Neviditelné kódy z droždí: AI trasuje potraviny

Většina firem si myslí, že sledovatelnost potravin je hlavně o papírech, štítcích a správně vyplněných políčkách v systému. Jenže realita v roce 2025 je tvrdší: jakmile se surovina rozpadne na „komoditu“ (pšenice v silech, mouka v mlýně, směs v pekárně), dohledat původ je často jako hledat jehlu v kupce sena.

A teď přichází nápad, který mi dává smysl právě proto, že je překvapivě jednoduchý: neviditelný „čárový kód“ přímo v potravině – vytvořený z pekařského droždí. Nejde o QR kód na obalu. Jde o biologickou značku, kterou lze najít i po zpracování, a která má potenciál posunout nejen bezpečnost potravin, ale i to, jak se v praxi ověřuje původ a uhlíková stopa.

Tenhle článek zapadá do naší série „Umělá inteligence v zemědělství a potravinářství“ z jednoho prostého důvodu: samotný „bio-kód“ je jen polovina řešení. Druhá polovina je data pipeline, analýza, modely a rozhodování – tedy přesně to, kde AI a pokročilá analytika dělají největší práci.

Co jsou „BioTags“ z droždí a jak fungují

BioTag je unikátní DNA podpis kvasinky, který se nastříká na surovinu a dá se později molekulárně detekovat. V praxi to znamená, že se kvasinka v extrémně malém množství rozmíchá ve vodě a pomocí jednoduché trysky se aplikuje jako mlha nebo postřik například na pšenici.

Klíčová vlastnost je „nudná“, ale zásadní: značka drží na povrchu zrna a přežije běžné zpracování. V případě pšenice se má BioTag udržet i přes mletí a zůstat detekovatelný v mouce. Následná identifikace probíhá laboratorně pomocí metod jako:

• PCR (polymerázová řetězová reakce) pro „namnožení“ cílové DNA,
• DNA sekvenování pro přesné určení, jaký kód (sekvence) v daném vzorku je.

Důležitý detail: podle deklarovaného přístupu nejde o genetickou modifikaci potraviny. „Kód“ je unikátní DNA sekvence kvasinky, která funguje jako identifikátor.

Proč je to jiné než čárový kód na obalu

Obal se dá vyměnit, etiketa se dá strhnout, dokumentace se dá „vylepšit“. Když ale nese identitu samotná surovina (byť jako stopová značka), dramaticky se snižuje prostor pro chyby i podvody.

A ještě jeden praktický rozdíl: tradiční systémy často selhávají ve chvíli, kdy se šarže míchají. Biologická značka je navržená tak, aby šla detekovat i ve směsích a po zpracování.

Proč je sledovatelnost potravin v roce 2025 tak velké téma

Sledovatelnost už není „hezký bonus“, ale provozní nutnost. Důvodů je několik:

1. Riziko stahování výrobků (recall): Čím širší je stahování, tím vyšší jsou přímé náklady, ztráty tržeb a reputační škody.
2. Potravinové podvody: Záměna suroviny, původu nebo kvality (typicky u komodit, koření, olejů, medu) je pořád realita.
3. Požadavky řetězců a exportu: Odběratelé chtějí ověřitelná data, ne jen prohlášení.
4. Uhlíková stopa a ESG: Mluvit o emisích je snadné; prokázat je na úrovni šarže je mnohem těžší.

Největší problém? „Digitální“ stopa se často zlomí v místě, kde se věci míchají, přebalují nebo agregují. Proto dává smysl uvažovat o značení, které cestuje s potravinou, ne s papírem.

Kde do toho vstupuje AI: z BioTagu se stane rozhodovací systém

BioTag sám o sobě odpoví na otázku „co v tom je“ a „odkud to přišlo“. AI odpoví na otázku „co s tím teď uděláme“. To je zásadní rozdíl.

V praxi má AI v takovém systému několik rolí:

1) Spojení laboratorních výsledků s realitou provozu

Laboratoř vrátí výsledek: v 1 g mouky je detekovaný konkrétní DNA kód. AI/analytika pak:

• spáruje kód s farmou, parcelou, sklizňovým oknem a šarží,
• dohledá, které mlýny/pekařské linky s tím pracovaly,
• vyhodnotí, které finální výrobky mohly být dotčené.

Tohle je typická úloha pro moderní datovou architekturu: propojení LIMS (laboratorní systém), ERP/MES, skladových pohybů a dodavatelských dat.

2) Predikce rizika a „chytré“ testování

Nechcete testovat všechno pořád. Chcete testovat tam, kde je riziko nejvyšší. AI model může zohlednit:

• historii neshod u dodavatele,
• sezónnost (např. rozdíly mezi sklizněmi),
• teplotní logistiku a doby skladování,
• výsledky mikrobiologie a senzoriky.

Výstup není jen „ano/ne“, ale doporučení testovacího plánu: které šarže otestovat PCR/sekvenováním, jak často a s jakou velikostí vzorku.

3) Ověřování uhlíkové stopy na úrovni šarže

Pěkné marketingové tvrzení „nižší emise“ dnes nestačí. Funkční přístup vypadá takhle:

• BioTag ověří skutečný původ (které farmy se podílely).
• Datová vrstva doplní agronomická data (hnojení, výnosy, spotřeba nafty, typy operací), logistiku a zpracování.
• AI/analytika spočítá odhad emisí a hlavně vyznačí největší „hotspoty“.

Jinými slovy: neřešíte uhlíkovou stopu jako PR. Řešíte ji jako optimalizační úlohu.

„Sledovatelnost bez rozhodování je jen audit. Sledovatelnost s AI je řízení výroby.“

Co to může změnit v praxi pro zemědělce, mlýny a potravináře

Největší přínos je zrychlení a zpřesnění dohledatelnosti v místech, kde se šarže míchají. A to je přesně to, kde dnes mnoho systémů naráží.

Zemědělec: férovější prémie za kvalitu a původ

Pokud dokážete spolehlivě prokázat, že konkrétní mouka pochází z konkrétních farem, otevírá se prostor pro:

• smlouvy s prémií za stabilní parametry,
• ověřitelné programy „lokální surovina“,
• lepší vyjednávací pozici v dodavatelském řetězci.

Mlýn: rychlejší reakce při neshodě

Když se objeví problém (např. reklamace kvality, podezření na kontaminaci), je rozdíl mezi:

• „nevíme, stahujeme všechno z posledních 14 dnů“
• a „víme přesně, které šarže a které vstupy“.

BioTag + data + AI může zkrátit vyšetřování z dnů na hodiny a snížit rozsah zásahu.

Potravinář: méně prostoru pro podvody a čistší compliance

Tam, kde existuje motivace k podvodu (původ, odrůda, „bez lepku“, prémiové suroviny), funguje biologická značka jako nezávislá kontrola. Ne jako náhrada auditů, ale jako další vrstva.

Nejčastější otázky, které si firmy kladou (a odpovědi)

Je to bezpečné, když se to stříká na potraviny?

Princip stojí na stopovém množství pekařské kvasinky ve vodě a následné detekci DNA. Pro přijetí v praxi je zásadní regulatorní a interní posouzení (HACCP, alergeny, specifikace suroviny). U podobných řešení bývá klíčové, aby se značení neprojevilo senzoricky ani technologicky.

Co když se šarže míchají ve velkých silech?

Právě pro míchání je to zajímavé. Detekce DNA ve vzorku (např. gram mouky) umožňuje zjistit, které „identity“ se ve směsi nacházejí. V reálu je pak potřeba nastavit:

• pravidla pro interpretaci (prahy detekce),
• sampling plán,
• a proces, co dělat při nesouladu.

Není to jen „další laboratorní náklad“?

Ano, laboratorní krok navíc to je. Přidaná hodnota ale vzniká, když to spojíte s dopady:

• menší rozsah stahování výrobků,
• rychlejší vyšetření neshod,
• silnější pozice u odběratelů,
• ověřitelný původ a ESG metriky.

Pokud firma bere trasovatelnost jen jako checkbox, investice se vrací těžko. Pokud ji bere jako řízení rizika a optimalizaci, čísla začnou dávat smysl.

Jak začít: pilot, který dává smysl i ve střední firmě

Nejlepší start je úzký pilot na jedné komoditě a jednom toku. Typicky pšenice → mlýn → jedna řada mouky → jeden typ výrobku.

Doporučený postup, který se mi osvědčil u datových projektů v potravinářství:

1. Vyberte 1 problém (např. dohledatelnost při reklamacích, ověření původu pro privátní značku, audit dodavatele).
2. Definujte KPI: čas dohledání původu (hodiny), rozsah potenciálního stažení (šarže), počet neshod na dodavatele, náklady na kvalitu.
3. Nastavte sampling a interpretaci: kdo odebírá vzorky, jak často, co je „pozitivní“ a co je „nesoulad“.
4. Propojte data: laboratorní výsledek musí „spadnout“ do ERP/MES a být dohledatelný.
5. Teprve potom AI: jakmile máte spolehlivá data, dává smysl predikce rizika a optimalizace testování.

Kam to celé směřuje v roce 2026

Potravinové řetězce se budou řídit podle dat stejně tvrdě jako výroba. A to znamená kombinovat fyzické značení, laboratorní validaci a AI nad provozními daty.

Neviditelné kódy z droždí jsou zajímavé právě tím, že posouvají „identitu“ z dokumentu do suroviny. Pokud to firmy chytře propojí s analytikou, získají něco víc než trasování: získají mechanismus důvěry, který je měřitelný a auditovatelný.

Chcete si ověřit původ surovin, zkrátit vyšetřování neshod a mít pod kontrolou data pro ESG i kvalitu? Začněte jedním tokem a jedním KPI. A pak si položte otázku, kterou bude v roce 2026 řešit každý výrobce: Máme trasovatelnost, které věříme i ve chvíli, kdy jde do tuhého?