AI, která tvoří chutě: textem k nové receptuře

V potravinářství se roky říká, že „chuť je král“. Jenže království chutí je drahé, pomalé a často plné slepých uliček. Když vývojový tým ladí novou příchuť jogurtu, rostlinný „kuřecí“ profil nebo vůni obalu pro premium čokoládu, nejde jen o nápad. Jde o stovky variant, testování stability, dostupnost surovin, legislativu a nakonec i cenu.

Právě proto je zajímavá zpráva z food-tech světa: NotCo představilo generativní model Generative Aroma Transformer (GAT), který umí z textového zadání navrhovat nové formulace chutí a vůní. Ne „marketingové nápady“, ale návrhy, které se dají převést do seznamu ingrediencí a poměrů.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to důležitý dílek skládačky. AI už dnes pomáhá na poli (monitoring plodin, předpověď výnosů, optimalizace hnojení). GAT ukazuje, že podobná „preciznost“ se přesouvá i do továrny a R&D laboratoře – tedy do místa, kde se rozhoduje, jak bude chutnat budoucí nabídka.

Co je Generative Aroma Transformer a proč je to velká věc

GAT je generativní AI model zaměřený na formulace aroma a parfemace, který převádí textové požadavky do návrhů složení. Z pohledu praxe to znamená, že zadání typu „krémová vanilka s lehkým karamelem, méně cukrový dojem, čistý dozvuk“ nemusí skončit jako vágní brief. Může se stát startovní čarou pro konkrétní recepturu, kterou technolog ověří v pilotu.

„Textem k chuti“ není kouzlo. Je to zkrácení iterací

Většina potravinářských inovací se dnes dělá iterativně:

• definice cílového senzorického profilu (chuť, vůně, textura)
• návrh prototypu
• interní senzorický panel + analytika
• úprava receptury
• znovu a znovu

Největší náklad není jedna ingredience, ale čas a počet kol. Pokud model jako GAT dokáže navrhnout 20 relevantních variant místo 200 „mimo“, šetří týdny práce. A v mnoha kategoriích jsou týdny rozdíl mezi „stihli jsme sezónu“ a „trh už je pryč“.

Proč zrovna transformer

Transformery (architektura známá z jazykových modelů) jsou dobré v práci se sekvencemi a vztahy. U aroma a chutí je vztahů až nepříjemně moc: molekuly se chovají jinak v tuku vs. ve vodě, některé tóny se rozvíjejí později, jiné překrývají zbytek. Model, který umí zachytit kontext a kombinatoriku, dává v tomto prostoru smysl.

Jak generativní AI mění vývoj potravin: rychlost, přesnost, škálování

Generativní AI ve vývoji potravin funguje nejlépe jako „návrhový motor“, ne jako náhrada člověka. Nechcete, aby AI rozhodla, co pustíte na trh. Chcete, aby dramaticky zvedla šanci, že první prototyp bude „blízko“.

1) Rychlejší prototypování a méně slepých testů

V praxi se dá čekat posun ve dvou místech:

1. Zkrácení prvních dvou iterací – tam se typicky ztrácí nejvíc času.
2. Lepší pokrytí variant – model umí generovat alternativy pro různé cenové hladiny nebo surovinové restrikce.

Tohle je v roce 2025 extrémně aktuální. Tlak na cenu surovin, výpadky dodavatelských řetězců i požadavky retailu na rychlejší inovace jsou realita. Kdo umí iterovat rychleji, má výhodu.

2) Přesnější cílení na spotřebitelské preference

„Chutná to dobře“ je slabá metrika. Silná metrika je: chutná to cílovému segmentu a odpovídá to očekávání kategorie.

Užitečný postup, který už dnes některé firmy používají:

• z consumer research si vytáhnou slovník preferencí (např. „méně umělé“, „víc pražené“, „svěží citrus“, „bez ocasu“)
• zadání převedou do strukturovaných promptů
• model generuje kandidáty
• senzorický panel validuje a data se vrací zpět do procesu

Nejde o to zrušit panel. Jde o to, aby panel netestoval „náhodu“.

3) Škálování napříč portfoliem (a trhy)

Chuť „jahoda“ není jedna. V Česku zákazníci často preferují jiný profil než třeba v LatAm nebo v Asii. Generativní AI umí generovat lokální varianty podle regionálního slovníku a dostupných ingrediencí.

Z pohledu značek je to praktické: jedno core zadání, několik lokálních verzí, kontrola nákladů a konzistence.

Propojení s AI v zemědělství: preciznost od pole až po recepturu

Největší přínos vzniká ve chvíli, kdy spojíte data z pole s formulací v potravinářství. Tady se krásně potkává naše série o AI v zemědělství s příběhem GAT.

„Jak chutná surovina“ je proměnná, ne konstanta

Zemědělství produkuje variabilitu: ročník, půda, odrůda, počasí, sklizeň, skladování. U některých komodit (kakao, káva, ovoce) se to projeví dramaticky. U jiných (obiloviny) méně, ale pořád.

AI v precizním zemědělství dnes typicky řeší:

• predikci výnosů a kvality
• optimalizaci vstupů
• monitoring stresu plodin

Když k tomu přidáte generativní model pro chuť, dostanete logický řetězec:

„Když se změní profil suroviny, upravíme formulaci tak, aby spotřebitel pořád dostal stejný zážitek.“

Tohle je praktický důvod, proč AI v potravinářství není jen o marketingu, ale o stabilitě kvality.

Konkrétní scénář: variabilní úroda a stabilní produkt

Představte si výrobce rostlinných nápojů. Dodávky ovsa se liší obsahem bílkovin a sladkostí. To se propíše do chuti.

• Agri AI odhalí, že letošní oves má nižší „sladký profil“
• R&D zadá do modelu cíl: zachovat vjem sladkosti bez zvýšení cukru
• Model navrhne varianty aroma/enzymatické úpravy nebo kombinace přírodních tónů
• Pilot ověří stabilitu a senzoriku

Výsledek: menší kolísání kvality napříč šaržemi a méně reklamací.

Kde to dává smysl v Česku: 6 praktických use case

GAT typicky nejvíc pomůže tam, kde je vysoký tlak na čas, konzistenci a náklady. Tady jsou oblasti, kde by podobný přístup dával smysl i českým výrobcům a značkám:

1. Rostlinné alternativy (plant-based) – maskování „luštěninového“ dozvuku, profilování „grilované“ nebo „mléčné“ noty.
2. Funkční potraviny a nápoje – zjemnění pachuti vitamínů, minerálů, proteinů nebo sladidel.
3. Nízkosacharidové a „méně sladké“ receptury – budování vjemu plnosti bez cukru.
4. Pekárenské směsi a snacky – stabilní „máslový“, „pražený“ nebo „sýrový“ profil při výkyvech surovin.
5. Alkohol-free a low-alcohol – doplnění aroma „těla“ bez etanolu.
6. Obaly a „unboxing“ vůně – vůně obalu (tam, kde je to vhodné a bezpečné) jako součást vnímání kvality.

To poslední zní netradičně, ale realita je prostá: vůně je často první kontakt se značkou (po otevření krabičky, sáčku, lahve). U citlivých kategorií může rozhodnout.

Rizika a limity: co si pohlídat, než AI pustíte do receptur

Generativní AI ve formulacích není hračka. Kdo ji nasadí bez pravidel, zadělává si na problém. Nejčastější slabá místa jsou čtyři.

1) Bezpečnost, alergeny a legislativa

Model může navrhnout kombinaci, která je senzoricky zajímavá, ale legislativně nebo bezpečnostně nevhodná (alergeny, limity použití, „přírodní“ definice). Řešení je jasné: tvrdé constrainty už v zadání a automatické kontroly nad výstupem.

2) Dostupnost surovin a cena

AI návrh, který nejde nakoupit v Evropě nebo má volatilní cenu, je pro výrobu k ničemu. Dobrý systém musí umět pracovat s:

• seznamem schválených dodavatelů
• cenovým stropem na dávku
• alternativami (substituce)

3) Senzorická validace a „pravda v ústech“

Sebelepší model neochutná produkt v kontextu matrice (tuk, pH, teplota, skladování). Senzorika zůstává povinná. AI má zrychlit cestu, ne zrušit realitu.

4) Duševní vlastnictví a unikátnost

Když generujete „unikátní“ formulace, musíte řešit, kdo je vlastní, jak se ukládají a kdo k nim má přístup. Doporučení: jasná interní politika, auditovatelné logy a práce s privátními modely nebo prostředím.

Jak začít: jednoduchý pilot, který dává smysl (a vede k leadům)

Nejlepší start je pilot na jedné produktové řadě a jedné metrice. Viděl jsem, že firmy často chtějí „AI na všechno“ a skončí u ničeho. Tohle funguje lépe:

Pilotní plán na 6 týdnů

1. Týden 1: výběr cíle – např. snížit počet iterací z 8 na 5, nebo zrychlit time-to-prototype o 30 %.
2. Týden 2: data a constrainty – povolené ingredience, limity, cena, alergeny, cílový senzorický profil.
3. Týden 3–4: generování a laboratorní prototypy – 10–20 kandidátů, rychlá selekce.
4. Týden 5: senzorika + stabilita – interní panel, zrychlené testy.
5. Týden 6: vyhodnocení a rozhodnutí – co škálovat, co upravit v procesu.

Jedna praktická věta, kterou bych si dal na nástěnku R&D: „AI nám má ušetřit iterace, ne přidat meetingy.“

Pokud jste výrobce, vývojář receptur nebo agrifood inovátor, dává smysl připravit si interně tři věci: (1) seznam „bolestí“ v recepturách, (2) data o surovinách a kvalitě, (3) jasné bezpečnostní mantinely. Pak už je pilot jen práce.

Kam to míří v roce 2026: od návrhu k uzavřené smyčce kvality

Směr je zřetelný: uzavřená smyčka od suroviny k produktu. Agri AI řekne, jaká bude kvalita vstupu. Potravinářská AI navrhne úpravu receptury. Výroba a senzorika vrátí data. A systém se bude zlepšovat.

Pro český trh je to šance i tlak zároveň. Šance, protože máme silné potravinářské know-how a roste komunita lidí kolem dat a automatizace. Tlak, protože rychlost inovací v retailu se nezpomalí.

Generativní AI pro chuť a vůni, jako je Generative Aroma Transformer, ukazuje jednoduchou pravdu: budoucnost potravin nebude jen „co umíme vypěstovat“, ale i „jak rychle a přesně umíme přetavit suroviny do konzistentní chuti“. Jakou část tohoto řetězce budete mít pod kontrolou vy?