Hvordan AI accelererer forskning og udvikling inden for fødevarer og drikkevarer uden at erstatte fødevareforskeren

Fødevare- og drikkevareindustrien (F&B) har aldrig stået over for så mange konkurrerende pres. Forbrugerne forventer sundere produkter, renere etiketter og mere bæredygtige ingredienser. Forhandlere ønsker hurtigere innovationscyklusser. Regulatoriske krav udvikler sig fortsat på tværs af globale markeder. Samtidig forbliver ingrediensomkostninger og forsyningskæder uforudsigelige.

For forskning- og udviklingsteams (R&D) er disse udfordringer sjældent isolerede. Beslutninger om ny produktudvikling (NPD) kræver afbalancering af dusinvis af variable, fra ernæring, smag og funktionalitet til omkostninger, indkøb, mærkning og regulatorisk overholdelse. Resultatet er en stadig mere kompleks produktudviklingsproces, hvor selv små ændringer kan udløse uger med ekstra arbejde.

AI begynder at ændre denne ligning. Mens meget af samtalen om AI har fokuseret på indholdsgenerering eller kontorproduktivitet, kan den største mulighed for F&B-mærker ligge i at hjælpe fødevareforskere med at træffe bedre og tidligere beslutninger om at bringe produkter på markedet. I stedet for at erstatte videnskabelig ekspertise har AI potentialet til at accelerere produktudviklingen ved at frigøre R&D-teams, så de kan bruge mere tid på at løse problemer, hvor menneskelig dømmekraft ikke kan erstattes af teknologi.

Fra at søge information til at evaluere muligheder

For os i branchen ved vi, at størstedelen af formuleringarbejdet stadig indebærer at søge information. Forskere skal ofte skifte mellem ingrediensspecifikationer, leverandørdokumentation, ernæringsdatabaser, regulatoriske referencer, tidligere formuleringer og interne noter blot for at besvare relativt simple spørgsmål. Kan denne ingrediens erstattes? Vil dette produkt stadig opfylde de ernæringsmæssige mål? Hvordan vil fjernelse af sukker påvirke teksturen? Er en alternativ leverandør tilgængelig? At finde svarene indebærer ofte at konsultere flere systemer og fagfolk, før selve eksperimenteringen påbegyndes. AI har evnen til at forkorte denne proces markant.

I stedet for at bruge timer på at indsamle information kan forskere evaluere flere scenarier på få minutter. I stedet for manuelt at sammenligne dusinvis af ingrediensattributter kan de hurtigt forstå afvejningerne mellem forskellige tilgange og fokusere på at bestemme, hvilken mulighed der bedst opfylder produktets mål. Den største værdi opstår, når AI er forankret i en organisations egne data og ikke kun offentligt tilgængelig information. Når AI er forbundet med en virksomheds ingrediensspecifikationer, opskrifter, eksperimentelle resultater, leverandørnetværk, standardprocedurer og historiske data, kan den evaluere muligheder inden for den kontekst, som virksomheden faktisk udvikler produkter i. Dette skift, fra at søge information til at evaluere muligheder, kan være en af AIs største bidrag til fødevareinnovation.

Træffe bedre beslutninger tidligere

En af de mest omkostningstunge realiteter ved NPD er den tid, det tager at opdage begrænsninger. Et lovende nyt produkt kan i sidste ende fejle, fordi en ingrediens ikke er kommercielt tilgængelig, ikke opfylder mærkningskrav, overstiger omkostningsmål eller skaber uventede produktionsudfordringer. Når disse problemer først dukker op, kan teams allerede have investeret betydelig laboratorietid og ressourcer. AI kan hjælpe med at identificere mange af disse begrænsninger meget tidligere. Ny forskning fra McKinsey viste, at et F&B-firma firedoblet sin innovationslanceringstakt og reducerede den gennemsnitlige udgift pr. projekt med 70 % efter at have transformeret sin R&D-tilgang med AI.

Ved samtidig at overveje slutproduktmål sammen med ernæring, allergenbekymringer, ingrediensfunktionalitet, indkøbsaspekter og regulatoriske krav kan AI hjælpe teams med at genkende potentielle forhindringer, før de bliver dyre og tidskrævende problemer. Da disse anbefalinger er baseret på virksomhedens egne leverandørrelationer, godkendte ingredienser og tidligere formuleringer, kan forskere udforske nye idéer med større selvtillid.

Dette eliminerer ikke behovet for laboratorietest, sensorisk evaluering eller regulatorisk gennemgang. Disse trin forbliver afgørende. Men ved at gå ind i disse faser med stærkere indledende udviklinger kan man reducere unødvendige iterationer og lade teams fokusere deres ressourcer, hvor de kan levere størst værdi.

Bevare institutionel viden

Erfarne forskere opbygger en enorm mængde praktisk ekspertise gennem deres karriere, herunder forståelse for, hvorfor en bestemt substitution fejlede, hvilke behandlingsbetingelser der gav bedre resultater, eller hvordan tidligere reformuleringsforsøg navigerede regulatoriske udfordringer. Alt for ofte findes denne viden i notesbøger, regneark eller i individuel erfaring. Når organisationer vokser, og erfarne medarbejdere går på pension eller skifter roller, bliver meget af denne viden svær at få adgang til eller går helt tabt.

AI-systemer, der kan indfange endelige opskrifter og begrundelsen bag udviklingsbeslutninger, har potentialet til at skabe en levende institutionel hukommelse. Fremtidige projektteams kan bygge videre på tidligere arbejde i stedet for ubevidst at gentage mislykkede tilgange eller starte analyser fra bunden. Denne institutionelle viden bliver endnu mere værdifuld, når den anvendes på nyt arbejde. I stedet for kun at stole på generel AI-viden kan teams udnytte systemer, der bruger organisatorisk kontekst langt ud over kapaciteten hos en enkelt forsker eller indkøbschef. I en branche, hvor produktudviklings tidslinjer direkte påvirker konkurrencedygtigheden, kan bevaring og genbrug af organisatorisk viden blive lige så værdifuld som at generere nye idéer.

Innovation inden for virkelige begrænsninger

En misforståelse om AI er, at den kun er begrænset til at generere idéer. Men idéer alene er ikke særlig værdifulde inden for fødevarevidenskab. Vellykket innovation kræver en balance mellem kreativitet og praktisk anvendelighed. Et nyt produkt har ringe værdi, hvis ingredienserne ikke kan indkøbes konsekvent, omkostningerne overstiger kommercielle mål, eller regulatoriske krav forhindrer markedsindtræden.

I virkeligheden er AI’s største løfte at hjælpe forskere med at udforske mere levedygtige muligheder, ikke blot flere muligheder. Ved samtidig at evaluere flere begrænsninger kan AI fremme bredere eksperimentering, mens den forbliver forankret i kommerciel virkelighed. Forskere kan opdage ingredienskombinationer eller reformuleringsstrategier, som de ellers ikke ville have overvejet, men stadig have tillid til, at disse muligheder realistisk kan bevæge sig mod kommercialisering. Denne balance mellem kreativitet og gennemførlighed bliver stadig vigtigere, efterhånden som producenter forfølger sundere formuleringer, alternative proteiner, sukkerreduktion og mere bæredygtige ingrediensvalg.

Menneskelig ekspertise forbliver den konkurrencemæssige fordel

På trods af de hurtige fremskridt inden for AI vil udvikling af fødevareprodukter fortsat være afhængig af menneskelig ekspertise. Ingen algoritme kan erstatte sensorisk evaluering, forbrugerforståelse, kreativitet eller den praktiske dømmekraft, som erfarne fødevareforskere bringer til formulering af beslutninger. AI kan heller ikke fuldt ud tage højde for de nuancerede afvejninger, der opstår under kommercialisering og produktion.

I stedet er AI hurtigt ved at blive et beslutningsstøtteværktøj, der hjælper forskere med at evaluere muligheder hurtigere, identificere risici tidligere og bruge mindre tid på at indsamle information. De mærker, der vinder med AI, vil være dem, der ser AI ikke som en automatiseret erstatning for videnskabelig ekspertise, men som en forlængelse af den.

Fremtiden for F&B R&D vil ikke blive defineret af maskiner, der udvikler produkter fuldstændigt uafhængigt. Den vil blive defineret af forskere udstyret med bedre værktøjer, information og tid til at fokusere på det, de gør bedst: at løse komplekse problemer, der bringer innovative produkter hurtigere på markedet.