Alejandro Urueña
Ética e Inteligencia Artificial (IA) - Founder & CEO Clever Hans Diseño de Arquitectura y Soluciones en Inteligencia Artificial. Magister en Inteligencia Artificial.
Antes de leer una palabra más sobre inteligencia artificial, conviene jugar un rato asi asimilamos un poco la idea. Entre a ai4burgers.com, una página creada por los propios investigadores de la Universidad de Stanford, y cargue sus datos: edad, sexo, peso, altura y cuánto se mueve durante el día. Apriete un botón y espere unos segundos. La máquina le devolverá una hamburguesa diseñada especialmente para usted, elegida entre 146 ingredientes y más de 1.044 combinaciones posibles, con los gramos exactos de cada componente, una etiqueta nutricional completa y hasta el costo ambiental de su invento: cuánta agua, cuánta tierra y cuántos gases hicieron falta para producirlo.
La sorpresa está en lo que aparece del otro lado. El sistema suele proponer combinaciones que ningún cocinero “firmaría” -mezclas inesperadas de ingredientes que, sin embargo, la máquina considera estadísticamente plausibles-, y no es raro que esconda desequilibrios nutricionales, como una carga de sodio muy por encima de lo recomendable para un día entero. La máquina arma el plato sin probarlo jamás, sin saber qué es esencial y qué no. Solo destila el patrón más probable.
Ese pequeño juego es la cara visible de un experimento que Stanford acaba de publicar en npj Science of Food https://doi.org/10.1038/s41538-026-00953-x y que, leído por encima, parece una humorada académica: enseñarle a una inteligencia artificial a diseñar la hamburguesa perfecta. Pero esa misma banalidad es lo que lo vuelve revelador, porque para entender cómo “crea” una máquina -si es que crea algo- pocos objetos son tan elocuentes y asimilables como una hamburguesa: una estructura que todos conocemos, hecha de partes que se combinan según reglas no escritas. Diseccionarla es, en el fondo, diseccionar el modo en que estos sistemas producen aquello que llamamos, quizá apresuradamente, novedad.
El corazón de la investigación es un modelo de difusión (en muy simple la misma familia de inteligencia artificial que está detrás de los generadores de imágenes, esos que convierten una frase escrita en una fotografía). Conviene detenerse en cómo funciona, porque ahí está la clave de todo. Un modelo de difusión aprende a crear haciendo, literalmente, lo contrario de destruir: primero toma datos reales -una imagen, una receta- y los va ensuciando con ruido, paso a paso, hasta convertirlos en pura estática, como la lluvia gris de un televisor sin señal; después se entrena miles de veces en deshacer ese camino, en limpiar el ruido de a poco hasta que, de ese caos, vuelve a emerger algo coherente. Esculpe orden a partir del desorden, guiado únicamente por los patrones estadísticos que absorbió de millones de ejemplos. En este caso, lo que la máquina “limpia” hasta darle forma no son píxeles, sino listas de ingredientes y cantidades en gramos.
El sistema logró dos proezas que vale la pena mirar de cerca. Primero “redescubrió” el Big Mac sin que nadie se lo hubiera mostrado jamás, reconstruyéndolo desde cero a pura destilación estadística. Después diseñó hamburguesas nuevas, optimizadas para ser más sabrosas, más sostenibles -a base de hongos, con apenas una décima parte del impacto ambiental- o más nutritivas -a base de porotos, casi el doble de saludables que el original-, que un panel de cien personas cató a ciegas para confirmar que eran, efectivamente, comestibles. Y sin embargo la máquina no probó nunca un bocado, no sabe qué es el hambre ni el placer, no entiende qué es una hamburguesa: hace lo único que sabe hacer, completar el patrón más probable, como aquel caballo Clever Hans que parecía calcular cuando en realidad solo leía las señales de su público.
La hazaña que más impresiona es justamente esa de “redescubrir” el Big Mac, y conviene detenerse porque encierra la trampa del asunto. La receta original nunca estuvo entre los datos de entrenamiento, de modo que el modelo no la copió: la reconstruyó desde cero acertándole a los ingredientes y hasta a los gramos. Solo que, para lograrlo, tuvo que generar en promedio 7,3 millones de hamburguesas distintas antes de dar con la combinación exacta. Y ahí está lo elegante y lo inquietante a la vez: que armar la receta correcta sea un evento rarísimo demuestra que la máquina no “sabe” cuál es el Big Mac, sino que tropieza con él entre millones de intentos porque las reglas estadísticas que aprendió lo vuelven más probable que el puro ruido. No hay memoria ni comprensión; hay una lotería con los números cargados hacia aquello que los humanos ya cocinábamos.
Los tres investigadores de Stanford qué hicieron este estudio comprobaron que una inteligencia artificial puede asimilar nuestras preferencias culinarias examinando enormes cantidades de recetas humanas, y con ese aprendizaje diseñar platos inéditos. Su mayor mérito es haber convertido algo tan escurridizo como el gusto en una herramienta capaz de conciliar lo que casi nunca convive en un mismo bocado: el placer, la salud y el cuidado del planeta.
Detrás del chiste asoma entonces algo más serio. Si delegamos únicamente en estos sistemas el diseño de lo que comemos, de lo que nos resulta placentero y hasta de lo que se considera “bueno” para nuestro cuerpo -y todo ello sin que la máquina entienda absolutamente nada-, la discusión deja de ser técnica para volverse política. La verdadera pregunta no es cuán inteligente es la máquina, sino quién decide qué patrones aprende a completar, y a favor de quién. Porque lo que no está en los datos de entrenamiento no va a estar en el resultado del algoritmo y sobre eso no caben dudas.
Fuente: Taç, V. et al., «Generative artificial intelligence creates delicious, sustainable, and nutritious burgers», npj Science of Food 10, 199 (2026). Disponible en: https://doi.org/10.1038/s41538-026-00953-x - Herramienta interactiva: ai4burgers.com · Código y datos: github.com/LivingMatterLab/AI4Food.