Barry Callebaut jest firmą z historią sięgającą ponad stu lat w łańcuchach dostaw kakao oraz opracowywaniu i wytwarzaniu półproduktów czekoladowych przeznaczonych dla producentów żywności. Firma posiada rozbudowane bazy wiedzy o komponentach, parametrach procesów technologicznych i sensorycznych wynikach wcześniejszych formulacji produktów. NotCo AI z kolei rozwija systemy sztucznej inteligencji oparte na dużych zbiorach danych dotyczących składników spożywczych, ich właściwości i interakcji w produktach, co firma wykorzystuje w analizach możliwych opracowań składu żywności. System określany przez NotCo AI jako Giuseppe jest trenowany na danych obejmujących właściwości chemiczne składników oraz ich zachowanie w produktach żywnościowych zgromadzonych w toku wcześniejszych analiz i prac rozwojowych.

W doniesieniach branżowych współpraca Barry Callebaut i NotCo AI przedstawiana jest w odniesieniu do napięć na rynku kakao obejmujących wysoką zmienność cen, spadek zapasów giełdowych oraz presję klimatyczną w regionach upraw. Partnerstwo nie jest opisywane jako rozwiązanie problemu ograniczonej podaży surowca, lecz element strategii zwiększania elastyczności operacyjnej i skracania cyklu opracowywania receptur. Wykorzystanie narzędzi sztucznej inteligencji ma umożliwiać szybszą analizę wariantów składu i parametrów technologicznych, co w warunkach rosnących kosztów kakao może ułatwiać modyfikację produktów oraz optymalizację ich składu bez konieczności wieloetapowych prób eksperymentalnych. AI pełni w tym ujęciu funkcję narzędzia wspierającego adaptację do zmiennego otoczenia surowcowego, a nie bezpośredniej odpowiedzi na ograniczenia produkcyjne w sektorze kakao.

W komunikatach obu firm podkreśla się, że narzędzia AI nie zastępują ekspertów technologii żywności ani analiz sensorycznych, lecz mają być narzędziem wspomagającym ich pracę. Modele analizują wielowymiarowe dane, które w tradycyjnym podejściu często wymagają manualnej agregacji i interpretacji, co zajmuje wiele czasu i zasobów. W praktyce integracja AI z procesami R&D może umożliwić szybsze generowanie hipotez recepturowych, ocenę potencjalnych kombinacji składników pod kątem określonych właściwości oraz optymalizację ustawień parametrów technologicznych, zanim przystąpi się do kosztownych i czasochłonnych prób produkcyjnych.

Niektóre analizy branżowe wskazują, że użycie narzędzi AI w rozwoju receptur wiąże się z wyzwaniami, takimi jak konieczność zapewnienia jakości danych wejściowych oraz ich reprezentatywności, a także uwzględnienia ograniczeń fizykochemicznych i sensorycznych, których modele mogą nie uchwycić w pełni bez eksperymentalnej weryfikacji. W przypadku produktów żywnościowych, gdzie właściwości sensoryczne, tekstura czy stabilność mikrobiologiczna są kluczowymi czynnikami, ostateczna ocena receptur wciąż wymaga testów fizycznych.

Partnerstwo wskazuje, że w sektorze produktów spożywczych narzędzia danych i AI stają się elementem rozwiązań wspierających procesy innowacji, szczególnie tam, gdzie duża liczba możliwych kombinacji składników i parametrów technologicznych stwarza trudności przy tradycyjnych metodach eksperymentalnych. Użycie modeli danych ma potencjał do zwiększenia efektywności generowania hipotez recepturowych oraz selekcji kandydatów do testów laboratoryjnych, lecz nie eliminuje konieczności ich weryfikacji empirycznej.