Neviditelné kódy z kvasnic: sledování původu potravin

V praxi se dohledatelnost potravin často láme na jediné věci: když se smíchají šarže, původ se rozmaže. U obilí, mouky, koření nebo krmiv je to každodenní realita. A pak přijde problém – reklamace, podezření na kontaminaci, audit u odběratele – a najednou se z „máme to v systému“ stane hon na jehlu v kupce sena.

Technologie, která tohle řeší překvapivě přímočaře, nevypadá jako IT projekt. Vypadá jako trocha vody, tryska a pekařské kvasnice. Kanadská firma Index Biosystems ukazuje, že „čárový kód“ jde dostat přímo na komoditu – tak, aby přežil manipulaci i zpracování a dal se laboratorně přečíst. A tady se to krásně potkává s tématem naší série „Umělá inteligence v zemědělství a potravinářství“: AI je skvělá v analýze a rozhodování, ale potřebuje spolehlivá data. Když je identita suroviny nejasná, ani nejlepší model nic nezachrání.

Co je „biologický čárový kód“ a proč dává smysl

Biologický čárový kód je jedinečná DNA sekvence, která funguje jako identifikátor původu – a je fyzicky přítomná na produktu. V případě Indexu jde o tzv. BioTag: kvasnice (bez genetické modifikace) se v extrémně malém množství smíchají s vodou a mlhou/sprejem se aplikují třeba na pšenici.

To zásadní je jednoduché: místo toho, aby se původ sledoval jen „na papíře“ (nebo v ERP), značka cestuje s komoditou. Když se šarže smíchají, značka se nesmaže – jen se promíchá stejně jako zboží.

Jak se BioTag čte

Čtení není optické jako u klasického čárového kódu. Používají se molekulární metody (typicky PCR a sekvenování DNA), protože „kód“ je ve skutečnosti DNA profil kvasnice. Podle popisu technologie stačí u mouky malý vzorek (řádově gram), aby se dal určit původ.

Praktický dopad: když se někde v řetězci objeví problém, nemusíte spoléhat na to, že všichni správně přepsali čísla šarží. Dá se to ověřit fyzickým testem.

Proč je to v roce 2025 aktuální téma pro potravináře i zemědělce

Rizika v dodavatelských řetězcích se kumulují. Dlouhé trasy, více mezičlánků, tlak na cenu a zároveň přísnější požadavky na kvalitu a udržitelnost. K tomu připočtěte sezónnost: prosinec je u řady výrobců vrchol auditu, plánování kontraktů a přípravy na novou sezónu. V tu chvíli se dohledatelnost neřeší „do budoucna“, ale hned.

BioTag přináší tři věci, které v běžných systémech často chybí:

1. Odolnost vůči mixování šarží (hlavní bolest u komodit).
2. Nezávislé ověření (laboratorní test místo spoléhání se na záznamy).
3. Most mezi fyzickým světem a daty (což je přesně prostor, kde AI dává nejvíc).

A ano – pořád potřebujete digitální infrastrukturu. Jenže tady je rozdíl: digitální evidence už není jediný zdroj pravdy. Zdroj pravdy je i produkt sám.

Biotech + AI: kde se z „kódu z kvasnic“ stává systém

Samotný BioTag je identifikátor. Skutečná hodnota vzniká, když se spojí s daty a analytikou. Tady se dostáváme k AI v potravinářství a zemědělství.

1) AI pro rychlejší a levnější dohledání problému (recall)

Když máte laboratorní potvrzení původu, AI může dělat to, v čem je nejsilnější: optimalizovat rozhodnutí.

• Které šarže stáhnout, aby dopad byl minimální, ale riziko nulové?
• Které sklady a distribuční uzly jsou nejpravděpodobnější zdroj křížové kontaminace?
• Jaká je nejkratší cesta k izolaci problému v síti dodavatelů?

V praxi to znamená méně „preventivně stáhneme všechno“ a více cílených kroků.

2) AI pro ověřování tvrzení o udržitelnosti a původu

Index zmiňuje napojení na standardy (např. GS1) a možnost ověřovat uhlíkovou stopu. Já k tomu dodám střízlivou věc: AI vám uhlíkovou stopu nevypočítá správně, pokud neví, odkud přesně surovina je.

BioTag může být „kotva“ identity suroviny. Nad tím pak stavíte:

• výpočty emisí podle reálných tras a zpracování,
• porovnání dodavatelů,
• predikce dopadů změn v nákupu (např. jiný region, jiná odrůda, jiný mlýn).

3) AI pro řízení kvality: korelace původu a parametrů

Jakmile umíte spolehlivě přiřadit mouku k farmám/regionům, jde dělat velmi praktická analytika:

• Které původy dávají stabilnější lepek a pekařské vlastnosti?
• Kde se častěji objevují mykotoxiny, rezidua nebo problémy se skladováním?
• Jaký původ funguje nejlépe pro konkrétní recepturu?

Tohle je „nudná“ část AI, ale vydělává peníze: méně reklamací, méně přeseřizování výroby, stabilnější kvalita.

Kde má technologie reálné limity (a proč je dobré je znát)

Nejde o kouzelnou hůlku. Pokud o tom uvažujete jako potravinář, zemědělské družstvo nebo obchodník s komoditami, díval bych se na tyhle body.

Náklady a provoz: laboratorní čtení není zdarma

PCR/sekvenování vyžaduje buď vlastní laboratorní zázemí, nebo službu třetí strany. To je v pořádku u vyšetřování incidentů, ale pro rutinní kontrolu budete chtít:

• nastavit sampling (kde a jak často odebírat vzorky),
• určit SLA (za jak dlouho potřebujete výsledek),
• spočítat návratnost (úspora z menších recallů vs. cena testů).

Governance dat: kdo vlastní pravdu

Pokud BioTag umí identifikovat farmy v řetězci, vzniká citlivé téma:

• Kdo má přístup k mapě dodavatelů?
• Jak se chrání obchodní tajemství?
• Jak se řeší spory (např. když laboratorní test „nesedí“ na papírovou evidenci)?

Bez jasných pravidel se projekt zadrhne na důvěře, ne na technologii.

Přijetí trhem: „ne-GMO“ je výhoda, ale komunikace musí být čistá

Firma uvádí, že nejde o genetickou modifikaci a že technologie má schválení pro použití v potravinách na vybraných trzích. Pro evropský kontext je ale klíčová ještě jedna věc: jak to vysvětlíte zákazníkům a auditorům.

Dobrá praxe je držet se faktů:

• používají se běžné kvasnice,
• aplikace je ve stopovém množství,
• „kód“ se čte laboratorně, není to přidané barvivo ani chuť.

Kdo z toho v Česku může těžit nejvíc: tři konkrétní scénáře

Největší smysl to dává tam, kde se hodně míchá a kde je vysoká cena chyby. Tři příklady, které v českém prostředí sedí.

1) Mlýny a pekárenské skupiny

Mouka je typický případ: obilí z více farem, sil, skladů, dopravců. Pokud dokážete v hotové mouce ověřit původ, je to silná pojistka pro:

• IFS/BRC audity,
• řešení reklamací kvality,
• prokazování regionálního původu pro privátní značky.

2) Výrobci dětské výživy a „high-care“ potravin

Tady bývá tolerance k riziku prakticky nulová. Nejde jen o dohledatelnost – jde o rychlost reakce a jistotu, že stahujete správný rozsah.

3) Krmiva a živočišná výroba

Krmivo je často přehlížené, ale je to vstupní surovina, která ovlivňuje celý řetězec. U krmiv navíc dává smysl kombinovat:

• biologické značení pro původ,
• AI pro optimalizaci receptur a nákupů,
• monitoring kvality (vlhkost, skladové podmínky, riziko plísní).

Jak začít: jednoduchý pilot, který nezabije rozpočet

Nejlepší první krok je pilot na jednom produktu a jednom toku. Tohle je postup, který se mi v podobných projektech osvědčil:

1. Vyberte komoditu s častým mixováním (např. pšenice → mouka).
2. Definujte otázku, na kterou chcete odpovědět (např. „umíme u mouky ověřit farmu původu do 48 hodin?“).
3. Nastavte 3–5 odběrných míst (příjem, silo, před mletím, po mletí, expedice).
4. Zaveďte dvojí pravdu: digitální záznamy vs. laboratorní čtení. Nesoulady jsou to nejcennější.
5. Napojte data do jednoduchého dashboardu a nechte AI/analytiku dělat korelace (původ × kvalita × reklamace).

Pokud po 8–12 týdnech nevidíte jasný přínos (rychlejší dohledání, méně sporů, lepší kontrola kvality), nemá cenu to škálovat. Když přínos vidíte, škálujte postupně – jeden dodavatel, jeden závod, jeden region.

Co si z toho odnést pro AI v zemědělství a potravinářství

AI v potravinářství stojí a padá na kvalitě identity suroviny. Neviditelné „kódy“ z kvasnic jsou zajímavé právě tím, že posouvají identitu z databáze do reality. Tím se z dohledatelnosti stává něco, co lze ověřit i zpětně – i po mletí, i po mixování.

Jestli dnes řešíte transparentnost dodavatelského řetězce, bezpečnost potravin, nebo tlak odběratelů na ESG a uhlíkovou stopu, tohle je typ technologie, kterou bych nepřehlížel. Ne proto, že by nahradila vaše systémy, ale protože zvyšuje důvěryhodnost dat, na kterých pak AI staví predikce a rozhodování.

Pokud chcete, můžeme společně projít, kde ve vašem řetězci vzniká největší „datová mlha“, jak navrhnout pilot a jaké AI metriky sledovat (čas dohledání, rozsah stahování, stabilita kvality, náklady na incident). Co by pro vás byl ten jeden problém, který má cenu vyřešit jako první?