Udržitelný filet: proč AI zrychluje proteiny budoucnosti

Alternativní protein už není jen „veganský burger“. Měřítko ambice je jinde: soutěž XPRIZE s dotací 15 milionů dolarů postavila laťku tak vysoko, že finalisté musí dodat konzistentní porce (115 g), které se chovají jako kuřecí prso nebo rybí filet – vzhledem, vůní, strukturou i chováním na pánvi. A přesně tady se ukazuje, proč se o umělé inteligenci v potravinářství mluví čím dál hlasitěji.

V zemědělství jsme si na AI zvykli u monitoringu porostů, predikce výnosů nebo optimalizace hnojení. V proteinech budoucnosti plní podobnou roli: zkracuje iterace vývoje, hlídá stabilitu kvality a pomáhá držet náklady při škálování. Kdo tohle zvládne, nebude „zajímavý startup“. Bude dodavatel pro maloobchod, gastro i veřejné stravování.

XPRIZE Feed the Next Billion (vyhlášená v roce 2020) vybrala šest finalistů napříč platformami – buněčné kultivace, fermentace i rostlinných řešení. A i když jde o soutěž z roku 2023, její logika je pro konec roku 2025 až bolestně aktuální: ceny vstupů kolísají, tlak na uhlíkovou stopu roste a spotřebitel je citlivý na cenu i chuť. Všechno najednou. Bez dat a automatizace to prostě nejde.

Co vlastně XPRIZE testuje – a proč je to důležité i pro Česko

XPRIZE v této soutěži nehledá nápad, ale produkt, který je opakovatelný a škálovatelný. To je zásadní rozdíl. Alternativní filet není mleté „něco“, které schováte do koření. Je to strukturovaný kus, který musí projít kritickými momenty: skladování, tepelná úprava, textura při kousnutí, šťavnatost, nutriční profil a zároveň nižší environmentální stopa než konvenční živočišná výroba.

Pro český trh to má tři dopady:

• Gastro a veřejné stravování (školy, nemocnice, firemní kantýny) bude chtít stabilní kvalitu porce a předvídatelnou cenu.
• Zpracovatelé budou hledat suroviny, které se chovají konzistentně v technologii (obalování, marinování, pečení, mražení).
• Zemědělci budou stát před otázkou, které plodiny a kontrakty dávají smysl, když poroste poptávka po bílkovinných surovinách pro nové potraviny.

Jinými slovy: nejde jen o „alternativní maso“. Jde o přestavbu dodavatelských řetězců – a AI je nástroj, který tu přestavbu umí udělat řiditelnou.

Finalisté napříč světem: signál, že inovace se přesouvá

Mezi finalisty XPRIZE jsou týmy z Číny, Argentiny, Jižní Koreje, Kanady, Rakouska a Estonska. Zaujme hlavně to, že žádný z finalistů není z USA, přestože právě tam historicky teklo nejvíc venture kapitálu do alternativních proteinů.

Tohle není jen geografická zajímavost. Je to signál:

1. Inovace se globalizuje – know-how, talent i pilotní výroby vznikají mimo tradiční centra.
2. Pravidla soutěží a investiční podmínky mohou zásadně ovlivnit, kdo se účastní (část firem ze soutěže odešla kvůli změnám pravidel investičních práv).
3. Praktická schopnost dodat konzistentní produkt je důležitější než mediální známost značky.

A teď to podstatné pro téma této série: pokud má někdo dodat konzistentní filet ve velkém, bude potřebovat datové řízení kvality. To znamená čidla, měření, modely a automatizaci. Tedy AI v praxi.

Kde AI v alternativních proteinech reálně pomáhá (bez marketingové mlhy)

AI v potravinářství má největší hodnotu tam, kde je vývoj drahý a pomalý. Alternativní protein přesně takový je: suroviny se chovají proměnlivě, procesy jsou citlivé na teplotu, pH, čas, tlak i složení. Klasické „zkusíme a uvidíme“ je příliš nákladné.

Rychlejší R&D: méně pokusů, více informací

Vývoj strukturovaného filetu je typický problém pro kombinaci fyziky, chemie a biologie. AI tu funguje jako „zrychlovač“ iterací:

• Modelování receptur: hledání kombinací rostlinných proteinů, tuků, vlákniny a pojiv tak, aby textura odpovídala cíli.
• Predikce senzoriky: propojení panelových hodnocení, instrumentálních měření (např. tvrdost, pružnost) a dat z procesů.
• Návrh experimentů (DoE): algoritmy navrhují, které testy mají nejvyšší informační hodnotu, aby se neplýtvalo surovinami.

Jedna věta, kterou si v týmech připomínáme často: nejdražší experiment je ten, který nic nenaučí.

Stabilní kvalita ve výrobě: AI jako „autopilot“ procesu

Jakmile se dostanete z kuchyně do pilotní linky, začíná největší bolest: to, co fungovalo v malém, se rozpadá ve velkém. AI se využívá pro:

• Prediktivní řízení fermentace (u fermentačních platforem): odchylky v růstu mikroorganismů se projeví chutí, vůní i výtěžností.
• Detekci anomálií: v datech z teplot, tlaků, viskozity a průtoků poznáte problém dřív, než vznikne celá šarže odpadu.
• Počítačové vidění: kontrola tvaru, povrchu a „vláknitosti“ struktury filetu, včetně třídění kusů.

V praxi to znamená méně reklamací a menší ztráty. A hlavně: důvěru odběratelů.

Škálování a náklady: AI jako nástroj pro ekonomiku, ne jen pro chuť

Alternativní protein vyhraje teprve tehdy, když se potká cena, chuť a dostupnost. AI pomáhá držet náklady tím, že:

• optimalizuje spotřebu energie (teplo/chlazení) v procesech,
• zvyšuje výtěžnost (víc prodejného produktu na jednotku vstupů),
• snižuje variabilitu šarží, která jinak vede k „přepalování“ bezpečnostních rezerv (čas, teplota, dávky).

Tahle část je pro leads zásadní: firmy často chtějí AI „na marketing“, ale největší peníze leží v procesních datech a v tom, jak rychle umíte zlepšovat OEE, výtěžnost a stabilitu.

Proč se hodnotí filet, a ne mleté: spotřebitelé rozhodují u pánve

Strukturovaný filet je pro alternativní proteiny těžká disciplína, protože spotřebitel hodnotí:

• vláknitost a „trhání“ masa,
• uvolňování šťávy a tuku při tepelné úpravě,
• reakce na marinády,
• chování při zmrazení a rozmrazení,
• a nakonec „mouthfeel“ – pocit v ústech.

Pro AI to znamená, že nestačí optimalizovat recepturu na papíře. Potřebujete datový řetězec od suroviny přes proces až po senzoriku.

V českém kontextu je navíc praktická věc: řízek a obalované výrobky jsou běžné. Pokud má alternativní filet uspět, musí zvládnout obalování, smažení a držet strukturu. To je technologicky náročné, ale měřitelné – a tedy vhodné pro AI.

Jak si z toho vzít „pracovní“ kroky: checklist pro zemědělce, výrobce i inovátory

Nejčastější chyba? Lidé čekají, až bude „hotový produkt“. Přitom největší výhoda vzniká dřív: ve schopnosti sbírat a používat data.

Pokud jste výrobce potravin nebo startup

1. Zaveďte standard dat: receptury, šarže, parametry procesů, výsledky QC a senzoriky musí být propojené.
2. Vyberte 3 metriky, které hýbou ekonomikou: typicky výtěžnost, energetická náročnost a počet neshod.
3. Začněte anomáliemi: detekce odchylek je nejrychlejší cesta k ROI.
4. Digitalizujte senzoriku: i jednoduchý systém pro panel (škály, popisy, kontext) je lepší než poznámky v Excelu.

Pokud jste zemědělec nebo agronom

1. Sledujte poptávku po bílkovinných plodinách (hrách, bob, sója, lupina) a možnosti kontraktace.
2. Pracujte s kvalitou, nejen s výnosem: obsah proteinu, antinutriční látky, stabilita šarží.
3. Připravte se na trasovatelnost: odběratelé budou chtít data o původu, skladování a parametrech.

Pokud jste z R&D nebo kvality

• Postavte „minimální životaschopný datový model“: surovina → proces → produkt.
• Zaveďte instrumentální měření textury a vlhkosti jako standard (AI bez měření je jen dojem).

Věta, kterou si zaslouží vytesat do zdi: Bez dat se kvalita neřídí, jen se hádá.

Co čekat v roce 2026: tlak na cenu a regulace porostou

Konec roku 2025 je v Evropě ve znamení dvou trendů: spotřebitel chce šetřit a zároveň roste tlak na udržitelnost v dodavatelských řetězcích. Alternativní proteiny budou pod drobnohledem: ne sliby, ale čísla. Tedy energetická náročnost, voda, půda, odpad, ztráty ve výrobě.

AI bude čím dál víc sloužit jako „překladač“ mezi světy:

• mezi ESG požadavky a reálnou výrobou,
• mezi laboratorním vývojem a průmyslovou linkou,
• mezi zemědělskou prvovýrobou a potravinářským procesem.

A právě proto tenhle příběh patří do série Umělá inteligence v zemědělství a potravinářství: jde o stejný princip jako u precizního zemědělství – dělat méně plýtvání díky lepším rozhodnutím.

Co si odnést a jak pokračovat

Soutěž XPRIZE ukazuje, že budoucnost bílkovin nebude vyhraná hezkou prezentací, ale schopností dodat konzistentní produkt ve velkém. Finalisté pracují s různými platformami (buněčná kultivace, fermentace, rostlinné proteiny), ale všichni narážejí na stejnou realitu: bez datového řízení se filet nerozjede do škály.

Pokud řešíte AI v zemědělství nebo potravinářství a chcete výsledky, ne jen „pilot naoko“, začněte u procesů, kde vzniká nejvíc ztrát a variability. Tam se AI zaplatí nejrychleji.

A teď otázka, kterou si dávám pokaždé, když vidím nový produkt „protein budoucnosti“: Máte pod kontrolou data tak, aby kvalita byla stejná dnes, zítra i za tři měsíce?