Si le pides a CHATGPT el código para una calculadora sencilla y el modelo alucina una división por cero, el intérprete te escupe una excepción. Corriges la sintaxis y te tomas un café. El costo marginal de ese error es irrisorio. El software funciona en un entorno cerrado, obediente a la lógica más pura.
Miremos la mayonesa. Un algoritmo optimiza la fórmula para abaratar costos. Predice que cierto emulsificante aguanta el pH 4.5. En la simulación todo encaja. Aunque en la simulación todo encaje, la realidad es porfiada y la emulsión se rompe a los tres días en un almacén de barrio en Santiago. Los microorganismos se multiplican sin hacer ruido. (Ignoro olímpicamente la microbiología en este párrafo, porque sino no terminamos nunca).
El compilador aquí es el tracto gastrointestinal de diez mil personas. El mensaje de error no es una línea en la terminal, es una demanda colectiva que puede liquidar la empresa. El programador teclea desde su escritorio, mientras el ingeniero de alimentos pone en riesgo su libertad y la vida ajena.
La diferencia en el costo del error explica el roce con Silicon Valley. Iterar código es gratis. Iterar comida es otro cantar. Implica mover toneladas y ensuciar tanques de acero inoxidable. Además, tienes que lidiar con la biología real. Y la biología es porfiada.
Vamos al grano. Los aceleracionistas creen que la industria alimentaria es un problema de optimización mal resuelto. Con suficientes datos de sabor y reología, además de controlar los precios, creen que pueden calcular y desarrollar el queso perfecto.
El problema es la dimensionalidad.
Los veteranos de la industria, obsesionados con la reducción bacteriana, son ultraconservadores por puro instinto de supervivencia, aunque también hay algo de terquedad en el gremio. Han visto modelos maravillosos convertirse en pastas duras como cemento con sabor a cartón mojado al escalar a planta piloto. Aplican el principio de Chesterton sin saberlo.
La biología es hostil. El modelo estadístico vive en un espacio limpio. El ingeniero de alimentos soporta ruido físico constante. Dos grados de variación en la extrusión cambian la proteína de forma impredecible.
Para colmo, la retroalimentación es lentísima. El algoritmo itera mil veces en una hora sobre un yogur virtual. La validación de seguridad crónica requiere meses o años. La inversión no quiere esperar, y la fisiología, por su parte, no se apura.
Estamos metiendo moléculas nuevas en organismos que tardaron millones de años en ajustarse. Asumir que la ausencia de toxicidad aguda es sinónimo de seguridad a largo plazo es una apuesta muy arriesgada. La biología acumula facturas. Lo que hoy tragamos sin problemas puede reventar veinte años después como una enfermedad autoinmune. La fisiología no perdona los atajos, y eso debería darnos qué pensar.
Y aquí aparece el problema de los incentivos. Para entrenar una IA maestra de la nutrición necesitaríamos los datos de Nestlé, Unilever, Carozzi o Kraft de los últimos cincuenta años. Necesitaríamos sus fracasos. En el software, un error se sube a GitHub y se discute abierto.
En la planta, equivocarse es una mancha que se oculta bajo la alfombra. No hay repositorios de mezclas que se separaron en el túnel de frío. No hay bitácoras de harinas que trancaron el extrusor. Ese secretismo es el verdadero cuello de botella. Las grandes corporaciones tienen archivadores llenos de lo que no funcionó, todo bajo llave. Sin transferencia de fracasos, cada startup repite las torpezas que una multinacional resolvió y ocultó en 1984.
Estamos obligando a los modelos a adivinar leyes físicas por ensayo y error porque nadie quiere admitir dónde enterró el lote malogrado. El dato que realmente educa al modelo es saber qué mezcla se pudrió en la estantería a los seis meses. Para la empresa, eso es un fracaso que se tapa. Nadie publica sus desastres. Ese historial de errores es la verdadera ventaja competitiva de la corporación. Saben exactamente lo que no funciona. El óptimo global es inalcanzable porque el incentivo local es esconder los cuadernos.
Ante este bloqueo, surgen jugadores como NotCo o Climax Foods, que intentan un rodeo. Ignoran el recetario histórico y bajan al nivel fundamental. Entrenan modelos para buscar correlaciones estructurales entre lo vegetal y lo animal.
Si la firma espectrográfica de la proteína de arveja se parece a la caseína, asumen que funcionará igual en el queso. Es una táctica inteligente para esquivar la falta de datos. El lío es la complejidad computacional. Predecir el plegamiento de una proteína aislada ya es difícil. Simular cómo interactúa con una matriz de lípidos y azúcares, sumando sales y sometiéndolo a presión y calor variables, es un problema de varios órdenes de magnitud superior. La correlación química no garantiza la funcionalidad organoléptica.
Incluso si resolvemos la predicción física, nos topamos con la alineación de objetivos. Muchas empresas montan un bucle. El algoritmo escupe una molécula teórica que un técnico fabrica, y el resultado vuelve a la base de datos. Eso convierte a la empresa en una máquina de búsqueda estocástica de sabores. Este mecanismo no es malo en sí mismo, solo obedece a su métrica.
El riesgo aparece con la Ley de Goodhart aplicada a la nutrición…. Si optimizas para maximizar la puntuación de un panel de cata, el algoritmo encuentra el hack. Descubre los superestímulos, como altas dosis de grasa y sal que activan el cerebro reptil. Luego vienen los intentos de replicar la carne. Logran emular la fibra y el sangrado con metilcelulosa y aislados proteicos. El paladar y el cerebro se engañan con la señal de carne.
El sistema digestivo procesa un material nuevo, y ese es el problema… Existe el peligro real de crear productos que pasan los controles y venden bien, aunque resultan tentadores, con un valor nutricional más bien pobre.
Durante dos décadas, el mantra fue que el software se come al mundo porque tiene costo marginal cero. El mundo físico era un pasivo. La realidad del FoodTech da un contraejemplo.
Hoy cualquiera paga centavos por una API y tiene IA. Tener el mejor algoritmo ya no blinda a nadie. Si todos acceden al mismo cerebro digital, el valor se desplaza a quien tiene el cuerpo. La muestra de esto fue cuando las tecnológicas, tras prometer la revolución digital, firmaron alianzas con los gigantes como Kraft con NotCo.
El algoritmo, por sofisticado que fuera, carecía de ejecución. Hacían falta camiones de reparto y líneas de producción. Los tanques de mezcla también son imprescindibles. Sin esa infraestructura, el código no valía nada. Al final, el código capituló ante la infraestructura. Las empresas de SaaS para alimentos terminan en guerra de precios. Las que integran inteligencia artificial con acero inoxidable logran imponer las reglas gracias a su peso físico.
Aunque la IA barre con las ineficiencias de gestión, al tocar la bioquímica te estrellas contra la pared. La simulación se queda en papel mojado. Los tanques de mezcla mandan sobre cualquier intención.
Cualquier modelo de negocio que ignore la asimetría del riesgo físico terminará absorbido por los que controlan la planta o liquidado por la biología…que es indomable y no negocia.