Rostlinné maso roste v gastro: co s tím udělá AI

730 milionů dolarů. Tolik utratily americké restaurace a další stravovací provozy za rostlinné alternativy masa v roce 2022 — a je to historické maximum. Zároveň maloobchod (klasické obchody) zůstal na zhruba stejných 1,4 miliardy dolarů. Tahle kombinace je pro potravinářství mnohem zajímavější, než vypadá na první přečtení: nejrychleji se mění místo, kde lidé jídlo „zažijí“ — ne místo, kde ho kupují do lednice.

Pro sérii Umělá inteligence v zemědělství a potravinářství je tohle skvělý signál. Když se nová kategorie prosazuje hlavně ve food service, znamená to tlak na předpověď poptávky, stabilitu dodávek, standardizaci kvality a řízení nákladů. A přesně tady má AI praktický dopad: od pole a surovin, přes výrobu, až po plánování menu a logistiku.

Proč gastro táhne a retail stojí na místě

Klíčový důvod je jednoduchý: restaurace umí snížit bariéru „zklamání z prvního nákupu“. Kuchař produkt připraví správně, host dostane hotové jídlo, a rozhoduje chuť + cena + dostupnost, ne nejistota typu „co s tím doma udělám“.

Z dat vyplývá několik konkrétních bodů:

• Food service pro rostlinné maso v USA: 730 mil. USD v roce 2022, meziročně +7,8 % (cca +53 mil. USD).
• Retail zůstal přibližně na 1,4 mld. USD.
• Celkové tržby (včetně e-commerce) vzrostly z 2,1 na 2,2 mld. USD (+2 %), ale objem prodaných liber klesl z 349 na 336 mil. (−4 %).

Ten poslední bod je důležitý: tržby rostly, ale prodalo se méně kusů/objemu. V praxi to znamená, že zákazníci i provozy citlivě reagují na cenu a inflaci.

Inflace a „optická“ růstová čísla

Růst tržeb bez růstu objemu je často jen cenový efekt. Ve zmíněném období se velkoobchodní ceny rostlinného masa ve velkodistribuci zvýšily zhruba o 4 %, zatímco živočišné maso zdražilo kolem 8 %. To je pro gastro paradoxně dobrá zpráva: alternativy se cenově přibližují (nebo alespoň neujíždějí).

A ještě jedna věc: cena za libru rostlinného masa měla od roku 2019 klesnout asi o 11 % díky škálování a lepším nákupním podmínkám. Kdo umí plánovat a nakupovat chytře, může alternativy používat bez dramatického zásahu do marže.

Kde se rostlinné maso prodává nejvíc a co to říká o poptávce

Největší podíl prodejů ve food service jde přes rychlé občerstvení a řetězce. Konkrétně:

• Quick-service restaurace (fast food): 39 %
• Full-service restaurace: 19 %
• Školy a vzdělávání: 16 %

Tohle rozdělení je vzkaz pro celý dodavatelský řetězec:

1. Řetězce potřebují stabilní dodávky (kvalita a cena musí držet).
2. Školy řeší cenu, výživové profily, alergeny a standardy – a mají tendenci dělat dlouhodobější kontrakty.
3. Klasické restaurace často testují novinky, ale bez predikce se snadno spálí na odpadu.

Jinými slovy: poptávka se institucionalizuje. A jakmile se něco dostane do standardních nákupních procesů řetězců a škol, začne být kritická disciplína, kterou v Česku pořád podceňujeme: práce s daty.

Co má společného rostlinné maso a AI v zemědělství

Růst rostlinných alternativ není jen marketing. Je to logistika, plánování surovin a optimalizace výroby. A to jsou přesně oblasti, kde AI dává smysl i bez futuristických slibů.

1) AI pro predikci poptávky: méně výpadků, méně odpadu

Ve food service se poptávka mění rychle. Když řetězec spustí nový burger, špička přijde během dnů. Pokud dodavatel netrefí objem, nastane buď:

• výpadek (ztracené tržby, naštvaní zákazníci), nebo
• přebytek (znehodnocení zboží, slevy, odpisy).

AI modely pro forecasting umí kombinovat prodeje, sezónnost, promo akce, lokální události, počasí (v praxi relevantní) i ceny konkurence. U alternativ je to ještě cennější, protože adopce bývá „skoková“: něco se chytí na sociálních sítích a poptávka poskočí.

Praktický tip pro provozy i výrobce: začněte s jednoduchým cílem — predikovat poptávku po SKU (konkrétních položkách) na 7–14 dní dopředu a měřit MAPE/odchylku. Neřešte hned „dokonalý AI“. Řešte dopad na odpad a dostupnost.

2) AI v dodavatelském řetězci: cena na porci je král

Pro restaurace je rozhodující metrika cena na porci a stabilita gramáže.

AI může pomoci:

• optimalizovat nákupní ceny přes scénáře (kdy nakoupit, kolik, od koho),
• plánovat zásoby podle trvanlivosti a obrátky,
• hlídat substituce surovin bez změny výživových parametrů a chuti.

U rostlinného masa je navíc časté, že se mění receptury (kvůli dostupnosti proteinů, olejů, pojiv). AI řízení kvality (např. anomálie ve výrobních datech, senzory, laboratorní výsledky) umí včas odhalit, že „tahle šarže se bude chovat jinak na pánvi“ — a to je pro gastro obrovský rozdíl.

3) AI v precizním zemědělství: vstupy pro alternativy nejsou samozřejmé

Plant-based produkty stojí na komoditách a specialitách: hrách, sója, pšenice, bob, řepka, slunečnice, někdy oves. Stabilní supply těchto plodin je přímo navázaný na výnosy, kvalitu a cenu.

V evropském (a českém) kontextu je pro alternativní proteiny klíčové:

• sledovat obsah bílkovin a kvalitu sklizně,
• řídit hnojení a ochranu porostu tak, aby výnos i parametry byly stabilní,
• minimalizovat riziko výkyvů (sucho, choroby, škůdci).

Tohle je klasická doména AI v zemědělství: satelitní data, senzory, predikce výnosu, doporučení zásahů. Čím víc bude růst food service poptávka po alternativách, tím víc se z „hezkého doplňku“ stane tlak na surovinovou strategii.

Proč retail stagnuje: chuť, cena a očekávání

V obchodech lidé hodnotí alternativy přísněji. Doma není „kuchařský trik“, který vyváží texturu, šťavnatost nebo dochucení. A když je produkt dražší než srovnatelná masová varianta, zákazník zkouší jednou — a pak se vrátí ke zvyku.

Tady mám jasný názor: mnoho značek v retailu přepálilo očekávání a podcenilo opakovatelnost zážitku. Jakmile se „novinka“ okouká, rozhoduje konzistence.

AI do toho vstupuje i na straně vývoje:

• analýza senzorických dat (chuťové panely, popisy),
• hledání receptur s nižší cenou při stejné textuře,
• optimalizace tepelného zpracování a extruze pro stabilní výsledky.

Pokud má retail znovu růst, bude to podle mě přes dvě věci: lepší poměr cena/výkon a jednodušší použití doma (jasná příprava, spolehlivý výsledek).

Co si z toho vzít v Česku: 5 konkrétních kroků pro firmy

Americká čísla nejsou český trh, ale vzorec chování sedí až překvapivě často. Pokud jste výrobce surovin, výrobce potravin, distributor nebo gastro/řetězec, tyhle kroky dávají smysl už teď:

1. Zaveďte jednotnou datovou vrstvu pro poptávku a výrobu (prodeje, objednávky, šarže, trvanlivosti). Bez toho je AI jen prezentace.
2. Forecasting začněte na nejrizikovějších položkách (krátká trvanlivost, vysoká cena, promo špičky).
3. Měřte odpad po kategoriích a příčinách (expirace, příprava, špatná predikce). Pak teprve optimalizujte.
4. Vyjednávejte s dodavateli na základě parametrů, ne dojmů: stabilita gramáže, reklamace, variabilita kvality.
5. Propojte zemědělský původ suroviny s kvalitou produktu: když víte, z jaké šarže plodiny je protein a jaké měl parametry, máte náskok v řízení konzistence.

Jedna věta, kterou si v potravinářství připomínám často: Když neumíte předpovídat poptávku, budete buď drahý, nebo budete plýtvat. Někdy obojí.

Co čekat v roce 2026: tlak na efektivitu, ne na hype

Prosinec 2025 je pro potravinářství specifický: náklady na energie, obaly i logistiku jsou pořád téma a zákazníci jsou citliví na cenu. V takovém prostředí se prosadí ne „nejhlasitější inovace“, ale ta, která:

• drží cenu na porci,
• je stabilně dostupná,
• má konzistentní kvalitu,
• minimalizuje odpad v kuchyni i ve skladu.

A přesně proto je propojení růstu rostlinného masa ve food service s AI tak přirozené. Nejde o to, jestli bude více alternativ. Jde o to, kdo je zvládne vyrábět, plánovat a dodávat bez chaosu.

Pokud chcete tuhle změnu uchopit prakticky, začal bych jednoduchou otázkou: Kde přesně v našem řetězci vzniká největší nejistota — v poptávce, v surovině, ve výrobě, nebo v logistice? Odpověď vám řekne, kde má AI nejrychlejší návratnost.