Rostlinný losos bez kompromisů: mráz, forma a AI

Rostlinné alternativy masa už umí „něco jako burger“ skoro každý. Jenže realita trhu v roce 2025 je tvrdá: jakmile dojde na celé porce (filety, steaky, ryby), většina produktů pořád působí jako kompromis – v chuti, struktuře i při tepelné úpravě. A právě tady se láme chleba. Pokud mají alternativní proteiny růst mimo bublinu zvědavců, musí se dostat na úroveň, kdy kuchař v restauraci i běžný zákazník doma řekne: „Tohle dává smysl.“

New School Foods z Toronta jde proti proudu doslova i technologicky. Místo klasické extruze, která často „předvaří“ strukturu teplem, staví na patentovaném procesu mražení a na „lešení“ (scaffoldingu), které napodobuje svalová vlákna ryby. Pro naši sérii Umělá inteligence v zemědělství a potravinářství je to ideální případová studie: ukazuje, jak kombinace materiálového inženýrství, výrobních dat a AI může posunout udržitelné potraviny z prototypu do spolehlivé výroby.

Proč jsou „celé kusy“ v alternativních proteinech takový problém

Celé kusy jsou těžké proto, že struktura svaloviny je hierarchická: vlákna, svazky, tukové vrstvy, šťáva, odpor při skusu, chování při pečení. U mletých výrobků (burger, nugget) se spousta nedokonalostí schová. U filetu se neschová nic.

Z praktického pohledu rozhodují tři věci:

1. Textura a „mouthfeel“ – ryba má specifickou křehkost a vrstvení.
2. Tepelné chování – produkt se musí „vařit“ podobně jako živočišný protějšek (čas, teplota, přechody).
3. Tuky a šťavnatost – u lososa jsou zdravé tuky klíčové, ale musí být stabilní ve struktuře.

Většina plant-based produkce historicky spoléhá na vysokovlhkostní extruzi: hmota prochází šnekem, působí tlak a teplo, vznikne vláknitost. Funguje to skvěle pro mleté a jednodušší tvary. Jenže u filetu často narazíte na „gumovost“, uniformitu a zhoršenou práci s tukem.

New School Foods: textura se dá udělat i chladem

Základní myšlenka New School Foods je jednoduchá a zároveň odvážná: texturu nevytvářet teplem, ale chladem. Mražení totiž umí v potravinářství víc než jen konzervaci. Při správném řízení krystalizace a následného „nastavení“ struktury lze vytvářet mikroskopické kanálky a vrstvy, které se chovají podobně jako svalová vlákna.

Firma otevřeně říká, že cílí na „whole cuts“ – celé porce. Ne proto, že by burgery byly špatné, ale protože největší tržní prostor je jinde: v produktech, které lidi kupují kvůli zážitku (losos, steak), ne kvůli rychlému nasycení.

Extruze vs. mražení: co to mění v praxi

Extruze často znamená:

• částečné předvaření,
• potřebu „barvicích triků“ pro dojem syrovosti,
• menší flexibilitu, pokud chcete věrně napodobit více typů svaloviny.

Mražení pro tvorbu textury přináší:

• možnost přesněji řídit mikrostrukturu,
• lepší práci s tuky (včetně „zdravějších“ lipidů),
• potenciál vyrábět vrstvené, realistické filety.

Nejde o to, že teplo je špatně. Jde o to, že pro některé typy textur je chlad přesnější nástroj.

Scaffolding: „forma s tisíci kanálky“ jako továrna na vlákna

Nejzajímavější část přístupu New School Foods je scaffolding – forma s tisíci malými vertikálními kanálky, které se plní směsí a následně se z nich stanou „proteinová vlákna“. Tohle není jen designový detail. Je to výrobní platforma.

Klíčová výhoda: když máte „lešení“, můžete:

• měnit šířku, délku a odpor vláken,
• kombinovat různé rostlinné proteiny podle cílové ryby,
• nastavovat chování při vaření tak, aby odpovídalo živočišnému produktu.

Přesná kontrola vláken je u alternativních proteinů to, co kontrola fermentace u piva: bez ní nedosáhnete konzistentní kvality.

A tady přichází prostor pro AI – protože jakmile máte platformu s tolika parametry, lidská intuice nestačí.

Kde do toho přirozeně zapadá AI (a proč bez ní škálování bolí)

AI v potravinářství není jen o marketingu nebo „chytrých receptech“. U výrobních technologií typu mražení + scaffolding jde hlavně o řízení variability. Rostlinné suroviny se mění šarži od šarže (vlhkost, granulace, obsah bílkovin, vaznost vody). Když chcete dodávat restauracím, konzistence je nevyjednatelná.

1) Prediktivní řízení procesu mražení

Proces mražení má typicky desítky proměnných:

• rychlost mražení,
• teplotní gradient,
• doba výdrže,
• velikost krystalů,
• interakce s tukovou složkou.

Modely strojového učení dokážou z výrobních dat odhadnout, jak se projeví malá změna (např. +1 % vody ve směsi) na finální textuře. V praxi to znamená méně zmetků a rychlejší ladění.

2) Počítačové vidění pro kontrolu vláknitosti

U „celých kusů“ je vizuální struktura zásadní. Kamera a počítačové vidění umí:

• měřit pravidelnost vrstev,
• odhalovat mikrotrhliny,
• hlídat uniformitu vláken v řezu.

Tohle je přesně ten typ kontroly kvality, který se u pilotní výroby dá dělat ručně, ale ve velkém objemu už ne.

3) Optimalizace receptur podle cílového chování při tepelné úpravě

New School Foods zmiňuje důležitou věc: pro různé „napodobované“ živočišné produkty chcete proteiny, které se chovají podobně při vaření.

AI tady umí pracovat jako doporučovací systém pro receptury:

• z databáze surovin (hrachový, sójový, fava, pšeničný protein atd.),
• s jejich funkčními vlastnostmi (gelace, vaznost vody, elasticita),
• navrhne kombinace, které dávají požadovanou křehkost a šťavnatost.

4) Plánování výroby a energetická efektivita

Mražení je energeticky náročné. V evropském kontextu roku 2025, kdy firmy pořád řeší cenu energií, je zásadní:

• plánovat cykly mražení podle tarifu,
• snižovat špičky odběru,
• predikovat údržbu zařízení.

Tohle jsou klasické úlohy pro AI v průmyslu a v potravinářství mají okamžitou návratnost.

Co si z toho může odnést české zemědělství a potravinářství

New School Foods je kanadský příběh, ale poučení je lokální. V Česku i v regionu střední Evropy roste tlak na:

• udržitelnost potravinového systému,
• stabilní ceny surovin,
• snižování plýtvání,
• transparentní kvalitu.

Ať vyrábíte alternativní proteiny, mléčné náhrady, nebo pracujete s klasickými živočišnými produkty, princip je stejný: data + řízení procesů = konzistence a méně odpadu.

Praktický checklist: jak začít s AI ve výrobě potravin (bez sci‑fi)

Pokud jste výrobce nebo inovátor, tohle je realistická cesta během 3–6 měsíců:

1. Zmapujte kritické parametry kvality (textura, vlhkost, výtěžnost, reklamace).
2. Zaveďte sběr dat (teploty, časy, vlhkost, spotřeba energie, šarže surovin).
3. Nastavte jednoduchou predikci (např. model, který odhadne výtěžnost nebo riziko odchylky).
4. Přidejte kontrolu kvality kamerou tam, kde vizuální znaky korelují s kvalitou.
5. Udělejte z toho standard: dashboard pro mistra směny, ne jen experiment v Excelu.

Tahle disciplína je dnes důležitější než honba za „nejnovějším modelem“. Největší rozdíl dělá proces, ne buzzword.

Nejčastější otázky, které padají u alternativních ryb

Je to jen další trend, nebo reálný byznys?

Reálný byznys to bude tehdy, když produkt splní tři podmínky: chuť, cena, dostupnost. Technologie typu scaffolding + mražení míří přesně na chuť a strukturu; AI pomáhá s cenou a škálováním.

Proč zrovna losos?

Losos je „prémiová“ ryba s jasně rozpoznatelnou texturou a tukem. Kdo zvládne lososa, má platformu i pro další druhy ryb a mořských plodů.

Co je největší překážka škálování?

Konzistence. Jakmile dodáváte do gastronomie, nesmíte mít „dobré šarže“ a „horší šarže“. Proto dává smysl spojit potravinářské inženýrství s AI řízením výroby.

Kam se to posune v roce 2026 a dál

Vývoj alternativních proteinů se posouvá od „napodobme něco mletého“ k platformám, které umí vyrábět různé struktury. New School Foods ukazuje jednu cestu: textura přes chlad a přes formování vláken. Podobné principy se budou objevovat i jinde – v hybridních produktech, ve fermentaci, v kombinaci rostlinných a kultivovaných složek.

Pro naši sérii o AI v zemědělství a potravinářství z toho plyne jasná věta, kterou si klidně napište na nástěnku do výroby: Kdo umí měřit kvalitu v reálném čase a řídit proces podle dat, ten vyhraje.

Pokud řešíte, kde u vás ve výrobě nebo ve vývoji potravin dává AI nejrychlejší smysl (kontrola kvality, predikce výtěžnosti, optimalizace energie, řízení receptur), napište si konkrétní cíl a parametry. A pak se zeptejte: Která rozhodnutí dnes děláme pocitově, ale šla by dělat datově? Tam obvykle leží nejvíc peněz i nejvíc ušetřeného odpadu.