Bílkoviny z CO2 bez polí: kde pomáhá AI ve výrobě

Když se řekne „bílkovina“, většina lidí si představí pole se sójou, krmnou dávku pro dobytek nebo rybníkáře s pytlem krmení. Jenže jedna z nejzajímavějších věcí, které se v potravinářství dějí, se odehrává mimo půdu – v uzavřených fermentorech, kde se surovinou stává CO2.

Partnerství globálního giganta ADM a startupu Air Protein (oznámené 18.05.2023) ukázalo, že „landless protein“ – tedy protein vyrobený bez orné půdy – přestává být jen laboratorní kuriozita. A z pohledu naší série Umělá inteligence v zemědělství a potravinářství je na tom nejzajímavější něco jiného: fermentace je extrémně datová disciplína. Pokud má někde AI vydělávat peníze a šetřit zdroje, je to právě tady.

Co přesně znamená „landless protein“ z CO2

Landless protein je bílkovina vyrobená v průmyslovém bioprocesu, kde místo půdy a fotosyntézy fungují mikroorganismy a řízená fermentace. V případě tzv. gas fermentation mikroorganismy využívají jako vstupní zdroj uhlíku plyn (typicky CO2) a energii/elektrony získávají z dalších vstupů procesu.

Tahle myšlenka není nová. Základy podobných postupů se objevily už v 60. letech, když NASA řešila, jak „vyrábět jídlo“ v prostředí, kde není půda ani klasické zemědělství. Co je nové, je kombinace:

• tlak na nižší uhlíkovou stopu a efektivní využití zdrojů,
• zralost průmyslové biotechnologie (fermentory, senzory, automatizace),
• a hlavně: schopnost řídit celý proces pomocí dat a modelů, tedy AI a pokročilé analytiky.

Pro potravinářské firmy je důležité, že výsledkem není „vzduch“, ale škálovatelná surovina pro alternativní maso a další produkty.

Proč je to v roce 12/2025 znovu na stole

Rok 2025 v Evropě i globálně přinesl souběh tlaků: volatilní ceny energií, citlivější spotřebitelé na cenu potravin a zároveň rostoucí požadavky na udržitelnost v dodavatelských řetězcích. V takové situaci dává smysl hledat proteiny, které:

• nejsou přímo závislé na výnosech polí,
• dají se vyrábět blízko spotřeby (teoreticky i u velkých měst),
• a mají stabilní kvalitu.

Neříkám, že to nahradí české farmáře. Ale jako doplňkový zdroj bílkovin to začíná být ekonomicky i strategicky zajímavé.

Proč partnerství ADM × Air Protein stojí za pozornost

ADM není „další startup“. Je to hráč, který sedí uprostřed globálního potravinového řetězce. Když taková firma jde do strategické dohody o vývoji a výrobě „vzdušných“ bílkovin, je to signál, že technologie dospívá k průmyslovému měřítku.

Podle oznámení se firmy dohodly na Strategic Development Agreement s cílem posunout vývoj i produkci a spolupracovat na první komerční výrobě ve velkém měřítku.

Tady je můj pohled: nejde jen o bílkovinu. Jde o infrastrukturu. Jakmile vznikne první velká továrna a dodavatelský model, ostatní potravinářské firmy budou mít „referenci“, že to funguje – a začnou se ptát na cenu, kvalitu, kontrakty, standardy. To je moment, kdy se z technologie stává trh.

Kde přesně AI zvedá výkon gas fermentation (a proč to není hype)

AI v fermentaci dává smysl, protože proces je nelineární, citlivý na podmínky a plný senzorových dat. Klasické řízení často funguje „podle receptury“. Jenže jakmile chcete škálovat, optimalizovat náklady a držet stabilní kvalitu, receptura nestačí.

1) Prediktivní řízení procesu v reálném čase

Fermentory běží v režimu, kde rozhodují detaily: teplota, pH, tlak, průtok plynů, míchání, koncentrace živin, pěnění, kontaminace. AI modely umí předpovědět trend (např. pokles výtěžnosti) dřív, než se projeví v laboratorních měřeních.

Prakticky to znamená:

• méně „zahozených“ šarží,
• rychlejší stabilizace na cílové parametry,
• vyšší výtěžnost na jednotku energie.

2) Digitální dvojče fermentoru

Digitální dvojče je model procesu, který simuluje, co se stane při změně vstupů. V potravinářství je to jeden z nejlepších způsobů, jak dělat zlepšování bez drahých pokusů na ostré výrobě.

U „proteinu z CO2“ je to ještě cennější, protože jde o relativně novou výrobní platformu. Digitální dvojče umožní testovat:

• jiné provozní režimy (např. dávkování, recirkulace),
• alternativní zdroje energie/vstupů,
• hranice stability a bezpečnosti.

3) Optimalizace feedstocku a nákladů (CO2 není jediná proměnná)

V alt-protein světě se často kritizuje závislost na glukóze jako vstupu. Gas fermentation jde jinudy – ale náklady pořád stojí na kombinaci:

• kvality a dostupnosti CO2,
• energie a účinnosti převodu,
• a podpůrných živin.

AI se tady používá jako „nákladový navigátor“: hledá provozní okno, kde se potkává výtěžnost, kvalita, energie a cena vstupů. To je typický multiobjektivní problém.

4) Kontrola kvality a senzorika

Jakmile chcete protein prodávat jako surovinu do potravin, potřebujete stabilní profil: chuť, vůně, barva, funkční vlastnosti, čistota. Strojové učení nad daty z QC (laboratorní analýzy, spektroskopie, procesní data) dokáže:

• rychleji odhalit odchylku,
• zkrátit uvolňování šarží,
• navrhnout korekce procesu.

Fermentace je výroba, kde „malá změna dnes“ často znamená „velký problém zítra“. AI je užitečná hlavně proto, že vidí vzory dřív než člověk.

Co to znamená pro zemědělství a potravinářství v ČR

České zemědělství je silné v komoditách, ale zároveň citlivé na klima, cenu vstupů a tlak na udržitelnost. Protein z CO2 to přímo nenahradí, ale může změnit část hry – hlavně u surovin pro zpracovatele.

Příležitosti

• Potravinářské firmy mohou získat stabilní zdroj bílkovin pro směsi, náhražky masa, high-protein výrobky nebo sportovní výživu.
• Agro podniky mohou být partnery v energetice a cirkularitě: CO2 ze zdrojů, odpadní teplo, infrastruktura.
• Výzkum a vývoj (VŠCHT, ČVUT, Mendelu a další) má šanci propojit bioprocesy, automatizaci a AI – a posunout se od „projektu“ k pilotu.

Realistické bariéry

• Regulace a schvalování (nové potraviny, bezpečnost, označování) trvá.
• Energetika: ekonomika procesu stojí na ceně a dostupnosti energie.
• Akceptace zákazníků: „protein ze vzduchu“ bude potřebovat dobrý příběh a transparentnost.

Můj názor: nejrychlejší adopce nebude v „náhradě řízku“, ale v B2B ingrediencích, kde se řeší funkčnost a cena, ne romantika původu.

Jak poznat, že projekt „protein z CO2 + AI“ dává smysl (checklist)

Pokud jste z potravinářství, agribusinessu nebo investic, vyplatí se dívat na pár konkrétních bodů. Tady je praktický checklist, který používám, když hodnotím podobné technologie:

1. Jednotková ekonomika: Je jasné, co tvoří 3 největší náklady (energie, vstupy, CAPEX) a jak se zlepší při škálování?
2. Datová připravenost: Existuje robustní sběr dat (senzory, historizace, QC), aby AI nebyla jen prezentace?
3. Řízení rizik: Kontaminace, stabilita kultury, variabilita CO2 – má tým procesní kontrolu a fallback režimy?
4. Zákaznické použití: Je definováno, do čeho protein půjde (alternativní maso, nápoje, pekárna) a jaké parametry musí splnit?
5. Regulační plán: Kdo vlastní strategii schválení a označování na cílových trzích?

Když chybí body 2 a 4, většinou to končí u pilotu bez komerční trakce.

Kam se to posune v roce 2026: méně slibů, více provozu

Další krok je nudný, a právě proto důležitý: spolehlivý provoz ve velkém měřítku. Partnerství ADM a Air Protein naznačuje, že se trh posouvá od „dokážeme to“ k „dokážeme to vyrábět stabilně a levně“.

V rámci naší série o AI v zemědělství a potravinářství je to dobrý moment si uvědomit jednu věc:

• AI v rostlinné výrobě optimalizuje pole.
• AI v živočišné výrobě optimalizuje stádo.
• AI v fermentaci optimalizuje továrnu na potraviny.

A továrna má jednu výhodu: není závislá na počasí.

Pokud vás zajímá, jak by se daly principy AI řízení výroby, digitálních dvojčat a prediktivní údržby aplikovat i ve vašem provozu (fermentace, zpracování, balení nebo logistika), dává smysl začít malým pilotem: vybrat jednu linku, jednu metriku (výtěžnost, energie, zmetkovitost) a postavit datový základ.

Co bude pro české potravináře a agropodniky větší výzva v příštích 12 měsících: sehnat levnější energii, nebo se naučit řídit výrobu datově tak, aby energie byla menší problém?