AI navrhne chuť i vůni z textu: co to změní v jídle

V potravinářství se roky mluví o automatizaci výroby, predikci poptávky a robotizaci skladů. Jenže nejdražší a nejpomalejší část inovací často nebývá linka. Je to vývoj receptury – tedy chuť, vůně, stabilita, textura a to, jak to celé působí na člověka při prvním soustu.

A teď si představte, že zadáte do systému větu typu: „krémová vanilka s třešňovým bonbonem, ale dospělejší, méně sladká“ a během chvíle dostanete návrh konkrétní aromatické kompozice. Přesně tímhle směrem míří generativní model GAT (Generative Aroma Transformer) od společnosti NotCo, který umí překládat textové zadání do návrhu chemického složení vůně či aroma.

V našem seriálu „Umělá inteligence v zemědělství a potravinářství“ se často bavíme o AI na poli a ve výrobě. Tohle je další dílek skládačky: AI se posouvá do oblasti, kde rozhoduje emoce a senzorika. A to má dopad „od plodin až na talíř“.

Co přesně NotCo postavilo – a proč je to velká věc

NotCo představilo generativní AI model GAT, který z textových promptů umí vytvářet nové formulace vůní a aromat. Klíčové sdělení je jednoduché: jazyk se stává rozhraním pro vývoj aroma.

To je zásadní z několika důvodů:

• Rychlost: vývoj nového aroma tradičně trvá týdny až měsíce (iterace, laboratorní směsi, senzorické panely). Model míří na výstup v řádu sekund až minut, a hlavně zrychluje první iterace.
• Nedostatek expertů: v parfumerii je globálně jen omezený počet certifikovaných odborníků (v článku zaznívá číslo kolem 600). Ve flavor průmyslu je situace podobná: špičkových „nosů“ a „jazyků“ není nekonečno.
• Novost: nejde jen o kopírování známých receptur, ale o návrh nových kombinací na základě naučených vztahů mezi molekulami.

Jedna věta, jeden návrh složení. Když to funguje, mění to ekonomiku R&D v potravinářství.

Jak funguje generativní AI na vůně a chutě (bez zbytečné magie)

GAT stojí na myšlence „přirozený jazyk → chemická kompozice“. Z praktického pohledu jde o dvě propojené části: porozumění zadání a návrh molekulární sekvence.

Od prompty k „notám“: co vlastně model čte

Systém umí pracovat se strukturou, kterou znají vývojáři aroma:

• hlava (top note) – první dojem (např. třešňový bonbon)
• srdce (middle note) – tělo profilu (např. vanilka)
• základ (bottom note) – doznívání a „dospělost“ (např. tmavší třešeň, dřevité tóny)

Prompt může být poetický („oceán na větrném letním dni“) i technický. Důležité je, že model se učí překládat slova do senzorických cílů.

Tokenizace molekul: proč je to podobné jako u textu

Transformery v AI fungují skvěle na sekvence – v textu jsou to slova a tokeny, tady se podobně pracuje s „tokeny“ molekul či jejich struktur. NotCo popisuje reprezentaci molekul pomocí grafů (atomy jako uzly, vazby jako hrany) a využití grafových neuronových sítí (GNN), které převádějí molekulu do vektorového popisu.

Jednoduchá interpretace:

• molekuly, které voní podobně, mají v prostoru reprezentací „blízko“
• model se naučí, jak kombinace molekul vytváří výsledný profil
• dekodér pak generuje návrh složení tak, aby odpovídal zadanému profilu

Co znamenají „pozitivní slepé testy“ v praxi

Podle informací z prezentace a interních testů NotCo se v slepých čichových testech měly výstupy GAT jevit jako nerozeznatelné od lidských návrhů.

Tady jsem opatrně optimistický: slepý test může být nastaven různě (panel, škála, počet vzorků). Ale i tak je důležité, že se AI zjevně dostává do fáze, kdy umí vytvořit použitelné „první návrhy“, se kterými se dá pracovat.

Co to znamená pro potravinářství (a jak to souvisí se zemědělstvím)

Generativní AI pro aroma není jen hračka pro parfumerii. V potravinářství je chuť a vůně nástroj, jak:

• udržet konzistentní produkt navzdory kolísání surovin
• snižovat cukr, sůl nebo tuk bez ztráty „zážitku“
• nahradit část drahých ingrediencí levnějšími (bez kompromisu v profilu)
• rychleji vyvíjet sezónní a limitované edice

A tady se to propojuje se zemědělstvím: kvalita a senzorika surovin kolísá podle ročníku, odrůdy, skladování i klimatu. Pokud máte v dodavatelském řetězci lepší data (např. o obsahu aromatických látek v ovoci, o parametrech kakaa, o profilu mléčného tuku), AI může pomoci rychleji upravit recepturu tak, aby zákazník dostal stejný zážitek.

Tři konkrétní scénáře „od pole po talíř“

1. Kolísání jahod a malin v zimní sezóně
   • AI v kvalitě surovin odhalí posun aromatického profilu (méně esterů, jiná kyselost).
   • Generativní aroma model navrhne korekční kompozici pro jogurt nebo zmrzlinu.

1. Snižování cukru ve sladkostech

   • Méně cukru často znamená „plošší“ chuť.
   • AI navrhne kombinaci aromat a „top notes“, které zvednou vnímanou sladkost bez navýšení cukru.

2. Plant-based výrobky a „maskování“ nežádoucích tónů

   • Alternativní proteiny (hrách, oves) mívají travnaté nebo „fazole“ dozvuky.
   • Model navrhne aroma, které je potlačí, aniž by výrobek voněl uměle.

Přínosy: kde AI reálně šetří čas a peníze

Největší ekonomický dopad je v tom, že AI zrychlí první 80 % práce – iterace, které jinak pálí laboratorní kapacitu.

Co umí zrychlit hned

• Nápady a varianty: místo 5 návrhů uděláte 50 a vyberete 5 nejlepších.
• Přenos know-how: juniorní tým může s AI rychleji dosáhnout úrovně „slušného prototypu“.
• Personalizace: lokální edice pro různé trhy (CZ/SK vs. DACH) bez nekonečných cyklů.

Kde lidský expert pořád zůstává nenahraditelný

• finální „doladění“ pro konkrétní matrici (tuk, voda, protein dělají divy)
• stabilita v čase (oxidace, uvolňování aromat)
• legislativa a bezpečnost použití látek v potravinách
• senzorika v kontextu: vůně sama o sobě není totéž co chuť v produktu

Moje zkušenost z projektů kolem AI ve výrobě: nejlépe funguje model „AI navrhne, člověk rozhodne, laboratoř ověří“. Pokud firma čeká, že AI nahradí celé R&D, spálí rozpočet i důvěru týmu.

Rizika a „tvrdé“ otázky, které byste měli řešit ještě před pilotem

Tady jsou věci, které bych si jako výrobce potravin napsal na tabuli hned první den.

1) Data a vlastnictví receptur

Model se učí na historických formulacích. To otevírá otázky:

• Kdo vlastní data o recepturách a kompozicích?
• Nehrozí, že se do návrhů promítnou prvky chráněných formulací?
• Jak se řeší auditovatelnost: proč model navrhl právě tuto kombinaci?

2) Regulace a bezpečnost

V EU je použití aromat a jejich složek regulované. S generativním návrhem potřebujete:

• automatické kontroly povolených látek a limitů
• kontrolu alergenů a kontaminantů
• dohledatelnost změn (pro interní i externí audit)

3) „Hezký vzorek“ vs. průmyslová realita

AI může navrhnout kompozici, která v malé lahvičce voní skvěle, ale v reálném produktu:

• zanikne v tuku
• změní se po tepelné úpravě
• nebude stabilní při skladování

Kdo tohle podcení, bude mít rychlé prototypy a pomalý průšvih.

Jak začít: praktický plán pilota na 6–8 týdnů

Pokud jste výrobce potravin, aromat, nápojů nebo privátní značky, pilot jde udělat relativně pragmaticky. Doporučuju držet se jednoduchosti.

1) Vyberte jeden produkt a jeden problém

Například:

• „Snížit cukr o 15 % a nezhoršit chuť“
• „Stabilizovat chuťovou konzistenci při kolísání suroviny“
• „Vytvořit 3 nové sezónní varianty do jara 2026“

2) Připravte senzorický „brief“ jako data

Nejen poetické popisy. Přidejte:

• cílové noty (top/middle/bottom)
• intenzitu na škále 1–10
• zakázané tóny (např. „žádná umělá jahoda“)
• omezení ceny aromatické složky na dávku

3) Definujte metriky úspěchu

Aby se pilot nezměnil v nekonečné ochutnávání:

• čas do prvního prototypu (např. 48 hodin)
• počet iterací do akceptace (např. do 6 kol)
• senzorické skóre v blind testu (např. ≥ 7/10)
• náklad na jednu iteraci vs. baseline

4) Zajistěte „guardrails“

• seznam povolených látek (EU compliance)
• interní schvalování receptur
• logování promptů a výsledků

Tím se z generativní AI stane nástroj, ne hazard.

Kam to celé míří v roce 2026: AI bude navrhovat zážitek, ne jen recepturu

Když se bavíme o AI v zemědělství a potravinářství, často řešíme výnosy, choroby plodin a logistiku. Jenže trh rozhoduje ještě jedna věc: zážitek. Chuť a vůně jsou obchodní zbraně.

Modely jako GAT naznačují budoucnost, kde se vývoj produktu zkrátí a zpřesní:

• marketing popíše „co má produkt vyvolat“
• R&D přeloží emoci do parametrů
• AI navrhne varianty a zrychlí první iterace
• laboratoř a senzorický panel udělají finální výběr

Pokud to firmy uchopí správně, nebude to „AI místo lidí“. Bude to AI, která uvolní kapacitu expertů na to nejcennější: finální kvalitu a strategii portfolia.

A teď ta praktická otázka, kterou bych si na vašem místě položil: Který produkt ve vašem portfoliu by měl největší přínos, kdybyste zkrátili vývoj receptury o polovinu?