Dalle ricette alle recensioni: fin dove può arrivare l'IA in cucina?

Le revisioni esistenti tendono infatti a concentrarsi su sottodomini specifici, come i sistemi di raccomandazione degli alimenti, la stampa alimentare 3D o l’analisi culinaria basata sui dati, senza però integrare metodologie, flussi di dati, applicazioni e tendenze bibliometriche all’interno di una struttura concettuale coerente. Inoltre, aree emergenti come i modelli multimodali su larga scala, i sistemi di rilevamento ibrido, i modelli generativi condizionati dalle preferenze e gli ecosistemi di servizi alimentari intelligenti risultano ancora insufficientemente sistematizzate. Manca, dunque, una sintesi completa capace di combinare gli approfondimenti metodologici con le evidenze bibliometriche e di offrire una visione sistematica dell’intelligenza artificiale applicata alla gastronomia digitale, allo stato attuale e tenendo conto di un settore vorticosamente in divenire. Una ricognizione di questo tipo potrebbe basarsi sui cinque principali database scientifici: Acm Digital Library, Ieee Xplore, Scopus, Web of Science e SpringerLink.

La metodologia può seguire i protocolli di revisione consolidati nell’ingegneria e nell’informatica, incorporando uno screening indipendente, una valutazione sistematica della qualità e un quadro di classificazione multidimensionale. I risultati disponibili mostrano come l’attività di ricerca si concentri soprattutto sul riconoscimento degli alimenti, la generazione di ricette, la raccomandazione personalizzata, la valutazione nutrizionale, l’assistenza in cucina, la robotica domestica e gli ecosistemi di cucine intelligenti. Restano, però, diverse criticità. Fra queste figurano la limitata diversità culturale dei set di dati, le incongruenze nelle annotazioni, le difficoltà nell’integrazione multimodale, la debole generalizzazione interculturale e una validazione ancora limitata nel mondo reale. I progressi futuri richiederanno quindi set di dati più inclusivi, modelli culturalmente robusti, protocolli di valutazione armonizzati e un’integrazione sistematica dei principi di etica, privacy e sostenibilità, indispensabili per sviluppare soluzioni affidabili e scalabili basate sull’intelligenza artificiale.

L’integrazione tra dati sensoriali, interfacce intelligenti e modelli computazionali sofisticati ha intanto contribuito al consolidamento di un ecosistema digitale orientato alla nutrizione personalizzata, all’innovazione culinaria e al miglioramento delle esperienze gastronomiche. La gastronomia computazionale, in particolare, dà priorità alla modellazione matematica e statistica di ingredienti, sapori e ricette, concentrandosi sulla previsione e sulla generazione di combinazioni culinarie. La convergenza tra queste aree ha prodotto progressi sostanziali in diversi sottodomini: dal riconoscimento e dalla segmentazione degli alimenti alla stima nutrizionale automatica, fino all’analisi sensoriale assistita dall’IA, alla creazione automatica di ricette attraverso modelli generativi e all’ottimizzazione dei processi culinari tramite robotica collaborativa e sistemi avanzati di manipolazione. Studi recenti evidenziano inoltre il ruolo dei sensori termici, ambientali e tattili nella caratterizzazione in tempo reale dei fenomeni culinari. Un’evoluzione che rafforza l’importanza della fusione multimodale nel supportare processi decisionali sempre più precisi anche in cucina.

I sistemi di intelligenza artificiale applicati al cibo continuano tuttavia a presentare questioni aperte sul fronte dell’etica, della privacy, della standardizzazione e della sostenibilità. La ricerca sulla gastronomia digitale abilitata dall’intelligenza artificiale sembra procedere lungo quattro principali traiettorie scientifiche. La prima riguarda una crescente convergenza verso un quadro concettuale integrato, capace di combinare visione artificiale, elaborazione del linguaggio naturale, modellazione basata su grafici, sistemi di raccomandazione, apprendimento multimodale, infrastrutture IoT e robotica. La seconda riguarda l’impiego combinato dell’apprendimento profondo multimodale e delle risorse di conoscenza strutturate, che sta modificando attività centrali come il riconoscimento degli alimenti, la valutazione nutrizionale, la modellazione culinaria e l’automazione domestica.

La terza passa attraverso la crescente incorporazione di sensori, dispositivi connessi e piattaforme robotiche, con il potenziale di creare ambienti culinari più sicuri, accessibili e interoperabili. La quarta traiettoria riguarda infine l’ampiezza delle applicazioni: dalla salute pubblica alla nutrizione personalizzata, dal patrimonio gastronomico alla gestione dei servizi di ristorazione. Un insieme di ambiti che mostra come la gastronomia digitale stia progressivamente emergendo come dominio interdisciplinare di rilevanza strategica. Nonostante questi progressi, diverse limitazioni continuano a frenare la maturità scientifica e tecnologica del settore. La scarsa diversità culturale dei set di dati disponibili, per esempio, riduce la robustezza dei modelli di intelligenza artificiale. Da questo punto di vista, i giornalisti che temono una loro imminente sostituzione possono ancora dormire sonni tranquilli.

Nella ristorazione, l’IA viene già utilizzata attivamente per automatizzare alcune operazioni, ottimizzare la pianificazione dei menu, gestire l’inventario e contribuire alla sicurezza alimentare attraverso il monitoraggio dei dati in tempo reale e l’analisi predittiva. Il Machine learning (Ml) e il Deep learning (Dl) consentono ai computer, e ai robot, di rilevare il deterioramento degli alimenti, prevedere la domanda, autenticare i prodotti e riconoscere modelli complessi, sia nel comportamento dei consumatori sia nelle proprietà degli ingredienti. Questi sistemi possono migliorare le proprie prestazioni nel tempo, diventando più precisi con l’aumentare dell’esperienza, ed effettuare previsioni e prendere decisioni automatiche anche su dati nuovi, mai incontrati in precedenza. Le stesse tecnologie possono inoltre generare nuovi abbinamenti tra ingredienti e nuove ricette, ampliando le possibilità di innovazione nello sviluppo dei sapori. Ristorazione personalizzata, sistemi nutrizionali e piattaforme immersive di educazione culinaria alimentate dall’intelligenza artificiale stanno così espandendo la portata delle arti culinarie, anche in relazione agli obiettivi di salute e sostenibilità.

Nonostante il rapido sviluppo di queste tecnologie e la loro crescente rilevanza per l’industria alimentare, rimane una lacuna significativa nella letteratura accademica rispetto a una comprensione realmente olistica del loro ruolo nella gastronomia. Una lacuna che rende più difficile analizzare una posizione lavorativa, una funzione o una figura professionale non come un insieme isolato di compiti, bensì come un elemento interconnesso all’interno di un sistema in continua evoluzione. Questo divario emerge anche dalla presenza limitata di legami di co-citazione tra gastronomia ed etica dell’intelligenza artificiale, così come dalla minore attenzione riservata agli aspetti culturali, creativi ed esperienziali della gastronomia. Lo testimonia anche il numero ancora ridotto di citazioni interdisciplinari nelle revisioni esistenti. In particolare, manca ancora un’analisi bibliometrica completa capace di mappare la produzione accademica, le tendenze e le collaborazioni all’interno di questa intersezione emergente. Un simile lavoro permetterebbe di ricostruire con maggiore rigore il panorama intellettuale attraverso analisi di co-citazione e accoppiamento bibliografico, individuando le tendenze emergenti all’intersezione tra gastronomia e intelligenza artificiale. L’obiettivo sarebbe andare oltre le tradizionali revisioni narrative della letteratura, offrendo una panoramica strutturata e basata sui dati.

Restano, infine, tre riflessioni particolarmente concrete. La prima riguarda le piattaforme innovative che utilizzano l’intelligenza artificiale per consigliare locali sulla base dei menu aggiornati, cercando così di ridurre il peso e il problema delle recensioni false. La seconda riguarda strumenti come Thunderbit, che consentono di analizzare migliaia di pareri pubblicati su siti come TripAdvisor o Yelp, individuando rapidamente parole chiave, ricorrenze e opinioni comuni. Una mole di informazioni che, analizzata manualmente, richiederebbe tempi enormemente superiori. La terza, forse la più interessante per chi scrive di gastronomia, riguarda la possibilità per un sistema di intelligenza artificiale di analizzare e scrivere recensioni dettagliate sui piatti di un ristorante partendo da semplici descrizioni, fotografie o appunti grezzi. Brevi note su sapore, consistenza e profumo possono così essere trasformate in un testo ricco, strutturato e linguisticamente coerente.

Un esempio aiuta a comprenderne opportunità e limiti. Alla semplice richiesta, senza alcuna fotografia, di commentare un piatto di “porchetta al forno a legna”, il risultato ottenuto è stato: «È un capolavoro della gastronomia italiana che unisce una crosticina scoppiettante a un cuore di carne tenero e profumato». Il sistema ha poi sviluppato una vera e propria analisi sensoriale: «La crosta: il calore vivo del forno a legna crea una superficie dorata, croccante e saporita, ricca del profumo caratteristico della legna bruciata. La carne: la cottura lenta e prolungata scioglie i grassi naturali del maiale, lasciando le fibre interne morbidissime e succose. Il profumo: il mix di spezie interno - che spesso include rosmarino, aglio, pepe nero e sale aromatico - si sprigiona al primo taglio. Il gusto: è un equilibrio perfetto tra la sapidità della crosta e la dolcezza speziata della carne magra».

Quando alla richiesta è stata aggiunta una fotografia, il risultato è invece diventato molto più circoscritto: «Porchetta cotta, caratterizzata da una crosta croccante e dorata, legata con dello spago da cucina su un tagliere di legno. Pelle (cotenna): dorata, lucida e molto croccante. Formato: arrosto di maiale legato strettamente per mantenere la forma e la succosità. Taglio: posizionato su un tagliere di legno, pronto per essere affettato». Il confronto mette in evidenza un aspetto interessante: la fotografia ha contribuito a restringere il campo delle informazioni prodotte, perché il sistema si è maggiormente attenuto a ciò che risultava visibile nell’immagine, arrivando però a considerazioni in alcuni casi banali o comunque imprecise.

Ed è proprio qui che emerge il limite principale dell’intelligenza artificiale quando viene chiamata a commentare un piatto: la mancanza di un’esperienza reale. L’IA non assaggia fisicamente il cibo, non ne percepisce direttamente profumo, temperatura, consistenza o persistenza gustativa. Può elaborare ciò che le viene fornito, riconoscere schemi e costruire descrizioni plausibili, ma può anche attribuire al piatto caratteristiche che non ha mai realmente verificato. È probabilmente questa la distinzione fondamentale: l’intelligenza artificiale può analizzare dati, immagini, descrizioni e appunti e trasformarli in un racconto gastronomico, anche molto convincente. Ma tra descrivere un sapore e averlo davvero assaggiato rimane, almeno per ora, una distanza che nessun modello può colmare.