Proteinová sladidla a AI: budoucnost sladkých nápojů

40 gramů cukru v jedné lahvi sladkého čaje není žádná rarita. Je to spíš standard, který si spousta lidí zvykla přehlížet, dokud nezačne řešit váhu, energii během dne nebo prediabetes. Přitom se nápojový průmysl už pár let snaží najít „sladké bez následků“: jednou přes umělá sladidla, jindy přes stévii nebo erythritol. Jenže každá z těchto cest má své kompromisy – chuťové, marketingové i zdravotní.

Teď se do hry dostává zajímavá alternativa: sladkost z proteinu. Americká firma Oobli uvedla na trh sladké čaje slazené brazzeinem – sladkým proteinem původně z ovoce z oblasti západní Afriky, vyráběným pomocí precizní fermentace. Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to ideální případová studie: ne kvůli samotnému čaji, ale kvůli tomu, jak přesně podobné produkty vznikají – a jak je AI může zásadně urychlit, zlevnit a zpřesnit.

Co je brazzein a proč je „sladkost z proteinu“ tak zajímavá

Brazzein je sladký protein, který chutná sladce i v extrémně malých dávkách, a tím snižuje potřebu přidaného cukru. To je praktický důvod, proč se o něm mluví. Druhý důvod je systémový: pokud umíme takové molekuly vyrábět stabilně a ve velkém, mění se pravidla hry pro sladké potraviny a nápoje.

Oobli (dříve Joywell Foods) stojí na jednoduché, ale technicky náročné myšlence: získat genetickou informaci pro sladký protein a „přesunout ji“ do kvasinek, které ho vyrobí v fermentoru. Z pohledu potravinářské výroby to připomíná vaření piva nebo výrobu enzymů – jen s jiným cílovým produktem.

Precizní fermentace v kostce

Precizní fermentace znamená, že mikroorganismus (typicky kvasinka nebo bakterie) dostane genetický „recept“ a v kontrolovaných podmínkách vyrábí konkrétní látku. V tomto případě jde o protein, který je chemicky identický s tím z původní rostliny.

V praxi to obvykle zahrnuje:

1. identifikaci genů odpovědných za cílový protein,
2. vložení genů do kvasinek,
3. fermentaci v živném médiu (kde mikroorganismus spotřebovává cukry),
4. separaci a dočištění výsledného proteinu.

Tohle je přesně místo, kde se potkává biotechnologie a AI: data z fermentace, chuťových testů a dodavatelského řetězce jsou ideální palivo pro modely strojového učení.

Případ Oobli: méně cukru, podobná chuť, vyšší cena

Oobli postavilo produktovou zprávu na jednoduchém srovnání: sladký čaj se 7 g cukru a 60 kcal oproti běžnému sladkému čaji s desítkami gramů cukru. V jejich komunikaci zaznívá i argument, že „dietní“ varianty s umělými sladidly nebo cukernými alkoholy nemusejí být pro každého ideální – a že proteinová sladkost může působit přirozeněji i chuťově.

Z hlediska trhu je ale největší překážka pro podobné novinky často méně vědecká a více přízemní: cena. U Oobli vychází balení 12 kusů zhruba na třikrát vyšší cenu než běžné masové značky.

A tady mám jasný názor: vyšší cena není problém, pokud značka umí prokázat hodnotu a dlouhodobě udrží chuť i dostupnost. Prémiové „better-for-you“ nápoje si v posledních letech vychovaly publikum, které platí za:

• nižší cukr,
• čistší složení,
• lepší chuť bez „pachuťí“,
• příběh inovace a udržitelnosti.

Jenže jakmile chcete jít z niche segmentu do mainstreamu, bez optimalizace výroby to nejde. A právě tady se začíná naplno uplatňovat AI.

Kde AI reálně pomáhá: od fermentoru po chuťový profil

AI v potravinářství není jen marketingová nálepka – je to sada nástrojů, které snižují náklady na vývoj a zvyšují šanci, že produkt lidem opravdu zachutná. U proteinových sladidel to platí dvojnásob, protože kombinujete biologickou výrobu a citlivé vnímání chuti.

AI a optimalizace fermentace (rychlejší škálování)

Největší náklady u precizní fermentace často vznikají při škálování: co funguje v laboratorním objemu, může být v průmyslovém fermentoru drahé, nestabilní nebo pomalé.

AI může pomoci například takto:

• Predikce výtěžnosti: model odhaduje, jak se změní produkce proteinu při změně teploty, pH, provzdušnění nebo složení média.
• Detekce odchylek v reálném čase: anomálie v datech ze senzorů upozorní obsluhu dřív, než se „zváže“ celá šarže.
• Optimalizace receptury média: algoritmus navrhne kombinaci živin tak, aby kvasinky vyráběly více cílového proteinu a méně vedlejších produktů.

V českém kontextu je tohle téma překvapivě blízké i zemědělství: jakmile se fermentace rozšíří, roste poptávka po vstupních surovinách (cukry, škroby, živiny) – a jejich ceny i dostupnost se dají plánovat pomocí AI predikcí výnosů a logistiky.

AI a „chuťová matematika“ (proč některá sladidla nechutnají)

Největší riziko sladidel není chemie, ale pachuť a doznívání. Spotřebitel to popíše jednoduše: „něco mi tam vadí“. Vývojář to musí přeložit do parametrů: intenzita sladkosti, náběh, dozvuk, hořkost, kovová nota, interakce s kyselinou atd.

AI se tu používá dvěma směry:

• Modely vztahu složení → senzorický profil: z historických dat degustací a receptur se dá předpovídat, jak bude směs chutnat.
• Optimalizace receptury pro cílové publikum: jinak chutná sladký čaj pro teen publikum, jinak pro lidi 35+ řešící cukr, jinak pro sportovní komunitu.

Praktická věta, kterou by si měl odnést každý produktový tým: nejlepší sladidlo je to, které lidé nepoznají.

AI a spotřebitelské trendy (hit nevzniká v laboratoři)

Produkt typu „slazené proteinem“ stojí i na psychologii. Slovo „protein“ evokuje zdravější volbu, ale jen do chvíle, než si zákazník řekne, že jde o další trik.

AI nástroje pro analýzu trhu pomáhají:

• číst signály ze sociálních sítí a recenzí (co lidé chválí/kritizují),
• segmentovat publikum podle motivací (zdraví, chuť, fitness, rodiče),
• optimalizovat cenové hladiny a balení,
• plánovat uvedení produktu sezónně (např. leden – „nový začátek“, léto – ledové čaje, podzim – funkční nápoje).

V prosinci 2025 to dává extra smysl: po vánočním období roste v lednu poptávka po „reset“ produktech s nižším cukrem. Kdo umí rychle iterovat recepturu a messaging, vyhrává.

Co to znamená pro zemědělství a potravinářství v ČR

Proteinová sladidla nejsou jen americká kuriozita – jsou to signály, že se potravinářství posouvá od komodit k přesně řízeným ingrediencím. A to má dopad na celý řetězec.

1) Poptávka po surovinách pro fermentaci

Fermentace potřebuje stabilní zdroje cukrů a živin. To může tlačit na:

• lepší zpracování domácích škrobových plodin,
• využití vedlejších produktů (např. proudy z výroby škrobu),
• důraz na kvalitu a konzistenci vstupů.

AI v zemědělství (monitoring polí, predikce výnosů, optimalizace hnojení) se tady překlápí do potravinářství úplně přirozeně: když znáte budoucí výnos a kvalitu suroviny, lépe plánujete fermentační kapacity i nákupní ceny.

2) Nové požadavky na kvalitu a dohledatelnost

U „nových“ ingrediencí bude růst tlak na:

• dohledatelnost šarží,
• standardizaci parametrů,
• auditovatelné datové stopy.

Tady se AI potkává s digitalizací výroby: méně papírů, více dat, rychlejší reakce na odchylky.

3) Vývoj produktů rychlostí softwaru

Největší změna mindsetu: potravina se začíná vyvíjet jako produkt v technologické firmě.

• krátké testovací cykly,
• A/B testy chutí,
• průběžné vylepšování receptur,
• práce s daty z trhu.

Kdo tohle nezvládne, bude jen dodavatel „něčeho do receptury“. Kdo to zvládne, bude vytvářet značky a marže.

Praktický checklist: kdy dává proteinové sladidlo smysl

Proteinová sladidla se vyplatí tam, kde chcete snížit cukr bez typické pachuti umělých sladidel a zároveň udržet „plnou“ chuť. Pokud přemýšlíte o vývoji podobného nápoje (nebo ingredience) v ČR/EU, zaměřil bych se na tento checklist:

• Cílový benefit je jasný: např. „o X % méně cukru“ a „bez cukerných alkoholů“.
• Chuť je ověřená na cílovém segmentu: ne na interním týmu.
• Máte plán na cenu: prémiový produkt může uspět, ale musí být konzistentní.
• Datová připravenost: senzory z výroby, záznamy šarží, strukturované degustace.
• AI není pozlátko: použijte ji na konkrétní problém (výtěžnost, pachuť, stabilita, predikce poptávky).

Jedna věta, kterou si hlídám u každé „zdravější“ novinky: pokud to nechutná, neprodá se to. AI může pomoct, ale pít to musí člověk.

Co čekat dál: sladké proteiny jako standardní ingredience

Sladké proteiny se pravděpodobně stanou běžnou součástí receptur – ne proto, že by nahradily všechen cukr, ale protože umožní „cukr tam, kde má smysl“ a zbytek dořeší jinak. Nápoj typu sladký čaj je ideální testovací platforma: jednoduchá receptura, jasná očekávání chuti, velký trh.

Pro naši sérii o umělé inteligenci v zemědělství a potravinářství je na tom nejzajímavější tohle: AI propojuje farmu, fermentor i marketing do jednoho rozhodovacího systému. Od predikce vstupů přes řízení výroby až po to, jaký chuťový profil bude mít nejvyšší šanci na opakovaný nákup.

Pokud řešíte inovace v potravinách, mám doporučení na příští krok: vyberte jeden produkt (nápoj, jogurt, tyčinku), stanovte konkrétní cíl „méně cukru bez kompromisu v chuti“ a postavte kolem toho malý datový projekt. Nejrychlejší výsledky dnes nevznikají z velkých strategií, ale z dobře vybraných pilotů.

A teď ta otázka, která bude v roce 2026 slyšet čím dál častěji: dokážeme v Evropě vybudovat vlastní ekosystém pro precizní fermentaci a AI, aby „ingredience budoucnosti“ nevznikaly jen za oceánem?