AI pro vývoj potravin: proč do toho jdou svazy i firmy

V červenci 2025 udělal IFT (mezinárodní profesní organizace pro potravinářskou vědu) krok, který by ještě před pár lety zněl přehnaně ambiciózně: představil vlastní AI nástroj pro potravinářské vědce a vývojáře. Ne jako „hezký doplněk do newsletteru“, ale jako platformu, která má sedět přímo vedle R&D týmu a pomáhat s formulacemi, analýzou receptur a práci s odbornými zdroji.

Tahle zpráva je zajímavá sama o sobě. Ještě důležitější je ale signál, který vysílá do celého agri-food světa: AI v potravinářství už není jen doménou startupů a největších značek. Začínají ji „produktizovat“ i oborové svazy. A to má dopad i na české zemědělství a potravinářství, protože posouvá dostupnost know-how, zrychluje inovace a mění očekávání trhu.

V našem seriálu Umělá inteligence v zemědělství a potravinářství se často bavíme o monitoringu plodin, predikci výnosů nebo optimalizaci výroby. Tady navazujeme logicky: co se stane, když se AI nastěhuje přímo do vývoje potravin a začnou ji poskytovat instituce, které tradičně „jen“ školily a nastavovaly standardy?

Co znamená, když profesní svaz spustí vlastní AI nástroj

Když AI nástroj spustí startup, čekáte prodej licencií. Když ho spustí velká potravinářská firma, čekáte konkurenční výhodu. Když ho spustí profesní organizace, jde o změnu pravidel hry.

IFT představil platformu určenou pro potravinářské vědce, postavenou „potravináři pro potravináře“. Podstatné je, že nejde jen o obecný chatbot. Ambice je praktická: pomáhat při rané fázi vývoje produktu (R&D) – od návrhu receptury přes „reverse engineering“ existujících výrobků až po využití desítek let odborné literatury a peer-reviewed poznatků.

Z pohledu trhu je to trend se třemi důsledky:

1. Standardizace AI v oboru – svazy mají autoritu. Když nabídnou nástroj, nastavují očekávání „jak má AI pro potravinářství vypadat“.
2. Demokratizace přístupu – menší firmy a týmy, které si nemohou dovolit drahé vlastní modely, získají přístup k asistenci na vysoké úrovni.
3. Posun role svazů – vzdělávání a konference doplňuje přímá „produkční“ služba, která je v práci s AI často hodnotnější než další PDF prezentace.

Proč se to děje právě teď

AI se stává běžnou infrastrukturou práce, podobně jako kdysi internet nebo cloud. V roce 2025 už většina R&D týmů ví, že generativní AI umí zrychlit rešerši, návrh variant a interní dokumentaci. Problém je jinde: obecné modely neumí dobře pracovat s oborovým kontextem, daty, terminologií a normami.

A přesně tady mají profesní organizace výhodu. Často:

• spravují odborné knihovny, publikace, metodiky
• mají přístup k komunitě expertů a recenzentů
• rozumí doménovým pravidlům (bezpečnost potravin, alergeny, technologie výroby)

Kdo jiný by měl „zabalit“ oborové know-how do AI nástroje než instituce, která ho desítky let shromažďuje?

Kde AI ve vývoji potravin reálně šetří čas a peníze

Největší přínos AI v potravinářském vývoji není v tom, že „vymyslí nový jogurt“. Je v tom, že zkracuje cykly pokus–omyl a pomáhá rychleji dojít k receptuře, která dává smysl technologicky, senzoricky i ekonomicky.

1) Návrh a optimalizace receptur (formulace)

AI umí pracovat s variantami: navrhnout alternativní složky, odhadnout dopad na texturu, sladkost, pH nebo stabilitu (v rámci dostupných znalostí a dat) a připravit seznam testů, které mají nejvyšší informační hodnotu.

Prakticky to může vypadat takhle:

• chcete snížit cukr o 15 % bez „vodové“ chuti
• AI navrhne kombinace sladidel, vláknin a aromatických modulátorů
• zároveň upozorní, že změna ovlivní viskozitu a bude potřeba upravit hydrocolloidy

Neudělá to za vás. Ale zkrátí cestu k rozumnému experimentu.

2) Reverse engineering a benchmarking konkurence

Mnoho inovací v CPG (rychloobrátkové zboží) je ve skutečnosti chytré „dohnání“ trhu:

• proč má konkurence delší trvanlivost?
• jak dosáhli čistšího labelu?
• čím stabilizují emulzi bez určitého aditiva?

AI může urychlit hypotézy a návrhy laboratorních ověření. Dobrý nástroj navíc nepodporuje kopírování „1:1“, ale pomáhá pochopit funkci složek a procesní kroky, které vedou k výsledku.

3) Rychlá práce s odbornými zdroji

Největší tichý zabiják času v R&D je rešerše: najít relevantní studie, porovnat výsledky, vytáhnout parametry a udělat z toho interní doporučení.

Doménová AI může:

• shrnout desítky dokumentů do několika rozhodovacích bodů
• vypsat konfliktní závěry (kdy studie říkají něco jiného)
• navrhnout, jaké parametry měřit, aby vaše interní testy měly váhu

Tady je ale zásadní podmínka: musí být jasné, z jakých zdrojů systém čerpá a jak hlídá kvalitu.

Co to znamená pro zemědělství a potravinářství v ČR

AI nástroje pro potravinářské vědce nejsou „jen o potravinách“. V praxi se propojují se zemědělstvím, surovinami a dodavatelským řetězcem.

Tři konkrétní dopady, které v českém prostředí dávají smysl:

1) Větší tlak na stabilitu surovin a datovou stopu

Když R&D používá AI k návrhu receptury, rychle narazí na realitu: suroviny nejsou konstantní. Mouka mění vlastnosti, mléko kolísá, oleje mají variabilitu, sklizeň závisí na počasí.

AI pak nepřímo vytváří tlak na:

• lepší specifikace surovin
• konzistentní laboratorní měření
• sdílení dat mezi nákupem, výrobou a kvalitou

A to je most k preciznímu zemědělství: kdo umí lépe popsat surovinu už na poli (nebo v mlékárně), umí vyrábět stabilnější produkt.

2) Rychlejší inovace u menších výrobců

V Česku je spousta středních a menších potravinářů, kteří mají šikovné technologické týmy, ale omezenou kapacitu na dlouhé experimentování.

Pokud se oborové AI nástroje stanou dostupné (typicky přes členství, licenční model nebo partnerství), může to:

• zkrátit vývoj nové řady o týdny až měsíce
• snížit počet „slepých“ testů
• zlepšit dokumentaci pro audit a kvalitu

To je přesně typ posunu, který dělá rozdíl v maržích.

3) Nový standard: AI jako součást „hygieny“ vývoje

Stejně jako dnes nikoho nepřekvapí, že máte HACCP, bude v některých segmentech za pár let běžné, že:

• používáte AI pro předvýběr receptur
• automatizujete část interní dokumentace
• děláte rychlé senzorické hypotézy a testovací plány

Ne proto, že je to módní. Protože to zvedá produktivitu.

Na co si dát pozor: kvalita, data a odpovědnost

AI v potravinářství má jednu nevýhodu: chyby nejsou jen „textové“ – mohou být drahé, reputační a někdy i bezpečnostní.

„AI-washing“ a falešná jistota

Trh je plný nástrojů, které slibují vývoj produktu na kliknutí. Realita je, že bez kvalitních dat a správného použití budete jen rychleji vyrábět špatné nápady.

Ověřujte, zda nástroj:

• jasně říká, odkud bere odborné znalosti
• umožňuje dohledat logiku doporučení
• má guardrails pro alergeny, bezpečnost a regulace

Ochrana receptur a citlivých dat

R&D je citlivé. Před nasazením AI si nastavte pravidla:

• co se do nástroje smí zadávat (receptury, technologické postupy)
• kdo má přístup a jak se loguje práce
• zda data slouží k trénování modelu (a za jakých podmínek)

U firem, které vyvíjejí privátní značky nebo mají konkurenčně důležité receptury, je tohle často hlavní brzda adopce.

Kdo nese odpovědnost

AI může doporučit postup, ale odpovědnost zůstává na technologovi a firmě. Dobrá praxe je mít „human-in-the-loop“:

• AI navrhne varianty
• člověk vybere a doplní kontext
• laboratorní testy rozhodnou

AI urychlí rozhodování. Nenahrazuje validaci.

Praktický plán: jak začít s AI ve vývoji potravin (bez chaosu)

Nejrychlejší cesta je začít malým pilotem, který má měřitelný výsledek. Tohle je postup, který se mi osvědčil u týmů, které nechtějí spálit rozpočet ani důvěru lidí.

1. Vyberte jeden use-case na 4–6 týdnů
   • typicky reformulace (méně cukru/soli), prodloužení trvanlivosti, nebo zlepšení konzistence
2. Zaveďte datový základ
   • jedna šablona pro receptury, jedna šablona pro výsledky testů, jednotné názvosloví
3. Definujte metriky
   • počet variant, které tým stihne otestovat; čas na rešerši; počet iterací do dosažení cíle
4. Nastavte governance
   • kdo smí zadávat data, kdo schvaluje výstupy, jak se ukládají poznatky
5. Po pilotu rozhodněte: škálovat / upravit / stop
   • cílem není „mít AI“, cílem je zrychlit a zkvalitnit vývoj

Jedna věta, která často rozhodne o úspěchu: „AI je juniorní kolega, který je rychlý, ale potřebuje dohled.“

Co bude dál: svazy jako poskytovatelé AI infrastruktury

Spuštění AI nástroje profesní organizací je známka zrání trhu. Svazy a asociace mají šanci stát se správci oborových znalostí v éře generativní AI – nejen vydáváním metodik, ale poskytováním praktických nástrojů.

Pro zemědělství a potravinářství to znamená dvě věci:

• inovace se zrychlí a zlevní pro širší okruh hráčů
• tlak na kvalitní data (od pole po linku) poroste, protože bez nich AI nepřinese slibovanou hodnotu

Pokud jste výrobce, vývojář, technolog nebo dodavatel surovin, je dobrý čas si ujasnit, kde vám AI pomůže nejrychleji: v recepturách, v kvalitě, v plánování testů, nebo v propojení variability surovin s parametry výroby.

A teď jedna otázka, která stojí za interní diskusi už tento týden: Kdyby váš oborový svaz zítra nabídl „AI spolu-technologa“, měli byste připravená data a procesy, aby to dávalo smysl?