La venganza del acero inoxidable

Si le pides a GPT que te escriba el código Python para una calculadora financiera y el modelo alucina una función que divide por cero, el intérprete arroja una excepción. Corriges la sintaxis. Te tomas un café…. El costo marginal de ese error es cercano a cero. En el software, el entorno de ejecución es lógico, determinista y contenido.

Miremos ahora lo que ocurre cuando un algoritmo optimiza una fórmula de mayonesa para reducir costos. El modelo predice que un emulsificante específico mantendrá la estabilidad a pH 4.5. En la simulación, los vectores se alinean perfectamente. En la realidad, la emulsión se rompe a los tres días en un almacén de Santiago, permitiendo que algunos microorganismos se multipliquen de forma silenciosa

Aquí el “compilador” es el tracto gastrointestinal de diez mil personas. El mensaje de error es una demanda colectiva que liquida la empresa (el programador no se juega la piel; el ingeniero de alimentos se juega la libertad y la vida de otras personas.)

Esta asimetría en el costo del error explica el roce que observamos cuando Silicon Valley intenta entrar en la industria alimentaria. En el código, la iteración es gratuita. Pero en la comida señores, la iteración implica mover materia, ensuciar tanques de acero inoxidable de diez mil litros y enfrentar consecuencias biológicas.

II.

Existe una tesis popular entre los aceleracionistas tecnológicos de que la industria alimentaria es simplemente un problema de optimización multivariable mal resuelto. Si tienes suficientes datos sobre perfiles de sabor, reología y precios de materias primas, deberías poder calcular la «galleta perfecta».

El problema es la dimensionalidad. Los veteranos de la industria (gente obsesionada con la reducción logarítmica bacteriana) operan con un conservadurismo extremo.

El rechazo a la novedad teórica es mero instinto de supervivencia. Han visto demasiados modelos teóricos predecir resultados maravillosos que, al escalar a planta piloto, se convierten en pastas duras como cemento con sabor a cartón mojado.

Están aplicando en la práctica, el principio de chesterton.

Saben que la biología es un sistema hostil. Un modelo estadístico vive en un espacio vectorial simplificado y limpio. El ingeniero de alimentos, en cambio, trabaja en un entorno donde el ruido físico es constante. Allí, una variación de dos grados en la temperatura de extrusión cambia la estructura proteica de manera no lineal.

Además, existe un problema severo de latencia en la retroalimentación. Un algoritmo puede iterar mil veces en una hora sobre la viscosidad de un yogur virtual. Pero la validación de seguridad crónica se mueve en tiempos que la inversión usualmente no está dispuesta a esperar.

Estamos introduciendo moléculas nuevas en organismos que tardaron millones de años en ajustar sus procesos metabólicos. Asumir que la ausencia de toxicidad aguda equivale a seguridad a largo plazo es una apuesta arriesgada. La biología acumula deuda técnica. Lo hace en forma de trastornos autoinmunes o metabólicos que permanecen silenciosos durante años, haciéndose evidentes solo décadas después del despliegue.

III.

Aquí la coordinación de datos presenta un problema clásico de incentivos. Para entrenar una “IA maestra” de la nutrición, necesitaríamos ingerir la totalidad de los datos acumulados por Nestlé, Unilever, Carozzi o Kraft durante el último medio siglo…. Específicamente, necesitaríamos sus fracasos.

En el software, si algo se rompe, se sube a GitHub o se discute en Stack Overflow; el error es un activo público que acelera a todos. En la planta, el error es un estigma que se esconde.

No existe un repositorio abierto de mezclas que se separaron en el túnel de frío o de harinas que trancaron el extrusor. Ese secretismo industrial es el verdadero cuello de botella.

Las grandes corporaciones tienen décadas de cuadernos de laboratorio llenos de lo que no funcionó, pero esos datos están bajo llave, guardando polvo en archivadores.

Al no haber transferencia de fracasos, cada startup que intenta jugar a la IA alimentaria está condenada a repetir las mismas torpezas que una multinacional ya resolvió (y ocultó) en 1984. Estamos obligando a los modelos a adivinar las leyes de la física por puro ensayo y error, simplemente porque nadie quiere admitir dónde enterró el lote que salió mal.

Tener el registro de qué mezcla se pudrió en la estantería a los seis meses es el dato que realmente educa al modelo, pero para la empresa es un fracaso que se tapa. Nadie publica la bitácora de sus desastres.

Pero ese mismo historial de errores es lo que blinda a la corporación: su ventaja competitiva es saber exactamente qué es lo que no funciona. El óptimo global es inalcanzable porque el incentivo local dicta esconder los cuadernos de laboratorio.

Ante este bloqueo, han nacido jugadores que intentan un rodeo: el mimetismo molecular. Empresas como NotCo o Climax Foods intentan ignorar el recetario histórico y bajar al nivel fundamental. La estrategia de ellos consiste en entrenar modelos que buscan correlaciones estructurales entre lo vegetal y el animal. Si la firma espectrográfica de esta proteína de arveja se parece a la caseína, asumen que funcionará igual en el queso.

Es una táctica inteligente para evitar la falta de datos históricos, pero choca con la barrera de la complejidad computacional. Predecir el plegamiento de una proteína aislada es difícil; simular cómo esa proteína interactúa con una matriz de lípidos, azúcares y sales bajo presión y calor variables es un problema de varios órdenes de magnitud superior. La correlación química no garantiza la funcionalidad organoléptica.

IV.

Incluso si resolvemos el problema de la predicción física, nos topamos con un problema de alineación de objetivos.

Las startups han construido ciclos cibernéticos donde el modelo sugiere una molécula, el laboratorio la sintetiza y el resultado alimenta la función de pérdida del modelo. Esto convierte a la empresa en una máquina de búsqueda estocástica de combinaciones sensoriales.

Aquí conviene hacer una pausa. Este mecanismo no es malo en sí; simplemente sigue lo que se optimiza.

El riesgo aparece cuando entra en juego la Ley de Goodhart aplicada a la nutrición. Si optimizas una IA para maximizar la puntuación de un panel de cata (o la repetición de compra), el algoritmo descubrirá rápidamente los superestímulos. Encontrará el “hack” del cerebro reptil: combinaciones de grasa, sal y texturas crujientes que activan el sistema de recompensa.

Luego vienen los intentos de replicar la carne. Los algoritmos logran emular la textura fibrosa y el sangrado de una hamburguesa usando arquitecturas barrocas de metilcelulosa y aislados proteicos. El paladar queda satisfecho; el cerebro recibe la señal de “carne”. Pero el sistema digestivo procesa un material completamente nuevo.

Existe el peligro real de crear productos que cumplen todas las métricas de seguridad técnica y éxito comercial, funcionando a la vez como productos que se vuelven tentadores pero casi no aportan nutrición.

V.

Durante dos décadas, la tesis de inversión dominante fue que “el software se come al mundo” porque tiene costos marginales cero. El mundo físico era visto como un pasivo costoso.

La realidad reciente del sector FoodTech ofrece un contraejemplo contundente.

Hoy cualquiera paga centavos por una llamada a API y obtiene un modelo de IA. Tener el mejor algoritmo ya no blinda a nadie. Si todos tienen acceso al mismo cerebro digital, el valor se desplaza hacia quien posee el cuerpo.

La evidencia final de este cambio se manifestó cuando las firmas tecnológicas inundadas de capital de riesgo, tras años prometiendo una revolución puramente digital, terminaron firmando joint ventures con los gigantes del “viejo mundo” (como la alianza Kraft-NotCo).

El algoritmo, por muy sofisticado que fuera su arquitectura detallada de cómo están organizadas las moléculas, carecía de capacidad de ejecución. Necesitaba los camiones de reparto, las líneas de producción y los tanques de mezcla.

Al final, el código tuvo que capitular ante la infraestructura.Las empresas de “SaaS para alimentos” caen en una guerra de desgaste donde todos canibalizan precios, mientras que aquellas que integran verticalmente la inteligencia artificial con el acero inoxidable ven cómo su infraestructura pesada recupera el poder de dictar las reglas del juego.

VI.

La inteligencia artificial actúa como un embudo letal: elimina las ineficiencias triviales de gestión y estrella a las empresas directamente contra los problemas duros de la bioquímica y la termodinámica

El código en el sector alimentario es un anexo logístico, siempre subordinado a la materia. El algoritmo propone, pero la termodinámica, la microbiología y los tanques de acero inoxidable disponen.

Cualquier modelo de negocio que ignore la asimetría del riesgo físico terminará absorbido por quienes controlan la planta o liquidado por la biología.