Jak AI przyspiesza badania i rozwój w branży żywności i napojów, nie zastępując naukowca żywnościowego

Branża żywności i napojów (F&B) nigdy nie doświadczała tak wielu konkurencyjnych nacisków. Konsumenci oczekują zdrowszych produktów, przejrzystych etykiet i bardziej zrównoważonych składników. Detaliści chcą szybszych cykli innowacji. Wymagania regulacyjne wciąż ewoluują na rynkach światowych. Jednocześnie koszty składników i łańcuchy dostaw pozostają nieprzewidywalne.

Dla zespołów badawczo‑rozwojowych (R&D) wyzwania te rzadko występują w izolacji. Decyzje w zakresie opracowywania nowych produktów (NPD) wymagają równoważenia dziesiątek zmiennych, od wartości odżywczych, smaku i funkcjonalności po koszt, pozyskiwanie surowców, oznakowanie i zgodność z przepisami. Efektem jest coraz bardziej złożony proces rozwoju produktu, w którym nawet niewielkie zmiany mogą wywołać tygodnie dodatkowej pracy.

AI zaczyna zmieniać tę równanie. Choć większość dyskusji o AI koncentruje się na generowaniu treści lub produktywności biurowej, największą szansą dla marek z sektora żywności i napojów może być pomoc naukowcom żywności w podejmowaniu lepszych, wcześniejszych decyzji dotyczących wprowadzania produktów na rynek. Zamiast zastępować wiedzę naukową, AI ma potencjał przyspieszyć rozwój produktów, uwalniając zespoły R&D, aby mogły poświęcić więcej czasu na rozwiązywanie problemów, w których ludzka ocena nie może zostać zastąpiona przez technologię.

Od wyszukiwania informacji do oceny możliwości

Dla nas w branży wiemy, że większość pracy nad formułowaniem wciąż polega na wyszukiwaniu informacji. Naukowcy często muszą przeskakiwać między specyfikacjami składników, dokumentacją dostawców, bazami danych żywieniowych, odniesieniami regulacyjnymi, wcześniejszymi formułami i notatkami wewnętrznymi, aby odpowiedzieć na stosunkowo proste pytania. Czy ten składnik można zastąpić? Czy produkt nadal spełni cele żywieniowe? Jak usunięcie cukru wpłynie na teksturę? Czy dostępny jest alternatywny dostawca? Znalezienie tych odpowiedzi często wymaga konsultacji z wieloma systemami i ekspertami przed rozpoczęciem faktycznych eksperymentów. AI ma możliwość znacznego skrócenia tego procesu.

Zamiast spędzać godziny na gromadzeniu informacji, naukowcy mogą ocenić wiele scenariuszy w ciągu kilku minut. Zamiast ręcznie porównywać dziesiątki atrybutów składników, mogą szybko zrozumieć kompromisy między różnymi podejściami i skupić się na określeniu, która opcja najlepiej spełnia cele produktu. Największa wartość pojawia się, gdy AI opiera się na danych własnych organizacji, a nie jedynie na publicznie dostępnych informacjach. Gdy jest połączona ze specyfikacjami składników firmy, przepisami, wynikami eksperymentów, siecią dostawców, standardowymi procedurami operacyjnymi i danymi historycznymi, AI może oceniać możliwości w kontekście tego, jak dana firma faktycznie rozwija produkty. Ta zmiana, od wyszukiwania informacji do oceny możliwości, może być jednym z największych wkładów AI w innowacje żywnościowe.

Podejmowanie lepszych decyzji wcześniej

Jedną z najdroższych rzeczywistości NPD jest czas potrzebny na odkrycie ograniczeń. Obiecujący nowy produkt może ostatecznie nie powieść się, ponieważ składnik nie jest dostępny komercyjnie, nie spełnia wymogów etykietowania, przekracza cele kosztowe lub generuje nieoczekiwane wyzwania produkcyjne. Gdy te problemy się ujawniają, zespoły mogą już zainwestować znaczący czas i zasoby laboratoryjne. AI może pomóc zidentyfikować wiele z tych ograniczeń znacznie wcześniej. Niedawne badania McKinsey wykazały, że jedna firma F&B czterokrotnie zwiększyła tempo wprowadzania innowacji i obniżyła średnie wydatki na projekt o 70 % po przekształceniu podejścia R&D dzięki AI.

Jednocześnie uwzględniając cele końcowego produktu wraz z odżywianiem, kwestiami alergenów, funkcjonalnością składników, aspektami pozyskiwania oraz wymaganiami regulacyjnymi, AI może pomóc zespołom rozpoznać potencjalne przeszkody, zanim staną się kosztownymi i czasochłonnymi problemami. Ponieważ te rekomendacje opierają się na relacjach firmy z dostawcami, zatwierdzonych składnikach i wcześniejszych formułach, naukowcy mogą badać nowe pomysły z większą pewnością.

To nie eliminuje potrzeby testów laboratoryjnych, oceny sensorycznej ani przeglądu regulacyjnego. Te etapy pozostają niezbędne. Jednak wprowadzenie ich z lepszymi wstępnymi opracowaniami może zmniejszyć niepotrzebne iteracje i pozwolić zespołom skupić zasoby tam, gdzie mogą dostarczyć największą wartość.

Zachowanie wiedzy instytucjonalnej

Doświadczeni naukowcy zdobywają ogromną praktyczną wiedzę w trakcie swojej kariery, rozumiejąc, dlaczego konkretna zamiana się nie powiodła, które warunki przetwarzania przyniosły lepsze wyniki lub jak wcześniejsze próby reformulacji radziły sobie z wyzwaniami regulacyjnymi. Zbyt często ta wiedza pozostaje w notatnikach, arkuszach kalkulacyjnych lub w indywidualnym doświadczeniu. W miarę rozwoju organizacji i przechodzenia na emeryturę lub zmiany ról przez doświadczonych pracowników, duża część tej wiedzy staje się trudna do uzyskania lub zostaje całkowicie utracona.

Systemy AI zdolne do rejestrowania ostatecznych receptur oraz uzasadnień decyzji rozwojowych mają potencjał stworzenia żywej pamięci instytucjonalnej. Przyszłe zespoły projektowe mogą budować na bazie wcześniejszych prac, zamiast nieświadomie powtarzać nieudane podejścia lub rozpoczynać analizy od nowa. Ta wiedza instytucjonalna staje się jeszcze cenniejsza, gdy jest stosowana w nowych projektach. Zamiast polegać wyłącznie na ogólnej wiedzy AI, zespoły mogą wykorzystywać systemy, które wykorzystują kontekst organizacyjny znacznie przewyższający możliwości jednego naukowca czy menedżera zakupów. W branży, w której terminy rozwoju produktów bezpośrednio wpływają na konkurencyjność, zachowanie i ponowne wykorzystanie wiedzy organizacyjnej może okazać się równie wartościowe jak generowanie nowych pomysłów.

Innowacje w ramach rzeczywistych ograniczeń

Jednym z nieporozumień dotyczących AI jest przekonanie, że ogranicza się ona jedynie do generowania pomysłów. Jednak same pomysły nie mają dużej wartości w nauce o żywności. Udane innowacje wymagają równowagi między kreatywnością a praktycznością. Nowy produkt ma niewielką wartość, jeśli składniki nie mogą być pozyskiwane konsekwentnie, koszty przekraczają cele komercyjne lub wymogi regulacyjne uniemożliwiają wejście na rynek.

W rzeczywistości największą obietnicą AI jest pomoc naukowcom w badaniu bardziej realistycznych możliwości, a nie tylko większej liczby opcji. Oceniając jednocześnie wiele ograniczeń, AI może zachęcać do szerszych eksperymentów, pozostając jednocześnie osadzonym w rzeczywistości komercyjnej. Naukowcy mogą odkrywać kombinacje składników lub strategie reformulacji, których nie rozważyliby w innym wypadku, zachowując jednocześnie pewność, że te opcje mogą realistycznie przejść do komercjalizacji. Ta równowaga między kreatywnością a wykonalnością staje się coraz ważniejsza, gdy producenci dążą do zdrowszych formulacji, alternatywnych białek, redukcji cukru i bardziej zrównoważonych wyborów składników.

Ludzka wiedza pozostaje przewagą konkurencyjną

Mimo szybkich postępów w dziedzinie AI, rozwój produktów żywnościowych będzie nadal opierał się na ludzkiej wiedzy. Żaden algorytm nie może zastąpić oceny sensorycznej, zrozumienia konsumenta, kreatywności ani praktycznego osądu, który doświadczeni naukowcy żywności wnoszą do decyzji formułowania. AI nie jest także w stanie w pełni uwzględnić subtelnych kompromisów pojawiających się podczas komercjalizacji i produkcji.

Zamiast tego AI szybko staje się narzędziem wspomagającym podejmowanie decyzji, które pomaga naukowcom szybciej oceniać opcje, wcześniej identyfikować ryzyka i spędzać mniej czasu na gromadzeniu informacji. Marki, które odniosą sukces w AI, będą tymi, które postrzegają AI nie jako automatyczną zamianę wiedzy naukowej, lecz jako jej rozszerzenie.

Przyszłość badań i rozwoju w sektorze żywności i napojów nie będzie definiowana przez maszyny opracowujące produkty w pełni samodzielnie. Będzie definiowana przez naukowców wyposażonych w lepsze narzędzia, informacje i czas, aby skupić się na tym, co robią najlepiej: rozwiązywanie złożonych problemów, które wprowadzają innowacyjne produkty na rynek, szybciej.