou cenu“.

Pokud jste v potravinářství, zemědělství nebo ve výrobě surovin, dává smysl sledovat dvě otázky:

• Které vlastnosti ingrediencí budou nejvíc chybět v příštích 24 měsících?
• Kde se dá získat konkurenční výhoda rychlejší iterací – a kde naopak musíte být extrémně opatrní kvůli bezpečnosti a regulaci?

AI sama o sobě nic nevyřeší. Ale firmám, které umí rychle testovat, měřit a rozhodovat, dá do ruky náskok, který se bude těžko dohánět.

Chcete-li z toho udělat leadově užitečný krok: vyberte jednu problematickou recepturu, definujte 3 měřitelné parametry úspěchu a zkuste během 6–8 týdnů projet řízený cyklus variant. Pak teprve řešte, jestli potřebujete vlastní modely, nebo vám stačí chytrý partner. A teď ta nepohodlná otázka na závěr: kterou ingredienci by vaše firma vyvíjela úplně jinak, kdyby „discovery“ netrvalo roky, ale týdny?