Por Javier Surasky
Este post está dedicado al Chef Mariano Bargas
Introducción
La inteligencia artificial empieza a intervenir en la creación del sabor. Al combinar datos, preferencias, compuestos químicos y modelos de predicción, transforma una parte de la creatividad culinaria, tradicionalmente ligada a contextos sociales y culturales, en un proceso calculable, repetible y escalable.
No se trata de robots en cocina ni de aplicaciones que sugieren recetas, que son los aspectos menos interesantes del problema, sino de la IA interviniendo en una actividad que solemos reservar a “lo humano”: la creación de sabores, platos y experiencias.
Durante mucho tiempo, la innovación culinaria se pensó desde
una figura bastante reconocible: el chef como autor, la receta original, el
“sello” de un restaurante. Esa imagen todavía existe, pero empieza a moverse.
Hoy, el plato que llega a la mesa puede ser resultado de una interacción entre
personas y modelos computacionales capaces de generar variaciones, proponer
combinaciones improbables y predecir preferencias a partir de bases de datos.
La creatividad humana se desplaza hacia formas de cocreación
mediadas por lógicas de optimización, estandarización y escalabilidad, históricamente
asociadas a procesos industriales y ahora aplicadas a una actividad marcada por
la experiencia sensorial, la cultura y el juicio situado.
De la receta al sistema
Usar tecnología no equivale a cocrear con ella: un buscador
de recetas, o un recetario digital, ahorran tiempo, pero no “crean” en sentido
estricto.
Otra cosa ocurre cuando un sistema propone ideas,
alternativas y recomendaciones durante la elaboración de un plato, y como
resultado la tecnología se integra directamente en el proceso de creación.
La investigación sobre cocreatividad humano-IA define estos
procesos como colaboraciones en las que al menos un humano y al menos un
sistema de IA contribuyen intencionalmente a generar resultados novedosos y
valiosos, lo que puesto en términos sencillos significa que la inteligencia
artificial pasa a operar como una contraparte con iniciativa propia.
En gastronomía, esta intervención es especialmente compleja
porque preparar un plato es unir ingredientes, aplicar técnicas, tiempos,
texturas y expectativas tanto de quien cocina como de quien come, además de
marcos culturales que afectan el sentido del acto de comer. Primer problema: lo
que la IA puede optimizar estadísticamente no siempre coincide con lo que un
comensal valora como experiencia ni con pautas culturales de preparación de alimentos.
La evidencia de otras áreas muestra que “la colaboración
efectiva depende de una asignación cuidadosa de roles, y un alto nivel de
control por parte del usuario suele conducir a una mayor satisfacción,
confianza y una sensación de autoría sobre los resultados creativos” (Singh et
al., 2025:28). En cocina, donde la autoría y el criterio sensorial forman parte
de la identidad profesional, eso es especialmente relevante.
De allí surge una pregunta que excede al chef: ¿debería
saber quien va a consumir un plato que fue cocreado con IA antes de decidir si
quiere comerlo? Más todavía: ¿forma esa información parte de la identidad del
plato?
Optimización y exploración
La IA introduce dos estéticas productivas en la cocina: optimización y exploración.
- La primera busca repetibilidad, reducción del error y mejor combinación promedio a partir de los ingredientes disponibles aplicando una lógica claramente industrial: estandarizar resultados, garantizar estabilidad y permitir la reproducción a gran escala. Cuando la estabilidad del sabor es un activo comercial, esta orientación se vuelve central.
- La segunda es estética y opera de otro modo, porque la creatividad culinaria también se alimenta de lo improbable, de los cruces culturales y de la innovación arriesgada, terreno en que la IA puede recombinar ingredientes y patrones de formas contraintuitivas, pero también cerrar caminos cuando sus datos premian aquello que ya fue probado con éxito.
En cocina, el espacio
combinatorio es enorme y genera una tensión permanente entre conservar un sabor
testeado y proponer un sabor novedoso, un nuevo maridaje (food pairing)
y generar agrado (pleasantness).
En Life, on the Line,
Grant Achatz relata su formación culinaria como una experiencia atravesada por
disciplina, repetición, aprendizaje colectivo y exigencias materiales: su
enfermedad y la pérdida temporal del gusto rompen cualquier idea romántica de
la cocina como expresión del talento. Cocinar, en Achatz, es trabajo, sistema y
forma de resistencial.
El sabor como dato
La IA se volvió influyente en el
diseño de maridajes y perfiles de sabor a partir de compuestos. La idea de una
“red de sabor” (flavor network) supone que ingredientes y compuestos
aromáticos pueden conectarse entre sí. Dos ingredientes, por ejemplo, quedan
vinculados si comparten al menos un compuesto y la fuerza de su vínculo depende
de cuántos compuestos comparten.
Ahn et al. (2011) analizan
decenas de miles de recetas y muestran diferencias culturales profundas: “las
cocinas norteamericana y de Europa occidental exhiben una tendencia
estadísticamente significativa hacia recetas cuyos ingredientes comparten
compuestos de sabor. En contraste, las cocinas de Asia oriental y del sur de
Europa evitan recetas cuyos ingredientes comparten compuestos de sabor” (Ahn et
al., 2011:3).
Esa aproximación va creando un
lenguaje cuantificable para hablar de afinidades culinarias al mismo tiempo que
muestra que no existe una fórmula universal de buen maridaje: diferentes culturas
organizan la afinidad química entre ingredientes de maneras distintas.
NotCo y la industrialización del gusto
NotCo permite observar esta
transformación en el mercado alimentario. La empresa utiliza IA para diseñar
alternativas vegetales a productos de origen animal. Su sistema, llamado
“Giuseppe”, trabaja con módulos que identifican tendencias de mercado y mapean
compuestos aromáticos para hallar equivalencias o complementariedades entre
ingredientes.
La empresa creó un algoritmo que
puede aprender combinaciones infinitas de plantas para replicar el sabor de productos
animales. El sabor se torna objeto de cálculo del sistema computacional,
orientado a su diseño y reproducción mediante nuevas combinaciones, lo que hace
que la IA coparticipe activamente en la decisión de qué se produce y cómo, industrializando
la creatividad culinaria mediante la desagregación de ingredientes en datos
químicos ligados a preferencias en patrones de consumo.
El FlavorGraph propuesto
por Park et al. (2021) profundiza esta lógica al integrar ingredientes,
compuestos químicos y relaciones de coocurrencia en recetas para construir representaciones
vectoriales de maridajes, parejas complementarias y combinaciones novedosas.
Conclusión: creatividad, datos y producción culinaria
La comida exige degustación, ajuste fino, contexto cultural y percepción subjetiva. Lee (2023) advierte que una IA puede derrotar a campeones mundiales de ajedrez porque ese juego permite evaluación rápida y completa. En cambio, “la comida no puede realmente cocinarse, degustarse y evaluarse por una computadora del mismo modo en que pueden hacerlo las partidas de ajedrez”.
La creatividad culinaria nunca
fue plenamente individual ni espontánea. La novedad de la IA consiste en formalizar
algorítmicamente esa dimensión sistemática, desacoplarla del contexto social y
reorganizarla bajo criterios estandarizados y escalables.
¿Existe entonces una “cocina
digital” del mismo modo en que existe una “cocina francesa” o “mediterránea”?
Todavía no.
Una escuela culinaria requiere
reglas, genealogía y reconocimiento, pero sí puede pensarse una cocina digital
como modo de producción y exploración cuyo sello distintivo es industrializar la
innovación culinaria mediante datos, predicciones y optimización.
Ese modo de producción abre
posibilidades concretas en materias tan distintas como combinaciones y reducción
de desperdicios, pero deja una pregunta difícil: ¿qué ocurre cuando los datos
que orientan esa creatividad no representan adecuadamente las culturas alimentarias, las tradiciones, las memorias culinarias y los saberes situados
que dan sentido a lo que comemos más allá del plato en sí?
Esa pregunta será el punto de
partida de un próximo post.
Referencias
Achatz, G. y Kokonas, N. (2011).
Life, on the line: A chef’s
story of chasing greatness, facing death, and redefining the way we eat. Gotham Books.
Ahn, Y.-Y.; Ahnert, S.E.; Bagrow, J.P. y
Barabási, A-L. (2011). Flavor network and the principles of food pairing. Scientific Reports, 1, 196.
https://www.nature.com/articles/srep00196
Lee, K. (2023, 5 de mayo). Battling food AI bias and misinformation. The Future Market.
https://thefuturemarket.substack.com/p/battling-food-ai-bias-and-misinformation
Park, D.; Kim, K.; Kim, S.; Spranger, M. y
Kang, J. (2021). FlavorGraph: a large-scale food-chemical graph for generating
food representations and recommending food pairings. Scientific Reports
(11:931). https://www.nature.com/articles/s41598-020-79422-8
Singh, S.; Hindriks, K.; Heylen, D. y Baraka,
K. (2025). A Systematic Review of Human-AI Co-Creativity. ACM / ArXiv.
https://arxiv.org/pdf/2506.21333