Antes, la industria alimentaria tardaba meses o años en saber si un nuevo sabor funcionará entre el público, pero con la Inteligencia Artificial (IA) este proceso de predecir preferencias, simular reacciones emocionales y definir qué producto llega al anaquel se puede hacer en pocos días y antes de que el consumidor lo pruebe.
Te puede interesar...
En ese escenario, el deseo deja de ser espontáneo y se convierte en una variable de diseño. Por ello la pregunta ya no es si la IA participa en lo que comemos, sino cuánto poder tiene para definir nuestros antojos.
De acuerdo con expertos, la verdadera disrupción llegó en los últimos cinco años: modelos de IA capaces de predecir gustos, simular comportamientos de consumo, optimizar empaques y reducir la huella ecológica.
En México, esa transición se aceleró con la presión regulatoria, el aumento del costo de materias primas y la necesidad de ofrecer productos más sostenibles sin comprometer identidad, ni rentabilidad.
Lourdes Ramírez, director sénior de Investigación y Desarrollo (I+D) en Mondelēz International, contó que utiliza avatares generados por IA, perfiles digitales construidos a partir de datos reales y capaces de simular comportamientos de compra, preferencias sensoriales y reacciones emocionales. Con ellos, la empresa puede probar decenas de prototipos de sabor, textura o concepto en pocos días.
“Lo que antes llevaba un mes ahora puede resolverse en una semana, y la meta es que en el futuro cercano pueda completarse en un solo día. Esta reducción de tiempos no solo baja costos: permite meter, descartar y priorizar con velocidad quirúrgica en un mercado donde cada trimestre define ganancias o pérdidas en participación”, comentó.
Ramírez también subrayó los riesgos: la IA avanza más rápido que su regulación. Por eso, Mondelēz opera con reglas claras de seguridad digital, y su recomendación es no utilizar herramientas abiertas como ChatGPT para decisiones sensibles, sin filtros corporativos.
El punto es relevante: conforme más empresas dependan de modelos generativos, aumentarán los riesgos de fugas de información, errores en interpretaciones predictivas o decisiones automatizadas sin supervisión humana.
El campo de batalla ya no es solo comercial: es ético, regulatorio y de gobernanza de datos.
La IA aprende a leer emociones y deseos
Lourdes explicó que los prompts en innovación y desarrollo no solo piden datos técnicos; también están diseñados para mapear emociones, especialmente por generación. El prompt más utilizado es directo y poderoso: “¿Qué conecta emocionalmente con esta generación específica?”
A partir de ese eje, la IA construye hipótesis, predice motivadores de compra y sugiere atributos de producto. Lourdes lo explicó con ejemplos:
Generación Alfa (5 a 17 años):
La IA identifica patrones emocionales como el sentimiento de soledad o la necesidad de juego. Para ellos, un chicle “divertido”, que haga bombas o sea extremadamente dulce o ácido, tiene mayor conexión emocional. Buscan experiencia, no descanso.
Generación Z y Millennials jóvenes:
Tienen dinámicas de estrés escolar y social, pero conservan componentes lúdicos. Los prompts sugieren sabores inesperados, experiencias rápidas y productos que reflejen identidad.
Millennials mayores y Generación X:
Lo que conecta emocionalmente es el “mental recharge”: un descanso en medio de la saturación laboral, familiar y de tiempo. Para ellos, un chicle que transmita calma o frescura tiene mayor valor que uno centrado en la diversión.
Estos prompts son el puente entre datos duros y decisiones de diseño. A partir de ahí, el equipo de Mondelēz complementa con prompts más técnicos: regulación, calorías, viabilidad sensorial y hábitos de consumo. La IA genera escenarios y el equipo humano filtra, valida y ajusta.
Ejemplos de uso de IA
Uno de los casos más sólidos presentados fue con la marca de bebida en polvo Tang, donde Mondelēz aplicó modelos de simulación para reducir el impacto ambiental sin comprometer la integridad del producto.
Gracias a esta estrategia, la compañía logró disminuir en 22 por ciento el plástico utilizado en cada sobre y en 26 por ciento el cartón del empaque primario. Además, optimizó el uso de corrugado en el embalaje secundario, la caja que contiene alrededor de 200 sobres, lo que contribuyó a una reducción aproximada de 30 por ciento de las emisiones de CO₂ asociadas al transporte y al volumen total movilizado en la cadena logística.
Los modelos predijeron que los consumidores percibirán el sobre como “más pequeño” o “menos generoso”. Y así ocurrió: Mondelēz perdió alrededor de 8 por ciento de volumen después de introducir el empaque optimizado.
Pero la empresa sabía exactamente lo que estaba comprando: un sacrificio medible en ventas para ganar sostenibilidad, reducir plástico, disminuir emisiones y alinearse con metas ambientales globales. “Es una decisión social”, enfatizó Ramírez. “Corrimos todas las simulaciones, lo sabíamos. Y aun así lo hicimos”.
Ese tipo de decisiones informadas por IA y por métricas ambientales duras marcan un quiebre histórico en la lógica del diseño de empaques: ya no se trata solo de funcionalidad o costo, sino de impacto total en la cadena y de reputación futura.
En otra parte de la charla, Ramírez habló de Paleta Payaso, un producto cuya importancia va más allá del supermercado: es un símbolo cultural de consumo infantil en México.
Los datos fueron contundentes: Mondelēz reemplazó el tradicional palito de plástico por uno de papel, en línea con su política de reducción de residuos.
Además, la compañía subrayó que lanzar una nueva versión de la Paleta Payaso, ya sea por reformulación o por un cambio significativo en su composición, implicaría una inversión cercana a los 2 millones de dólares y un ciclo de desarrollo que podría extenderse de uno a dos años.
“No puedo lanzar una nueva Paleta Payaso solo con lo que me digan Lisa o los avatares”, afirmó Ramírez, refiriéndose al copiloto de IA interno de Mondelēz.
Las herramientas digitales proponen, pero la empresa necesita pruebas sensoriales reales, análisis regulatorios y certeza de que la experiencia no se erosiona.
FC
