En los últimos años, la IA generativa ha avanzado de forma notable y su uso se está extendiendo con rapidez en distintos sectores. Ya está ampliamente implantada en ámbitos como la generación de contenidos y la mejora de la eficiencia operativa, pero ¿qué cambios se están produciendo realmente en un campo tan especializado como el «desarrollo de alimentos»? Este artículo, basado en conocimientos especializados en desarrollo de alimentos y sostenibilidad, explica los cambios estructurales que aporta la IA generativa y su impacto en la práctica.

El cambio esencial no está en la «velocidad», sino en la «elección»   

El uso de la IA generativa en el desarrollo de alimentos se ha vinculado hasta ahora, sobre todo, a la «mejora de la velocidad de desarrollo». De hecho, ya se han confirmado ciertos resultados en la aceleración del diseño de recetas y la generación de ideas. Sin embargo, la esencia del cambio actual no es una simple cuestión de velocidad.

Con la introducción de la IA generativa, el número de recetas y conceptos de producto que pueden evaluarse ha aumentado considerablemente (*1). Combinaciones e ideas que antes no podían probarse manualmente se han convertido en opciones realistas. Como resultado, el desarrollo de alimentos está pasando de ser un «proceso de elegir entre pocas propuestas» a una competencia de exploración basada en «qué elegir entre un sinfín de opciones».

Lo importante aquí es que ampliar la exploración no implica necesariamente ganar eficiencia. Si la exploración aumenta sin que se hayan diseñado criterios de selección, puede perjudicar la optimización del proceso de desarrollo en su conjunto, por ejemplo mediante un mayor número de propuestas que verificar, mayor dispersión en las decisiones y ensayos poco eficientes (*2). Es decir, en la era de la IA generativa, la fuente de la ventaja competitiva ya no es «con qué rapidez se puede crear», sino la calidad de la decisión: «qué opción se elige».

Desde la perspectiva ESG, este problema se manifiesta con mayor claridad. Si se mantiene la estructura tradicional, en la que el impacto ambiental se evalúa en las fases posteriores del desarrollo, muchas de las propuestas surgidas de la exploración acabarán descartándose más tarde por no ser adecuadas. Como consecuencia, se producen reprocesos de gran alcance que no se limitan a revisar las materias primas y el diseño de la formulación, sino que afectan a la calidad, la conservación, los envases y los procesos de fabricación, y los costes de desarrollo aumentan de forma estructural. En otras palabras, cuanto mayor es el volumen de exploración, más se amplifica también el coste de una «elección equivocada».

Ahora que la IA generativa ha ampliado la «cantidad de exploración», ¿qué es lo que realmente debe cuestionarse en el desarrollo de alimentos? No es la velocidad de exploración, sino el propio diseño de la decisión: «con qué criterio se elige». Con base en casos avanzados en el extranjero, este artículo analiza los cambios estructurales en el uso de la IA generativa en el desarrollo de alimentos y analiza la nueva base de decisión que se requiere en ese contexto.

El desarrollo de alimentos se ha convertido en una «competencia de exploración»   

El desarrollo de alimentos es, en esencia, un proceso de «ensayo y selección»   

El desarrollo de alimentos es, por naturaleza, un proceso de «ensayo y selección» en el que se prueban numerosas ideas y solo unos pocos casos de éxito permanecen. De hecho, se estima que, de los SKU(*3) recién lanzados, alrededor del 25 % desaparece del mercado al cabo de un año y cerca del 40 % acumulado a los dos años. Este hecho indica que el desarrollo de alimentos es, en esencia, un «proceso en el que se sigue probando hasta encontrar una opción ganadora».

Es decir, en el desarrollo de alimentos, los resultados dependen más del propio diseño de la exploración (cuántas ideas se prueban y en qué fase se acota la selección) que de la precisión de cada idea individual.

La IA generativa ha ampliado drásticamente la «cantidad de exploración»   

La IA generativa está provocando un cambio decisivo en este proceso de exploración. Por ejemplo, Unilever(*1) ha incorporado una IA que aprovecha el conocimiento de unos 250 chefs y datos de más de 30.000 recetas, y la utiliza en el diseño de recetas a nivel operativo. Esto permite examinar un volumen de ideas que antes era imposible por las limitaciones de recursos humanos, y el propio «número de ensayos posibles» ha aumentado de forma espectacular. Significa que el límite de la exploración, antes condicionado por los recursos humanos, está desapareciendo casi por completo desde el punto de vista técnico.

También en el mercado ha aumentado el «número de opciones»   

Al mismo tiempo, la estructura de la demanda de los consumidores también está cambiando de forma notable. Según una encuesta(*4), cerca del 60 % de los consumidores elige los alimentos en función de restricciones dietéticas o preferencias específicas (salud, alergias, religión, estilo de vida, etc.). Esto significa que ya no basta con diseñar productos basándose en un «consumidor promedio», y que se exige atender necesidades más segmentadas. En consecuencia, a las empresas se les pide desplegar SKU y conceptos más diversos, y el número de opciones por considerar sigue aumentando. En otras palabras, en lugar de un desarrollo de productos que presuponga una única solución óptima, surge la necesidad de explorar simultáneamente varias «soluciones óptimas locales».

Por todo ello, el desarrollo de alimentos,

• tiene de origen una estructura que depende del número de ensayos,
• ha visto ampliado por la IA generativa el límite de la exploración, y
• afronta en el mercado un aumento de las opciones demandadas,

por lo que puede decirse que está pasando estructuralmente de un «proceso de elegir entre pocas propuestas» a una competencia exploratoria centrada en «cómo reducir un número creciente de opciones».

Cuanto más se acelera la exploración, más importa la «calidad de los criterios de selección»   

La IA generativa puede «generar», pero no «juzgar»   

La IA generativa destaca por su capacidad de generar con rapidez ideas como recetas y conceptos de producto. En cambio, carece de la función de juzgar de forma autónoma cuestiones como «qué propuesta es viable como negocio» o «qué elección es la más razonable» (*2). De hecho, también en el ámbito de la innovación se ha señalado que, si bien la IA contribuye a ampliar la generación de ideas, la decisión final sigue dependiendo del juicio humano (*2).

Ampliar la exploración provoca una «avalancha de soluciones promedio»   

Si solo se amplía la exploración manteniendo esta estructura, salen a la luz varios problemas. En primer lugar, muchas de las ideas generadas convergen hacia «resultados promedio» (*5). Al tratarse de una generación basada en datos de entrenamiento, resulta más probable que se produzcan en masa propuestas convencionales y sin riesgo, que son una prolongación de lo existente, en lugar de propuestas extremadamente originales.

En segundo lugar, se dificulta la diferenciación. Cuando muchas empresas usan herramientas similares, los resultados tienden a parecerse y resulta más difícil construir una ventaja en el mercado.

En tercer lugar, aumentan los prototipos ineficientes. Si las ideas se multiplican sin criterios de juicio claros, incluso las «propuestas de escaso valor para ensayar» pasan a ser objeto de verificación y, como resultado, disminuye la eficiencia del desarrollo.

Si los criterios ESG se incorporan a posteriori, los «reprocesos» se vuelven estructurales   

Este problema se hace especialmente evidente desde la perspectiva ESG. Si se mantiene la estructura en la que el impacto ambiental se evalúa en las fases posteriores del proceso de desarrollo, se dan casos en los que una receta o un producto ya diseñados no cumplen los criterios en la etapa del ACV y deben revisarse. En ese caso, no basta con pequeños ajustes, sino que se requiere:

• revisar las materias primas
• rediseñar la formulación
• verificar de nuevo el efecto sobre la calidad y la conservación
• atender las repercusiones en los envases y los procesos de fabricación

es decir, un rediseño de gran alcance.

Por todo ello, en un entorno en el que la IA generativa ha ampliado la cantidad de exploración, el diseño del proceso de toma de decisiones, es decir, «con qué criterio se elige» y no «qué se prueba y en qué cantidad», pasa a ser el factor que determina tanto la eficiencia del desarrollo como la ventaja competitiva.

En el extranjero avanza la implementación de «incorporar indicadores ambientales en la etapa de selección»   

El impacto ambiental pasa de ser una «evaluación posterior» a un «criterio de decisión en el momento de elegir»   

En el extranjero ya avanza la tendencia a consultar indicadores como el impacto ambiental y el valor nutricional desde la fase de diseño en los procesos de decisión del desarrollo de alimentos. Por ejemplo, se indica que la plataforma de HowGood(*6) integra indicadores como el Nutri-Score y el Eco-Score y permite conocer cómo influyen en estas puntuaciones los cambios realizados durante el desarrollo de un producto. Gracias a ello, se señala que las empresas pueden avanzar en el desarrollo comprendiendo, durante el proceso de diseño del producto, el efecto sobre el impacto ambiental y el valor nutricional.

Además, como permite evaluar el impacto ambiental y social por materia prima o por producto (emisiones de gases de efecto invernadero, biodiversidad, riesgos laborales, etc.), es posible utilizar la información sobre sostenibilidad en el conjunto de las decisiones de desarrollo, compras y marketing.

Esta tendencia muestra que indicadores como el impacto ambiental y el valor nutricional empiezan a utilizarse no solo como simples criterios de evaluación, sino como información de referencia importante en el desarrollo de productos y en las decisiones de negocio.

Desafíos estructurales del desarrollo de alimentos en la era de la IA generativa   

Ausencia de ejes de evaluación: se puede generar, pero no se han diseñado los «criterios para elegir»   

La IA generativa puede producir con rapidez recetas y conceptos variados. Sin embargo, en muchos casos no se ha diseñado los propios criterios de evaluación sobre «qué propuesta debe adoptarse». Como resultado, las decisiones se toman sin criterios de selección claros y los resultados tienden a converger hacia soluciones promedio. Se trata de un problema estructural que conduce a la falta de diferenciación y a una menor eficiencia del desarrollo.

Fragmentación temporal del ACV: la evaluación ambiental no está integrada en la toma de decisiones   

En muchos procesos de desarrollo, las evaluaciones ambientales como el ACV se sitúan en las fases posteriores (*7). Por otra parte, se ha señalado que la mayor parte del impacto ambiental de un producto queda determinada por las decisiones adoptadas en la fase de diseño (*8), de modo que existe un desfase temporal entre la evaluación y el diseño. Debido a esta «fragmentación temporal», el diseño avanza sin que el impacto ambiental se considere adecuadamente en la etapa de decisión y, al evaluarlo después, se dan casos en los que es necesario revisar el diseño. El hecho de que los elementos que deberían tenerse en cuenta en el momento de elegir se sitúen en una fase posterior es la causa raíz de los reprocesos y las ineficiencias.

Falta de adecuación al dominio: la IA de propósito general no se adapta del todo a la realidad del desarrollo de alimentos   

El desarrollo de alimentos es un campo que depende en gran medida de los ingredientes propios de cada región, los procesos de cocción y el contexto cultural. En el caso de Japón, en particular, existen numerosos elementos que los conjuntos de datos generales no pueden reproducir adecuadamente, como la cultura del dashi, los alimentos fermentados y la diversidad de técnicas de procesamiento. Por ello, utilizar tal cual una IA generativa de propósito general dificulta obtener propuestas con un nivel suficiente para la práctica, y es fácil que se produzca una brecha entre las propuestas y la realidad operativa.

Falta de perspectiva de comercialización: aumentan las ideas que se quedan en el concepto   

La IA generativa ha facilitado la creación de ideas, pero no se evalúa suficientemente si estas son «viables como negocio». Si faltan elementos como definir al cliente objetivo, cuantificar la oportunidad de mercado y ordenar el entorno competitivo, las ideas se quedan en el nivel de concepto y resulta difícil que lleguen al desarrollo real del producto y a su lanzamiento al mercado.

Lo que tienen en común estos desafíos es que, aunque la IA generativa ha ampliado de forma espectacular la «cantidad de exploración», no se ha establecido suficientemente un mecanismo que respalde «qué opción elegir». Como resultado, a pesar de que las ideas aumentan, no se garantiza la calidad de la decisión y se producen de forma estructural ineficiencias y reprocesos. Es decir, el desafío esencial del desarrollo de alimentos en la era de la IA generativa no es la exploración, sino «cómo diseñar la calidad de la elección».

FAI como base que integra desde la exploración hasta la decisión   

El posicionamiento de Food AI Ideator   

Como hemos visto, la IA generativa ha ampliado de forma espectacular la cantidad de exploración. Sin embargo, sigue faltando un mecanismo que garantice la «calidad de la decisión» sobre qué elegir entre todo ello. Ante este desafío, se requiere un enfoque que integre la exploración y la decisión en lugar de separarlas. Food AI Ideator, de nuestra empresa, está diseñado para responder a este desafío no como una simple herramienta de generación de ideas, sino como una base que respalda todo el proceso de decisión, desde la exploración hasta la selección y la comercialización.

Utilidad práctica gracias a datos especializados en el dominio   

Las decisiones en el desarrollo de alimentos no dependen únicamente de la combinación de recetas, sino en gran medida de contextos como los ingredientes propios de cada región, las técnicas de procesamiento y las preferencias de los consumidores. Food AI Ideator cuenta con una base de datos especializada en el sector, que incluye ingredientes, recetas y datos de mercado propios de Japón, y cubre un ámbito que a la IA de propósito general le resulta difícil reproducir. Esto permite ofrecer propuestas no solo a nivel de ideación, sino aplicables en la práctica.

Decisiones más sólidas gracias a la visualización inmediata del impacto ambiental   

Tradicionalmente, lo habitual era evaluar el impacto ambiental en las fases posteriores del desarrollo. Pero con esta estructura, los reprocesos y las ineficiencias son inevitables. Food AI Ideator permite visualizar de forma aproximada el impacto ambiental al mismo tiempo que se generan las recetas y los conceptos. Gracias a ello, los criterios ESG funcionan no como un «criterio de evaluación que se comprueba después», sino como una variable de decisión para determinar «qué propuesta se adopta». En consecuencia, es posible diseñar desde las primeras etapas cumpliendo los requisitos ambientales, lo que contribuye a optimizar todo el proceso de desarrollo.

Un diseño coherente pensado hasta la comercialización   

En el desarrollo de alimentos, el criterio de decisión final no es solo si la idea es buena o mala, sino si resulta viable en el mercado. Food AI Ideator,

• definición de segmentos objetivo
• análisis de las oportunidades de mercado
• expresión del concepto en palabras

diseñando de forma integrada elementos como los anteriores, eleva la idea hasta una «forma viable como negocio». Así, conecta funciones que suelen estar fragmentadas, como el desarrollo, el marketing y la sostenibilidad, y hace posible una decisión coherente.

Lo importante en la era de la IA generativa no es «cuántas propuestas se pueden generar», sino «con qué criterio se elige y qué decisión se toma». Food AI Ideator, sin separar la exploración de la selección y diseñando la propia decisión, redefine la fuente de la ventaja competitiva en el desarrollo de alimentos. Es decir, en el desarrollo de alimentos del futuro, contar con una «plataforma para la toma de decisiones» y no solo con una herramienta será la clave que determine la competitividad sostenible.

Referencias 

1. Unilever «How AI is helping drive desire at scale across Unilever»

2. Harvard Business School «Artificial Intelligence & Human Judgment Drives Innovation»

3. JSTOR (artículo académico)

4. IFT, Food Technology Magazine «Reimagining reformulation: what could go wrong»

5. arXiv (preprint, 2510.22954v1)

6. HowGood «HowGood integrates EU’s Nutri-Score and Eco-Score into Latis platform»

7. DiVA (informe de investigación)

8. McKinsey «Product sustainability: back to the drawing board»