थोडक्यात उत्तर: AI च्या चर्चेत येणाऱ्या बिअर, वाइन आणि व्हिस्कीभोवतीच्या 1,000 हून थोड्या अधिक कंपन्या आणि लोक मी मोजले, आणि प्रत्येकाला श्रेणी दिली. 447 जण product किंवा operation मध्ये AI ship करतात. 431 जण तपासले गेले आणि ते AI चा कोणताही दावा करत नाहीत. जे AI ship होते ते operational आहे: process control, vineyards, demand forecasting, quality inspection. Sensory आणि recipe AI, जे मथळे मिळवते, त्यात pilots चे प्रमाण सर्वाधिक आहे. Equipment makers क्वचितच AI चा दावा करतात. आणि फक्त सुमारे 35 नोंदी generative AI किंवा LLMs चा उल्लेख करतात. पेय उद्योगातील GenAI चा थर पातळ आहे, आणि तो अशा data engineering वर उभा आहे जे बहुतेक उद्योगाने अजून पूर्ण केलेले नाही.
दर आठवड्याला कोणीतरी बिअरमध्ये AI जाहीर करते. AI ने design केलेली IPA, AI sommelier, brewhouse चालवणारा agent. तुम्ही फक्त घोषणा वाचल्या तर तुम्हाला वाटेल की उद्योग spreadsheets च्या पुढे गेला आहे. म्हणून मी मोजायला सुरुवात केली.
गेल्या काही महिन्यांपासून मी बिअर, वाइन आणि व्हिस्कीमध्ये AI आणि data वापरणाऱ्या कंपन्या आणि लोकांचा एक सार्वजनिक dataset, Beverage-AI Radar, ठेवला आहे. लिहिण्याच्या वेळी त्यात 1,015 नोंदी आहेत. The Brewer’s Agent मधील ही शेवटची पोस्ट म्हणजे त्या नोंदी प्रामाणिकपणे मोजल्यावर काय सांगतात, आणि या मालिकेतील tools सारखी GenAI tools बनवणाऱ्या कोणासाठीही त्याचा अर्थ काय.
मोजणी कशी होते
प्रत्येक नोंदीला तिच्या स्वतःच्या सार्वजनिक साहित्यावरून AI maturity नुसार श्रेणी दिली जाते:
- Shipping: कंपनी सांगते की AI एखाद्या चालू product किंवा operation मध्ये आहे.
- Pilot: नाव दिलेली trial किंवा proof of concept.
- Research: शैक्षणिक किंवा लॅबमधील काम.
- AI चा दावा नाही: तपासले, आणि कंपनी AI चा दावा करत नाही. हा खरा निष्कर्ष आहे, रिकामी जागा नाही.
शक्य तिथे दावे press coverage ऐवजी कंपनीच्या स्वतःच्या site विरुद्ध तपासले जातात. हे वाटते त्यापेक्षा जास्त महत्त्वाचे आहे. Launch press अनेकदा एखादे product LLM वापरते असे वर्णन करते, तर vendor चे स्वतःचे documentation सांगते की ते deterministic नियम वापरते. Vendor ची आवृत्ती ग्राह्य धरली जाते.
प्रत्येक नोंद तिच्या use-case वर्णनावरील keyword नियमांनुसार एका theme खाली (process, शेती, quality वगैरे) ठेवली जाते. त्या नियमांना regression tests आहेत, पण ते शेवटी नियमच आहेत, आणि काही नोंदी “Other” मध्ये जातात.
निष्कर्ष 1: AI ship करणाऱ्यांइतकेच जवळपास लोक AI चा दावा करत नाहीत
1,015 नोंदींपैकी 447 AI ship करत आहेत (44%), 60 pilot करत आहेत आणि 21 research आहेत. 431, म्हणजे 42%, तपासले गेले आणि ते AI चा कोणताही दावा करत नाहीत. आणखी 56 जणांना अजून श्रेणी दिलेली नाही.
हा दावा-नसलेला गट गोंगाट नाही. त्यात brewing software, equipment makers, consultancies आणि ingredient suppliers भरलेले आहेत, जे पेये कशी बनतात त्याच्या केंद्रस्थानी आहेत आणि उद्योगाच्या तंत्रज्ञानाच्या कोणत्याही गंभीर यादीत येतात. Data त्यांच्याकडे आहे. बहुतेकांनी अजून त्यावर AI बसवलेले नाही. काहीतरी बनवणाऱ्या कोणासाठीही dataset मधील हा सर्वात रोचक आकडा आहे.
निष्कर्ष 2: ship होणारे AI operational आहे
जिथे AI ship होते, तिथे ते झगमगाटाचे नसते:
- Process आणि operations: 98 shipping. Fermentation monitoring, scheduling, ऊर्जा, yield.
- शेती आणि पीक: 64 shipping, त्यातले बरेचसे vineyard sensing आणि रोगाचा अंदाज.
- Sales, demand आणि pricing: 61 shipping. Forecasting, route planning, depletion analysis.
- Quality आणि inspection: 45 shipping. Packaging line वर vision, लॅब data, anomaly detection.
ही यादी ब्रुअरीच्या operations manager ने लिहिली असती तशीच आहे. मोजता येणाऱ्या समस्या, आधीच असलेला data, सुधारायला एक स्पष्ट आकडा. What AI in Beer Actually Looks Like in 2026 मधला निष्कर्ष हाच आहे, आता त्यामागे आकडे आहेत.
निष्कर्ष 3: sensory आणि recipe AI pilot मध्येच राहते
Sensory आणि recipe मध्ये 70 नोंदी आहेत. 38 ship होतात, पण 17 pilots किंवा research आहेत, म्हणजे theme चा सुमारे एक चतुर्थांश आणि कोणत्याही मोठ्या theme मधील सर्वाधिक प्रमाण. हेच ते AI जे मथळे मिळवते: design केलेल्या बिअर, अंदाजलेली चव, digital tasting panels.
ते प्रायोगिक राहण्यामागे चांगली कारणे आहेत. Sensory data कमी, व्यक्तिनिष्ठ आणि महाग असतो, लक्ष्य (चव चांगली आहे का?) मऊ असते, आणि “ही recipe चांगली आहे का” यासाठी evals लिहिणे “हे ABV बरोबर आहे का” यापेक्षा खूप कठीण आहे. या मालिकेतील malt vector पोस्ट दाखवते की आकलन आले की गणित किती लवकर डळमळते.
निष्कर्ष 4: equipment makers क्वचितच AI चा दावा करतात
Engineering आणि equipment मध्ये 36 नोंदी आहेत आणि फक्त 3 AI ship करतात. 26 AI चा दावा करत नाहीत.
या अशा कंपन्या आहेत ज्यांच्या tanks, brewhouses आणि filling lines ब्रुअरीतील बहुतांश process data निर्माण करतात. Data अस्तित्वात आहे, control systems आणि historians मध्ये पडून आहे. त्याचा control च्या पलीकडे फारच थोडा वापर होतो, निदान जाहीरपणे तरी. जो कोणी हा equipment data निष्कर्ष 2 मधील operational AI शी जोडेल त्याला मोकळे मैदान आहे.
निष्कर्ष 5: GenAI हा छोटासा तुकडा आहे
1,015 पैकी फक्त सुमारे 35 नोंदी त्यांच्या use case मध्ये generative AI किंवा large language models चा उल्लेख करतात, आणि GenAI आणि marketing theme मध्ये फक्त 18 कंपन्या आहेत. पेय उद्योगात ship होणारे बहुतेक AI हे forecasting, computer vision, anomaly detection आणि classic machine learning आहे.
ही टीका नाही. कामाचा हाच योग्य क्रम आहे. या मालिकेतील सर्व काही (स्रोत उद्धृत करणारे retrieval, गणित करणारी tools, ब्रूइंग ज्ञान असलेले vectors, स्वच्छ scrape केलेला data, खराब releases थांबवणारे evals) अशा data engineering वर अवलंबून आहे जे बहुतेक उद्योग अजून करत आहे. GenAI हा त्या पायावरचा एक थर आहे, आणि dataset सांगतो की पाया आधी येतो.
निष्कर्ष 6: व्हिस्की कमी आहे
Vertical नुसार पाहिले तर बिअरच्या 277 नोंदी आणि वाइनच्या 274 आहेत, तर व्हिस्कीच्या 82 आहेत. आणखी 374 नोंदी अनेक पेयांना व्यापतात, बहुतेक horizontal platforms आणि consultancies. व्हिस्कीचे कमी असणे अंशतः मी आतापर्यंत कुठे शोधले त्याचे प्रतिबिंब आहे, आणि अंशतः distillers तंत्रज्ञानाबद्दल कमी जाहीरपणे बोलतात म्हणून. काहीही असो, spirits साठीचा पुरावा उथळ आहे, आणि “व्हिस्कीमधील AI” बद्दलचा कोणताही दावा कमी उदाहरणांवर उभा आहे.
भौगोलिकदृष्ट्या, United States 295 नोंदींसह आघाडीवर आहे, त्यानंतर United Kingdom आणि Germany प्रत्येकी 72, France 59 आणि India 37. 174 नोंदींना स्पष्ट देश नाही, बहुधा फक्त online असलेल्या कंपन्या.
हे कुठे मोडते
हे desk research आहे. सर्व काही सार्वजनिक साहित्यातून येते. एखादी ब्रुअरी शांतपणे चांगले forecasting model चालवत असेल आणि त्याबद्दल कधीच बोलत नसेल तर ती इथे दिसत नाही, आणि मोठ्याने marketing करणारा vendor जास्त प्रमाणात दिसतो.
“Shipping” हा कंपनीचा स्वतःचा दावा आहे. Vendor च्या site विरुद्ध तपासल्याने अतिशयोक्त press पकडली जाते, पण product चांगले चालते किंवा कोणी ते वापरते याची खात्री त्यातून होत नाही.
Themes keyword नियमांमधून येतात. तीन गोष्टी करणारी कंपनी एकाच theme खाली ठेवली जाते, आणि शब्दरचनेमुळे ती चुकीच्या ठिकाणी जाऊ शकते. नियम तपासलेले आहेत आणि मला सापडलेल्या चुका दुरुस्त केल्या, पण कडांवर आकडे अंदाजे आहेत. विशेषतः GenAI चा आकडा हा keyword शोध आहे आणि दोन्ही बाजूंनी काही अंकांनी चुकू शकतो.
Dataset वाढत राहतो. हे आकडे एक snapshot आहेत. तीन महिन्यांनी पुन्हा मोजा आणि प्रत्येक आकडा बदललेला असेल. आकार, माझ्या अंदाजाने, बदलणार नाही.
सारांश
नीट मोजले तर beverage AI घोषणांसारखे कमी आणि operations योजनेसारखे जास्त दिसते. महत्त्वाच्या कंपन्यांपैकी जवळपास निम्म्या AI चा दावा करत नाहीत. Ship होणारे AI अंदाज लावते, तपासणी करते आणि निरीक्षण करते. Sensory आणि recipe काम प्रामाणिक कारणांसाठी pilot मध्ये राहते, equipment makers अशा data वर बसले आहेत जो ते क्वचितच वापरतात, आणि generative AI हा एक पातळ थर आहे जो फक्त त्याखालच्या data engineering वरच काम करतो. हीच बाजू ही संपूर्ण मालिका एकेक tool करत मांडत आली आहे.
यासह The Brewer’s Agent पूर्ण होते. त्याची सुरुवात स्रोत उद्धृत करणाऱ्या आणि गणित tool वर सोडणाऱ्या RAG ने झाली आणि शेवट पाया हाच कठीण भाग आहे या पुराव्याने होतो. संपूर्ण मालिका The Brewer’s Agent मालिकेच्या पानावर आहे, आणि वाइनची सोबती मालिका The Cellar Ledger आहे.
वारंवार विचारले जाणारे प्रश्न
किती beverage कंपन्या खरोखर AI वापरत आहेत? बिअर, वाइन आणि व्हिस्कीभोवतीच्या 1,015 कंपन्या आणि लोकांच्या निवडक dataset मध्ये, 447 जण product किंवा operation मध्ये AI ship करणारे म्हणून, 60 pilot करणारे म्हणून आणि 21 research म्हणून श्रेणीबद्ध आहेत. 431 जण तपासले गेले आणि ते AI चा कोणताही दावा करत नाहीत. उरलेल्यांना अजून श्रेणी दिलेली नाही. इथे shipping म्हणजे कंपनी तसे जाहीरपणे सांगते, आणि शक्य तिथे ते तिच्या स्वतःच्या site विरुद्ध तपासलेले आहे.
पेय उद्योगात AI प्रत्यक्षात कुठे वापरले जाते? बहुतांश operational कामात. Process आणि operations, vineyard आणि पीक निरीक्षण, sales आणि demand forecasting, आणि quality inspection यांमध्ये ship होणाऱ्या AI चा मोठा भाग आहे. Sensory आणि recipe AI कडे जास्त लक्ष जाते पण त्यात pilots चे प्रमाण सर्वाधिक आहे, आणि equipment makers कोणत्याही गटापेक्षा कमी AI दावे करतात.
Beverage-AI कंपन्यांमध्ये generative AI किती सामान्य आहे? मथळ्यांवरून वाटते त्यापेक्षा कमी. 1,015 पैकी फक्त सुमारे 35 नोंदी त्यांच्या use case मध्ये generative AI किंवा large language models चे वर्णन करतात, आणि GenAI आणि marketing theme मध्ये 18 कंपन्या आहेत. Ship होणारे बहुतेक काम forecasting, computer vision, anomaly detection आणि classic machine learning आहे.