AI nástroje pro vývoj potravin: proč je start IFT signál

V červenci 2025 udělal americký Institut potravinářských technologů (IFT) krok, který stojí za pozornost i u nás: představil vlastní AI platformu pro potravinářské vědce a týmy vývoje produktů. Nejde o další „chat pro všechno“, ale o nástroj postavený kolem potravinářské formulace, práce s odbornými zdroji a typických R&D úkolů. A to je podstatné.

Z mé zkušenosti platí, že když se do tvorby praktických AI nástrojů pustí profesní asociace, nejde jen o techniku. Je to signál, že AI přestává být „bonus navíc“ a stává se součástí infrastruktury oboru – podobně jako normy, metodiky, školení nebo databáze.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ je tohle přesně ten moment, který propojuje laboratoř, výrobu i prvovýrobu. Když se urychlí vývoj receptur a zlepší práce s daty, projeví se to v celé potravinové vertikále – od poptávky po surovinách až po stabilitu kvality na regálu.

Co přesně IFT spustil a proč to není jen marketing

IFT na veletrhu IFT First v Chicagu oznámil AI nástroj s názvem CoDeveloper. Jádro slibu je jednoduché: pomoc s formulací nových produktů, „reverse engineeringem“ existujících receptur a rychlejším využitím desítek let recenzovaného výzkumu. Platforma má i personifikovaného „spolu-vědce“ (v oznámení vystupuje jako Sous), který má fungovat vedle R&D týmu a podporovat zejména rané fáze vývoje.

To nejzajímavější není samotná existence AI pro potravináře (těch už je na trhu hodně), ale kdo ji uvádí. Profesní asociace tradičně dodává hodnotu skrze:

• vzdělávání a certifikace,
• komunitu a networking,
• standardy a doporučené postupy,
• přístup k odborným poznatkům.

Když k tomu přidá nástroj, který zkracuje reálnou práci v laboratoři, posouvá se z role „organizátora“ do role „poskytovatele infrastruktury“. A to má dopady na celý ekosystém – včetně dodavatelů surovin, výrobců technologií i zemědělských podniků.

Proč je to důležité pro Česko (a ne jen pro americké CPG)

České potravinářství je typicky pragmatické: tlak na cenu, stabilitu dodávek, legislativu, personální kapacity v technologii. Přesně v těchto bodech může AI ve vývoji potravin dávat rychle měřitelný smysl:

• méně iterací v laboratoři (čas i materiál),
• rychlejší screening variant receptury,
• lepší práce s omezeními (alergeny, „clean label“, limity aditiv),
• konzistentnější dokumentace pro interní schvalování.

A pokud podobné nástroje zdomácní, přirozeně poroste tlak na lepší datovou disciplínu – což je základ i pro AI v zemědělství (precizní dávkování vstupů, predikce výnosu, kvalita surovin).

Proč profesní asociace míří k AI: tři jasné důvody

Odpověď je prostá: protože to je nejrychlejší způsob, jak dodat členům měřitelnou hodnotu. Školení je fajn, databáze je fajn, ale když vám AI zkrátí práci v týdnu o dvě hodiny, je to jiná liga.

1) Asociace mají to, co AI nejvíc potřebuje: důvěru a odborný kontext

V potravinářství je problém s „obecným AI“ dlouhodobě stejný: halucinace, zjednodušování, ignorování technologických limitů. Asociace může nastavit rámec:

• jaké zdroje jsou legitimní,
• jak se pracuje s evidencí tvrzení,
• jak se výstupy validují,
• jak se držet odborné terminologie.

Jestli má AI v R&D fungovat, musí být „uzemněná“ v oboru. A tohle je přesně terén, kde může asociace být silnější než běžný software vendor.

2) AI dělá z know-how „službu“, ne jen archiv

Mnoho oborových organizací má poklady v archivech: sborníky, metodiky, research review, webináře. Jenže lidé nemají čas tím listovat.

Když se z poznatků stane interaktivní asistence (dotaz → návrh → citace/odkaz na interní zdroje → doporučení experimentu), dramaticky roste využití znalostí v praxi.

3) Vítězí ti, kdo zkrátí cyklus nápad → prototyp → stabilní receptura

V roce 2025 je vývoj potravin pod tlakem trendů (protein, vláknina, fermentované suroviny, omezení cukru, udržitelnost), ale i nestability surovin. Týmy, které umí rychle testovat varianty, mají výhodu.

AI není kouzelná hůlka, ale umí:

• generovat candidate recipes v rámci omezení,
• navrhnout „co se stane, když“ scénáře (např. náhrada oleje, změna typu škrobu),
• doporučit plán experimentů (DoE) a minimalizovat zbytečné pokusy,
• hlídat konzistenci parametrů (pH, aw, viskozita, stabilita emulze) jako checklist.

Co to znamená pro AI v zemědělství a potravinářství (celý řetězec)

Největší přínos uvidíme tehdy, když se propojí data o surovinách s vývojem produktu. To je „nenápadná“ část, která ale rozhoduje.

Od variability surovin k robustní receptuře

Zemědělská realita je variabilní: bílkovina v pšenici, obsah oleje v řepce, velikost zrna, vlhkost, mikrobiální zatížení. Pokud vývoj pracuje jen s průměry, receptura bude křehká.

AI může pomoci posunout praxi k robustnosti:

• modelování tolerancí (co receptura snese),
• návrh „přepínacích“ pravidel (když je surovina mimo okno, uprav dávku/parametr),
• rychlejší komunikace specifikací směrem k dodavatelům.

Tohle už je přímý most k preciznímu zemědělství: když výrobce začne chtít data a konzistenci, zemědělec i skladovací řetězec se tomu přizpůsobí.

Rychlejší inovace mění poptávku po komoditách

Pokud se zrychlí vývoj nových produktů (např. proteinových snacků, alternativ mléka, funkčních nápojů), mění se struktura poptávky:

• jiné odrůdy a parametry surovin,
• vyšší důraz na stopové látky (mykotoxiny, rezidua),
• větší potřeba lokálních zdrojů a kratších dodavatelských řetězců.

A to je důležité i pro plánování plodin, investice do skladů a třídění, a pro vyjednávání smluv.

Prakticky: jak může potravinářský tým využít „co-developera“ už zítra

Nejlepší start není „nasadit AI všude“, ale vybrat 2–3 konkrétní workflow, kde je největší tření. Tady je sada scénářů, které v praxi bývají rychle návratné:

1) Rychlý návrh variant receptury v rámci omezení

Zadání typu: „vysoký obsah bílkovin, bez lepku, nižší cukr, cílová cena surovin X, textura Y“.

AI může navrhnout 5–10 variant a vy:

• vyhodnotíte realizovatelnost,
• vyberete 2–3 na laboratorní test,
• doplníte technologické kroky.

Důležité je, aby tým definoval tvrdá omezení (alergeny, legislativní limity, dostupnost surovin) a měkké cíle (chuť, „clean label“).

2) Reverse engineering konkurence (legálně a chytře)

V potravinářství je běžné analyzovat složení a přemýšlet, jak konkurent dosáhl určitého profilu. AI může z veřejně dostupných informací a typických technologických postupů navrhnout hypotézu:

• které funkční složky pravděpodobně dělají texturu,
• jaké stabilizátory dávají smysl,
• jak by mohl vypadat proces.

Pozor: výstup je hypotéza, ne fakt. Pořád rozhoduje laboratoř a analytika.

3) „Asistent dokumentace“ pro R&D a kvalitu

V prosinci bývá v řadě firem tlak na uzávěrky, auditní stopy, aktualizace specifikací. AI tady může ušetřit čas:

• sumarizace výsledků testů,
• návrh struktury specifikace,
• tvorba interních protokolů pokusů,
• jednotné názvosloví.

Tohle je nenápadná, ale velmi praktická oblast, kde se AI vyplatí i menším firmám.

Rizika a jak je ošetřit (bez paniky)

AI ve vývoji potravin je přínosná jen tehdy, když se nastaví pravidla používání. Nejčastější průšvihy jsou předvídatelné.

Halucinace a „příliš hladké“ odpovědi

Řešení: vyžadujte u kritických tvrzení oporu ve zdrojích (interní databáze, metodika, publikace) a držte pravidlo „AI navrhne, člověk schválí“.

Únik know-how a receptur

Řešení: řešte, zda nástroj běží v režimu, který:

• neukládá prompty do tréninku,
• umožňuje řídit přístupy podle rolí,
• má audit log,
• podporuje práci s citlivými daty odděleně.

U řady firem je rozumné začít na necitlivých use-case (dokumentace, ideace) a teprve pak přidávat receptury.

Přeskočení smyslových a výrobních realit

AI neumí ochutnat. Neumí slyšet, že krém „vrže“ na jazyku. Nevidí, že plnička pěnivý produkt nezvládne.

Řešení: používejte AI jako nástroj pro zrychlení přípravy a plánování experimentů, ne jako náhradu senzoriky a pilotních zkoušek.

Co si z toho vzít: asociace jako katalyzátor AI v oboru

IFT ukazuje jednoduchou věc: AI v potravinářství se posouvá od jednotlivých nástrojů k oborovým platformám. A jakmile platformy začnou vznikat pod hlavičkou asociací, poroste tlak na standardy práce s daty, na interoperabilitu a na sdílené metodiky validace.

Pro české firmy to znamená dvě praktické otázky, které bych si položil ještě před Q1 2026:

1. Kde nám dnes vývoj produktů nejvíc drhne – v ideaci, v laboratorních iteracích, nebo v dokumentaci?
2. Jaká data o surovinách a procesu máme (a v jaké kvalitě), aby AI měla z čeho vycházet?

Pokud chcete z AI v zemědělství a potravinářství získat náskok, začněte v malém: vyberte jeden produktový segment, nastavte pravidla a měřte dopad (čas, počet iterací, náklady na materiál, rychlost schvalování).

A teď ta otázka na konec, která rozhoduje: budete AI ve vývoji potravin používat jako rychlejší „vyhledávač“, nebo jako systém, který vám postupně zpevní celý proces od suroviny až po finální recepturu?