1. Anasayfa
2. Sayfalar
3. Gıda Üretiminde Yapay Zekâ: Reçeteden Akıllı Formülasyona

Doç.Dr. Gülce BEDİS KAYNARCA

Gıda sektöründe yapay zekâ, yeni ürün geliştirme süreçlerini hızlandıran ve daha verimli hâle getiren güçlü bir karar destek aracı olarak öne çıkmaktadır. Geleneksel ürün geliştirmede formülasyonlar çoğunlukla deneme-yanılma ile oluşturulurken, yapay zekâ; hammadde özellikleri, besin değeri, tat, aroma, tekstür, raf ömrü, maliyet ve üretim koşullarını birlikte değerlendirerek daha isabetli ürün tasarımları yapılmasına katkı sağlar.

Yapay zekâ burada yalnızca “mevcut reçeteyi iyileştiren” bir araç değildir. GAN, VAE ve derin pekiştirmeli öğrenme gibi üretken modeller; mevcut ürün formülasyonları, bileşen veri tabanları ve geçmiş başarılı ürünlerden öğrenerek yeni reçete veya bileşen kombinasyonları önerebilir. Bu sayede gıda üretim teknolojisinde fiziksel prototip sayısı azaltılabilir, ürün geliştirme süresi kısaltılabilir ve daha sürdürülebilir formülasyonlar tasarlanabilir. Literatürde, yapay zekâ destekli sistemlerin fiziksel prototipleri %70–90, tüketici test süresini %60, ölçek büyütme denemelerini %40–70, Ar-Ge maliyetlerini ise %30–60 oranında azaltabileceği bildirilmektedir. Bu oranlar her işletme için doğrudan garanti sonuçlar değil, teknolojinin potansiyelini gösteren literatür temelli bulgular olduğu unutulmamalıdır.

Yapay zekâ gıda formülasyonunda ne sağlar?

Lezzet, tekstür ve tüketici beğenisi artık modellenebilir

Bir ürünün sağlıklı olması tek başına yeterli değildir; tüketici ürünü lezzetli ve kabul edilebilir bulmalıdır. Yapay zekâ, formülasyon değişkenleri ile duyusal veriler arasında ilişki kurarak yeni ürünlerin tat, aroma, tekstür ve genel beğeni düzeyini önceden tahmin edebilir. Özellikle elektronik burun, elektronik dil, GC-MS, tekstür analizleri ve geçmiş panel verileri ile eğitilen modeller, duyusal testlerin daha hedefli yapılmasını sağlar. Ancak nihai tüketici kabulü için insan duyusal analizleri hâlâ gereklidir.

Ekmek üretimi iyi bir örnek

Fırıncılık ürünleri, yapay zekâ destekli formülasyonun somut biçimde uygulanabileceği alanlardan biridir. Ekmek kalitesi yalnızca un, su ve maya oranına bağlı değildir; unun protein içeriği, gluten gücü, su kaldırma kapasitesi, pH, CO₂ oluşumu, fermantasyon süresi, fırın sıcaklığı, nem kaybı, kabuk rengi, iç yapı ve bayatlama hızı birlikte değerlendirilmelidir. Yapay zekâ, bu değişkenleri analiz ederek optimum mayalanma süresini, pişirme koşullarını, raf ömrünü ve duyusal kaliteyi tahmin edebilir. Böylece daha lifli, düşük kalorili, glutensiz veya temiz etiketli fırıncılık ürünleri geliştirilirken kalite kaybı azaltılabilir.

Yan ürünler ve alternatif proteinler için fırsat

Yapay zekâ, gıda yan ürünlerinin değerlendirilmesinde de önemli fırsatlar sunar. Örneğin elma posası; lif, pektin ve fenolik bileşikler bakımından zengin bir yan üründür. Ancak ürüne fazla miktarda eklendiğinde renk, tekstür, tat ve genel kabul olumsuz etkilenebilir. Bu nedenle yapay zekâ, elma posası gibi bileşenlerin hangi üründe ve hangi oranda kullanılabileceğini belirlemede etkili olabilir.

Benzer şekilde algler, deniz yosunları, mantarlar, tek hücre proteinleri, yenilebilir böcekler ve peynir altı suyu gibi kaynaklar da geleceğin sürdürülebilir bilenşenleri arasında yer almaktadır. Yapay zekâ destekli sistemler; hammadde seçimi, kültivasyon koşulları, ekstraksiyon verimi, amino asit dengesi, biyoaktif içerik ve güvenlik risklerini birlikte değerlendirebilir.

Dikkat edilmesi gerekenler

Yapay zekâ güçlü bir araçtır; ancak bilimsel doğrulamanın yerini almaz. Yapay zekâ tarafından önerilen formülasyonların laboratuvar, pilot ölçek ve gerçek üretim koşullarında test edilmesi gerekir. Ayrıca toksisite, alerjenite, mevzuat uygunluğu, veri güvenliği, fikri mülkiyet ve tüketici kabulü mutlaka dikkate alınmalıdır. Özellikle büyük dil modelleri ve üretken yapay zekâ sistemleri, hatalı veya önyargılı sonuçlar üretebileceği için uzman kontrolü gerektirmektedir.z

Sonuç

Yapay zekâ, gıda üretiminde deneme-yanılma yaklaşımını azaltarak daha hızlı, daha verimli ve daha sürdürülebilir ürün geliştirme süreçleri sunmaktadır. Gelecekte gıda formülasyonu; yalnızca “hangi bileşen ne kadar kullanılmalı?” sorusuna değil, aynı zamanda “bu ürün nasıl daha sağlıklı, daha lezzetli, daha güvenli ve daha sürdürülebilir tasarlanabilir?” sorusuna yanıt arayan veri odaklı bir sisteme dönüşecektir.

KAYNAKLAR

Alkalbani, N., Shahin, L., Benzeghiba, H., Obaid, R. S., Osaili, T. M., Cheikh Ismail, L., ve ark. (2026). Artificial intelligence in functional food innovation: Bioactive enhancement and formulation optimization: A quasi-systematic review. Food Chemistry: X, 34, 103628.

Azeem, M., Saleh, M., Tauqir, A., Waqas, M., Arshad, F., Fayyaz, H. M., Zainab, A., & Khan, F. (2025). Revolutionizing Food Product Development: Use of AI in Product Formulation, Sensory Prediction & Sustainable Scaling. Scholars Academic Journal of Biosciences, 13(7), 908–916.

Cui, Z., Qi, C., Zhou, T., Yu, Y., Wang, Y., Zhang, Z., Zhang, Y., Wang, W., & Liu, Y. (2025). Artificial intelligence and food flavor: How AI models are shaping the future and revolutionary technologies for flavor food development. Comprehensive Reviews in Food Science and Food Safety, 24, e70068.

Kauser, S., Murtaza, M. A., Hussain, A., Imran, M., Kabir, K., Najam, A., ve ark. (2024). Apple pomace, a bioresource of functional and nutritional components with potential of utilization in different food formulations: A review. Food Chemistry Advances, 4, 100598.

Murugesan, M., Pandurangan, P., Murugesan, A., Senthilkumar, H., Hegde, K. K., Thangaraj, S., & Moovendhan, M. (2026). Artificial intelligence in bread making: Applications in quality control, formulation and sensory prediction. Food Chemistry: X, 34, 103654.

Rugji, J., Erol, Z., Hamadani, A., Gjoni Gündemir, M., Taşçı, F., & Musa, L. (2026). Next-generation nutrition: Innovative and AI-tailored concentrated ingredients. Trends in Food Science & Technology, 168, 105515.

Mayıs 2026 Bülten