¿Puede la IA saborear cosas como el café o el chocolate con sensores y mejorar su sabor para el consumo humano ?

La IA puede ayudar a analizar y mejorar el sabor de alimentos como el café o el chocolate mediante el uso de datos de sensores combinados con modelos de aprendizaje automático entrenados en la composición química y la retroalimentación sensorial humana. Las lenguas electrónicas y los sensores de gases detectan compuestos de sabor, y la IA correlaciona estas señales con los perfiles de sabor percibidos, lo que permite ajustes en la formulación para mejorar el sabor, el aroma y la aceptabilidad general. Aunque la IA no puede "probar" como los humanos, acelera el desarrollo de productos al predecir cómo los cambios en los ingredientes o el procesamiento afectan las cualidades sensoriales. Este enfoque se utiliza cada vez más en la ciencia de los alimentos para optimizar el sabor y la calidad.

— Enriched May 15, 2026 · Source: Nature Food, 2023

Background

AI-assisted taste engineering relies on electronic tongues and gas chromatography sensors that detect volatile organic compounds and non-volatile taste-active molecules. These instruments quantify compounds such as furfuryl acetate (ethyl-maltol-like aroma), 2-ethylphenol (smoky/phenolic notes), theobromine, and trigonelline in coffee; and theobromine, phenylethylamine, and various Maillard reaction products in chocolate. Machine learning models trained on both GC-MS or LC-MS chemical fingerprints and human sensory panels (e.g., trained assessors scoring attributes such as bitterness, acidity, sweetness, astringency, and aroma intensity) learn to predict perceived flavor profiles from raw chemical data. Partial least squares regression and deep neural networks are commonly used to map sensor outputs to human ratings, enabling rapid “virtual tasting.” Industry workflows iteratively adjust roast profiles or conching times, then re-measure, reducing sensory evaluation cycles from weeks to days. Similar approaches are reported for modulating bitterness in cocoa by varying fermentation time or adding natural bitter-masking peptides derived from enzymatic hydrolysis of milk proteins (Cao et al., Sci. Rep. 2022). In coffee, controlling 3-methylbutanal and guaiacol concentrations via controlled roasting can shift profiles from “green/grassy” to “caramel/smoky,” aligning with consumer preference clusters identified by preference mapping in supermarket panels (Nature Food, 2023). Sensor arrays and electronic noses have demonstrated classification accuracy above 90% for roast level and origin in Arabica lots (Romano et al., Food Chem., 2021).