Productores de bebidas recurren a la IA para crear nuevos sabores

La industria de las bebidas alcohólicas está incorporando inteligencia artificial para analizar datos de cata y diseñar nuevos perfiles de sabor. El uso de estas herramientas se extiende ya a destilerías, bodegas, cerveceras, distribuidores y empresas de aromas, con proyectos que buscan acelerar el desarrollo de producto y ajustar las propuestas a gustos regionales y a los consumidores más jóvenes.

En la práctica, los modelos de IA trabajan con datos muy distintos entre sí: puntuaciones de paneles sensoriales, análisis químicos, reseñas de consumidores, comentarios en redes sociales y cifras de ventas. Con esa información, los sistemas intentan prever qué combinaciones de ingredientes pueden funcionar mejor en el mercado y cuáles tienen más opciones de gustar en una cata.

Entre los casos citados por el sector figura Mackmyra, en Suecia, que en 2019 lanzó Intelligens, un whisky creado con ayuda de aprendizaje automático. La empresa trabajó con recetas anteriores, datos comerciales y valoraciones de expertos para generar nuevas propuestas. Después de varias correcciones humanas, el producto salió al mercado y obtuvo una medalla de oro en una competición celebrada en 2020.

Otro ejemplo es Circumstance Distillery, en Reino Unido, que presentó Monker’s Garkel como el primer gin creado con IA. En ese proyecto, una red neuronal recibió miles de perfiles botánicos y recetas previas. El sistema propuso la fórmula, el nombre y parte del diseño visual, aunque la versión final pasó por ajustes humanos antes de su lanzamiento.

Las grandes compañías también han movido ficha. Diageo compró en 2022 Vivanda, empresa especializada en tecnología aplicada al sabor. Su sistema FlavorPrint usa cuestionarios sobre preferencias del consumidor y una base amplia de aromas para construir perfiles individuales. La idea es usar esa información tanto para recomendaciones personalizadas como para orientar el desarrollo de nuevos productos.

En el ámbito de los aromas y las formulaciones, Givaudan lanzó ATOM, una herramienta que aplica IA y química de datos para reducir pruebas repetidas en laboratorio. La compañía afirma que este sistema le ha permitido ajustar recetas con menos ensayos y acortar tiempos en proyectos concretos. Para los fabricantes, este tipo de plataformas sirve para probar más opciones en menos tiempo y con menos trabajo manual.

La investigación académica también ha aportado resultados. Un equipo de la Universidad de Ginebra analizó vinos de Burdeos mediante cromatografía y logró identificar el origen de cada muestra con un alto nivel de acierto. En otro estudio sobre cerveza, investigadores combinaron datos químicos, sensoriales y opiniones de consumidores para entrenar modelos capaces de prever la aceptación del producto. Después modificaron algunas fórmulas con compuestos sugeridos por la IA y obtuvieron mejores resultados en catas a ciegas.

En cerveza, AB InBev lleva años probando modelos predictivos para mejorar procesos industriales. Uno de sus pilotos se centró en la filtración y permitió reducir tiempos sin perder consistencia. Aunque no se trataba directamente del diseño del sabor, la empresa usa estos sistemas para mejorar calidad y eficiencia en plantas repartidas por varios países.

También hay aplicaciones en venta minorista y recomendación al consumidor. Tastry trabaja con análisis químicos y datos de preferencias para crear perfiles sensoriales que ayudan a bodegas y distribuidores a decidir qué lanzar y a qué público dirigir cada referencia. Preferabli hace algo parecido con vinos: pide al usuario que describa sus gustos y cruza esa información con bases amplias de descriptores expertos para sugerir botellas concretas.

El interés por estas herramientas responde a un cambio claro en el consumo. Las marcas observan que parte del público joven busca bebidas con sabores nuevos, formatos prácticos y opciones con menos alcohol o sin alcohol. En ese grupo pesan también la sostenibilidad, la transparencia sobre ingredientes y la personalización. Las empresas intentan leer esas señales con más rapidez usando datos digitales y modelos automáticos.

Aun así, el uso de IA en este campo tiene límites. Los modelos dependen mucho de la calidad del dato que reciben. Si las muestras están sesgadas hacia un solo país o una sola cultura gastronómica, las recomendaciones pueden quedar desajustadas para otros mercados. También hay dudas sobre privacidad cuando se usan reseñas o cuestionarios personales, así como sobre la propiedad intelectual si una receta nace a partir de un algoritmo.

Las normas regulatorias tampoco están cerradas del todo para este tipo de desarrollos. Si una fórmula incorpora un ingrediente nuevo o una combinación poco habitual, la empresa debe pasar igualmente por los controles habituales de seguridad y etiquetado. En paralelo, sigue abierta la discusión sobre quién firma una receta creada con ayuda informática: la compañía, el técnico que supervisa el proceso o ambos.

En las empresas del sector se impone un modelo mixto. La IA propone combinaciones o filtra opciones; después intervienen catadores, maestros mezcladores y equipos técnicos para decidir qué merece avanzar. Ese esquema aparece tanto en grandes grupos como en pequeños productores que usan herramientas comerciales o servicios en la nube sin montar toda la infraestructura por su cuenta.

Los responsables del sector calculan el retorno sobre todo por tres vías: menos tiempo hasta lanzar un producto, menos pruebas fallidas en laboratorio y mejores respuestas del consumidor cuando el producto llega al mercado. En algunos casos se habla también de mejoras en ventas o en puntuaciones obtenidas en catas internas y externas.

La adopción seguirá ligada a cómo se integren estos sistemas en el trabajo diario de bodegas, destilerías y cerveceras. Las compañías que ya los usan combinan datos históricos, pruebas piloto y revisión humana para afinar recetas mientras amplían sus catálogos con nuevas referencias adaptadas a mercados muy distintos entre sí.