La carta de vinos está abierta entre dos personas.
Una dice: «Normalmente me gustan los tintos». La otra recuerda una botella del invierno pasado: la fruta era deliciosa, pero el final le resultó demasiado secante. Ninguna quiere una conferencia. Quieren algo que acompañe la cena.
Un teléfono puede poner una recomendación sobre la mesa en segundos. También puede colocar una explicación sorprendentemente específica junto al vino equivocado.
La diferencia no está en la seguridad con que termina la frase.
Está en lo que ocurrió antes de que comenzara.
En el artículo anterior del Cellar Journal preguntamos qué evidencia sostiene una afirmación sobre la elaboración. Ahora dirigimos esa pregunta hacia el asistente que recomienda, incluido el nuestro.
Una IA conversacional no puede catar la copa que tienes delante. Puede ayudar a interpretar evidencia, contexto y preferencias, siempre que no oculte los vacíos entre esos elementos.
No es un argumento contra la tecnología. Es el punto de partida para utilizarla bien.
¿Puede una IA catar vino?
Una conversación sobre un vino no es una muestra sensorial de ese vino. Un asistente que recibe una fotografía, una carta y tus palabras tiene información sobre la botella y tu experiencia. No ha recibido el líquido, su aroma ni la sensación secante que notas después del sorbo.
Esta distinción no significa que el análisis sensorial asistido por máquinas sea imaginario. Existen lenguas electrónicas que combinan sensores físicos y aprendizaje automático para clasificar muestras líquidas. El sensor debe interactuar con la muestra; esa capacidad no aparece en un teléfono por fotografiar una etiqueta. Liu y colaboradores, 2024
Un estudio de Burdeos clasificó la procedencia de 80 vinos de siete propiedades mediante cromatogramas de gases. Es química de muestras, no reconocimiento de fotografías de cartas ni predicción del placer. El hallazgo corresponde a los vinos y la tarea estudiados. Schartner y colaboradores, 2023; corrección, 2024
Una medición, una clasificación y una recomendación personal responden preguntas distintas.
Un asistente no necesita confundirlas para resultar útil.
El trabajo útil ocurre entre la pregunta y la elección
Un asistente de vinos puede ayudar a organizar un problema que se ha vuelto demasiado grande para el momento: nombres desconocidos, varias opciones razonables, un plato que está por llegar y preferencias más fáciles de expresar con palabras cotidianas que en una ficha de cata.
Un diseño sensato separa tres tareas. Encontrar la evidencia pertinente. Comparar las opciones disponibles. Explicar por qué se propone una de ellas. Pueden intervenir componentes de software diferentes; no todo recomendador es un modelo de lenguaje ni todo chatbot fluido tiene detrás un sistema de recomendación fiable.
La investigación vinícola ilustra qué significa aprender de la evidencia. WineSensed combinó etiquetas y reseñas con un experimento de cata de 256 participantes. Las relaciones sensoriales procedían de personas que comparaban vinos. Un modelo podía aprender de esas observaciones sin haber experimentado los vinos por sí mismo. Bender y colaboradores, 2023
Un estudio de comercio electrónico de 2026 combinó atributos del vino, reseñas y relaciones entre usuarios para 1.685 vinos y 12.361 usuarios. Informó mejoras en métricas de ordenación de recomendaciones frente a su referencia seleccionada. Esos resultados apoyan ese enfoque concreto; no establecen cuánto disfrutó una persona de una botella abierta después. Liou, Hong y Cheng, 2026
La oportunidad es considerable. Pero hay que nombrar la tarea: identificar, recuperar información, ordenar opciones y satisfacer a una persona no son una única medida intercambiable de éxito.
Primero, asegúrate de que sea el vino correcto
Antes de interpretar una nota de cata, establece a qué vino pertenece.
Productor, cuvée, añada, región, tamaño de botella y categoría pueden importar. Reconocer un productor no autoriza a sustituir una cuvée por otra. Una añada ausente es información ausente, no una invitación a tomar prestada la más conveniente.
Veamos un ejemplo deliberadamente sencillo: una carta muestra el productor y el pueblo, pero omite la cuvée. La base de datos contiene tres coincidencias posibles. Elegir la primera y adjuntarle una nota detallada enriquece la apariencia de la respuesta mientras debilita su fundamento.
Una respuesta mejor conserva la ambigüedad: «Encontré varias posibles referencias. El estilo general orienta, pero falta confirmar la cuvée exacta».
La identificación tampoco resuelve el estado. El AWRI describe circunstancias en que el carácter asociado con Brett puede variar entre botellas por diferencias en células, cierres o conservación. Una ficha de catálogo no inspecciona la botella concreta que el camarero está a punto de abrir. AWRI
Del mismo modo, aparecer en una carta no confirma las existencias de esta noche. Una ficha de una tienda no demuestra disponibilidad cerca de ti. Son comprobaciones independientes, no detalles que pueda aportar una prosa más elegante.
La ficha describe un vino; no inspecciona esta botella.
Una fuente solo ayuda cuando respalda la frase
Una ficha del productor para la añada correcta puede respaldar la composición o un detalle de crianza. Una nota independiente registra la observación sensorial de alguien. Tu diario registra la tuya. Una descripción regional ofrece contexto más amplio. Ninguna debería hacerse pasar silenciosamente por otra.
Una investigación con expertos en vino y café encontró una ventaja moderada y específica del ámbito en la comunicación aromática de los expertos en vino, no una precisión universal al nombrar. El lenguaje profesional es evidencia valiosa, no una lectura química infalible. Croijmans y Majid, 2016
Aquí puede ayudar la recuperación de información. El trabajo original sobre generación aumentada por recuperación combinó un modelo de lenguaje con pasajes externos y mejoró la generación de lenguaje factual frente a la referencia estudiada. No estableció que toda página recuperada sea correcta ni que cualquier sistema posterior que utilice esa técnica sea fiable. Lewis y colaboradores, 2020
Conectar un catálogo de vinos tampoco es lo mismo que entrenar un modelo con él. Un sistema puede consultar fichas al responder sin que esas fichas se hayan utilizado para modificar el modelo durante su entrenamiento. La comunicación del producto debería explicar qué configuración se utiliza realmente. La explicación de IBM
El perfil de riesgos de IA generativa del NIST identifica como un riesgo la información falsa presentada con seguridad, incluido el material que aparenta respaldarla. NIST, 2024
En la mesa, la precaución es práctica: una cita debe conducir a la afirmación pertinente, para el vino pertinente y con sus límites intactos. Tres descripciones comerciales copiadas no son automáticamente tres observaciones independientes.
Una fuente no es decoración al final de un párrafo convincente.
Tu paladar es una hipótesis de trabajo, no una etiqueta permanente
«Me gustan los tintos» invita a hacer una pregunta mejor.
Quizá la persona busca fruta fresca, peso moderado y taninos suaves. Quizá quiere intensidad, fruta oscura y un final firme. Son puntos de partida diferentes, incluso antes de hablar de la cena.
Preferimos comenzar con unos contrastes concretos: fruta fresca o muy madura; agarre suave o firme; roble discreto o evidente; algo conocido o una exploración. Son propuestas editoriales para conversar mejor, no un cuestionario diagnóstico validado.
Un perfil construido con pocas respuestas debe seguir siendo provisional. La próxima observación útil puede corregirlo. «Demasiado seco» puede significar poca dulzura, una textura secante o simplemente una palabra prestada. Conviene preguntar a qué sensación se refiere antes de convertirla en una preferencia permanente.
La ocasión va junto al perfil. El plato, la salsa, la compañía y las ganas de explorar pueden justificar una propuesta distinta de la anterior. En un restaurante, muestra los precios de la carta y respeta cualquier límite de gasto que indique la persona. No importes silenciosamente un presupuesto antiguo de compra en tienda ni exijas una respuesta sobre presupuesto cuando la carta y la petición ya permiten recomendar de forma útil.
Quien pide no beber alcohol merece que esa petición sea una restricción, no algo que pueda quedar por debajo de una puntuación alta de compatibilidad. El motivo no tiene por qué formar parte de la conversación.
La personalización debe dejar espacio a la persona que está aquí esta noche.
Una puntuación de compatibilidad no es automáticamente una probabilidad
Imagina una pantalla que muestra 92/100 de compatibilidad. Es una cifra ilustrativa, no un resultado medido de nuestra app.
Podría resumir la similitud entre el perfil de un vino y las preferencias expresadas. Podría servir para ordenar candidatos. Ninguna interpretación demuestra automáticamente una probabilidad del 92 % de que esta persona disfrute esta botella.
La calibración pregunta si las probabilidades estimadas corresponden a la frecuencia de aciertos observada. Experimentos de clasificación de imágenes y documentos encontraron que un buen rendimiento no aseguraba confianza calibrada. No evaluaron el disfrute del vino. Guo y colaboradores, 2017
En un servicio de vinos, pregunta qué mide la puntuación, qué resultados se comprobaron y cómo la afecta la información ausente. Si pretende representar una probabilidad de disfrute, necesita validación contra ese resultado, no simplemente un símbolo de porcentaje.
Mantén separados tres juicios: confianza en la identificación de la botella, solidez de la evidencia y compatibilidad estimada con las preferencias. Un vino bien identificado puede encajar mal. Un estilo atractivo puede estar asociado con una identificación incierta.
Una puntuación puede ordenar las opciones; no puede decirte qué tienes que disfrutar.
Una explicación debería facilitar el desacuerdo
«Este es perfecto para ti» cierra la conversación demasiado pronto.
«Dijiste que prefieres fruta sin un final muy secante, y esta opción parece acercarse más» ofrece algo que confirmar o corregir, siempre que la descripción del vino esté realmente respaldada.
Que una explicación sea comprensible tampoco demuestra que el sistema haya utilizado la evidencia correcta. Un estudio de 2023 encontró que los modelos de lenguaje evaluados podían producir explicaciones plausibles sin revelar influencias que modificaban sus respuestas. El hallazgo corresponde a esos modelos y experimentos, no es un veredicto sobre todos los asistentes actuales. Turpin y colaboradores, 2023
Los principios de explicabilidad del NIST también distinguen ofrecer una explicación de conseguir que sea comprensible, exacta y consciente de sus límites. NIST, 2021
El criterio práctico no es una narración extensa de cálculos invisibles. Es una justificación breve y comprobable: qué información respalda la elección, qué preferencia importa, qué contrapartida queda y qué podría cambiar la respuesta.
Considera este ejemplo ficticio de servicio. Las descripciones verificadas de dos vinos de una carta caracterizan A como frutal y de taninos más suaves, y B como más firme y con roble más evidente. La persona prefiere menos sensación secante. Ambos precios están visibles y ninguno contradice un límite expresado.
Una recomendación útil podría decir:
Empezaría por A porque su estilo documentado se acerca más al final suave que pediste. B sería la alternativa si esta noche prefieres más estructura. No he evaluado el estado de ninguna de las botellas; el camarero puede confirmar la añada disponible.
No es la transcripción de una respuesta real de la app ni de una cata. Ilustra un criterio propuesto: una elección clara sin certeza inventada.
Ahora la persona puede decir: «En realidad, hoy me apetece el más firme».
Eso no significa que la recomendación haya fracasado. La conversación se está volviendo más precisa.
La confianza debe seguir a la evidencia, no a la presentación
El vino permite observar cómo la información entra en una experiencia. En un experimento controlado, presentar vinos con información de precios diferente modificó el agrado declarado. No significa que el placer fuera falso ni que el precio siempre domine; muestra que el mensaje que rodea la experiencia puede importar. Plassmann y colaboradores, 2008
Una recomendación de IA añade otro mensaje: una voz segura, una puntuación precisa, quizá un presentador virtual muy cuidado. Son motivos para examinar la evidencia, no sustitutos de ella.
Un artículo de 2026 sobre experiencia algorítmica en vino propone un marco conceptual que relaciona transparencia, presentación de las fuentes y confianza. Es una contribución teórica, no un ensayo con consumidores que demuestre que una interfaz concreta mejora las decisiones. Heussner y Hanf, 2026
Para Ask Sommelier AI, el objetivo debería ser una confianza justificada, no la mayor confianza posible. Un sistema útil puede decir «este es mi candidato más sólido» y, al mismo tiempo, «este detalle sigue sin confirmar».
También debería distinguir una recomendación sensorial de una posición patrocinada o un incentivo comercial cuando existan esos acuerdos. La transparencia sobre el motivo de una posición acompaña a la transparencia sobre el vino.
Aprender no debería reducir el mundo
«Lo compré» no equivale a «lo disfruté». «Lo disfruté» no equivale a «no me recomiendes nada más».
Un estudio de simulación mostró que entrenar recomendadores con conductas ya influidas por recomendaciones podía homogeneizar esas conductas sin aumentar la utilidad. No fue una prueba con consumidores de vino. Aquí sirve como advertencia de diseño sobre aprender de la propia influencia. Chaney, Stewart y Engelhardt, 2018
Nuestra respuesta editorial consiste en dejar espacio a la corrección y la exploración. Preguntar qué funcionó: fruta, textura, contención, frescura, maridaje u ocasión. Preguntar qué no funcionó. Distinguir rechazar una recomendación de no disfrutar el vino después de probarlo.
No se trata de entrenar al comensal para que esté de acuerdo con su perfil.
Una recomendación útil aprende del desacuerdo en lugar de justificarlo para descartarlo.
La memoria necesita permiso y límites
Personalizar no es una razón para recoger todo lo que una persona pueda revelar.
Nuestro criterio es explicar qué se recuerda, por qué ayuda, quién puede acceder y cómo corregirlo o eliminarlo. Guardar una preferencia de cata, conservar una conversación, utilizar un proveedor externo y entrenar un modelo de propósito general son actividades diferentes; un permiso no debe convertirse silenciosamente en autorización para todas.
El Privacy Framework del NIST trata la privacidad como una cuestión de gestión de riesgos en el diseño de productos y servicios. Es una orientación voluntaria, no una certificación de cumplimiento para una app de vinos. NIST Privacy Framework
En Ask Sommelier AI, consulta el aviso de privacidad vigente para conocer la política publicada. Este artículo no audita de manera independiente su aplicación ni crea nuevas promesas sobre el tratamiento de datos.
Una persona no debería tener que ofrecer detalles médicos o religiosos para que se respete «esta noche no quiero alcohol». Tampoco los gustos de otra persona, conocidos durante una cena compartida, deberían convertirse automáticamente en información para revelar al siguiente invitado.
Recordar bien también implica saber qué no debemos suponer.
La persona en la mesa sigue importando
Un camarero puede comprobar qué añada hay realmente en la bodega. Un sommelier con la botella delante puede inspeccionar el cierre, oler una muestra recién servida y conversar sobre el plato. Un comensal puede explicar que un vino en buen estado sencillamente le resulta demasiado firme.
Un asistente remoto puede apoyar esas conversaciones. No puede sustituir la observación física ausente por una redacción más segura.
No es una competición en la que humanos o software deban ganar todas las tareas. Una persona puede pasar por alto una ficha; el software puede organizarla de forma útil. El software puede perder el contexto; una persona puede aclararlo. La colaboración útil facilita esos intercambios.
Y la hospitalidad incluye una respuesta sin botella. Rechazar el alcohol, declinar la recomendación o elegir algo conocido no convierte al comensal en un usuario fallido.
Las seis capas de una recomendación confiable
El siguiente es un marco editorial de Ask Sommelier AI, no una prueba certificada ni evidencia de que todas las funciones descritas estén implementadas. Su objetivo es permitir examinar una recomendación sin convertir la cena en una revisión de software.
1. Evidencia de la botella
¿De qué vino y añada hablamos? Separa identidad confirmada, notas de cata atribuidas, información del productor e inferencias generales. Mantén visibles los datos que faltan.
2. Contexto de consumo
¿Qué se sirve, qué hay disponible y qué quiere la persona esta noche? Utiliza los precios reales de la carta cuando estén disponibles. Respeta las restricciones expresas sin crear preguntas innecesarias.
3. Modelo de paladar
¿Qué preferencias declaradas o reacciones anteriores importan? Trátalas como información revisable. Pide una aclaración cuando una palabra cotidiana pueda describir sensaciones distintas.
4. Incertidumbre
¿Por dónde podría cambiar la recomendación? Distingue identidad desconocida, evidencia incompleta, incertidumbre de preferencias y estado de botella no observado. No escondas todo dentro de una cifra impresionante.
5. Explicación
Ofrece una elección clara, una razón respaldada y su contrapartida pertinente. Explica por qué una alternativa próxima podría servir a otra preferencia. La explicación debe permitir discrepar con criterio.
6. Comentarios del usuario
Registra lo que la persona realmente comunica, sin reescribirlo para que encaje con la predicción. Conserva la opción de explorar, actualizar preferencias, no compartir información o dejar de utilizar la recomendación.
La secuencia es evidencia de la botella → contexto de consumo → modelo de paladar → incertidumbre → explicación → comentarios del usuario.
Ninguna capa puede asumir silenciosamente el trabajo de las seis.
El criterio que fijamos para Ask Sommelier AI
Nuestro Manifiesto sitúa el paladar personal y el regreso a la mesa por encima de la exhibición. Este artículo convierte esa intención editorial en criterios con los que se puede cuestionar una recomendación.
No son una afirmación de que tengamos acceso de laboratorio a tu botella, un algoritmo de compatibilidad perfecto o una tasa de éxito validada de manera independiente. Las capacidades actuales deben estar respaldadas por el producto publicado y su documentación; las mejoras previstas deben seguir identificadas como planes.
Un servicio debería comprobar más que la capacidad de sonar convincente. ¿Identifica una referencia difícil de la carta? ¿Mantiene separadas las añadas? ¿Conecta una afirmación con su fuente correcta? ¿Respeta una restricción expresa? ¿Reconoce una coincidencia incierta? ¿Revisa la propuesta cuando el usuario la corrige? Son preguntas de evaluación propuestas, no resultados que estemos comunicando aquí.
La respuesta a «¿por qué usar un sommelier con IA?» debe ser práctica: porque ayuda a elegir con menos confusión y más información pertinente, no porque pide renunciar al criterio propio.
La última palabra pertenece a la mesa
Regresemos a las dos personas y a la carta abierta.
La respuesta útil no es necesariamente la que acumula más adjetivos de cata. Es la que conecta una descripción creíble del vino con la fruta que una persona disfrutó, el agarre que la otra preferiría evitar y la cena que están a punto de compartir.
Durante esta temporada separamos nombres y garantías, métodos y sabores obligatorios, protección y certeza, consejos de servicio y rituales. La IA merece la misma disciplina. Su valor está en mantener útiles esas distinciones cuando llega el momento de decidir.
El sistema puede llevar la evidencia hasta la mesa. La autoridad final sigue perteneciendo a quien sostiene la copa.
Elige, prueba cuando corresponda, observa y revisa. La tecnología ha cumplido su función cuando la conversación puede volver a la cena.
Preguntas frecuentes
¿Un sommelier con IA puede catar realmente mi vino?
Un asistente conversacional que trabaja con texto o imágenes no ha tomado una muestra de tu vino. Los sistemas de laboratorio pueden analizar muestras físicas mediante sensores o cromatografía, pero son datos y tareas diferentes, no una capacidad que aporte una fotografía de la etiqueta. Liu · Schartner
¿Cómo recomienda una IA un vino que no ha probado?
Puede comparar descripciones, atributos documentados e información de preferencias. WineSensed muestra aprendizaje a partir de comparaciones sensoriales humanas; otras investigaciones utilizan reseñas y relaciones entre usuarios. Esas vías apoyan predicciones u ordenaciones, no una experiencia sensorial directa. Bender · Liou
¿Una puntuación alta garantiza que me gustará la botella?
No. Su significado depende de cómo se definió y evaluó. Una puntuación de compatibilidad no es automáticamente una probabilidad de disfrute calibrada, y ninguna de ellas mide el estado de una botella concreta sin abrir. Guo
¿Una foto permite saber si el vino tiene olor a corcho o es seguro?
Una imagen corriente de la etiqueta no establece el aroma ni la seguridad química. Un problema visible puede justificar una pregunta, pero una descripción sensorial, una comprobación física apropiada o un análisis son evidencias distintas. No utilices una puntuación de compatibilidad como evaluación de seguridad. AWRI
¿La app recordará todo lo que digo?
No des por hecho que sí ni que no. Consulta el aviso de privacidad vigente y los controles del servicio. Conservación, personalización, intercambio de datos y entrenamiento de modelos son preguntas diferentes. Para este servicio, lee el aviso de privacidad de Ask Sommelier AI.
¿Debo seguir la recomendación si prefiero otro vino?
Una recomendación debe aclarar la elección, no anular una preferencia. Explica qué te atrae de la alternativa o simplemente elígela. Esa respuesta puede servir como comentario útil; no exige una disculpa.
Referencias
- Bender, T., et al. (2023). Learning to Taste: A Multimodal Wine Dataset. NeurIPS 36, Datasets and Benchmarks. Source / Fuente
- Liu, J., et al. (2024). Bioinspired integrated triboelectric electronic tongue. Microsystems & Nanoengineering, 10, 57. Source / Fuente
- Schartner, M., et al. (2023). Predicting Bordeaux red wine origins and vintages from raw gas chromatograms. Communications Chemistry, 6, 247. Source / Fuente · Author correction / Corrección (2024)
- Croijmans, I., & Majid, A. (2016). Not All Flavor Expertise Is Equal: The Language of Wine and Coffee Experts. PLOS ONE, 11(6), e0155845. Source / Fuente
- Liou, J.-H., Hong, Z.-Y., & Cheng, L.-C. (2026). Personalized wine recommendations in e-commerce: Integrating knowledge graphs and graph neural networks. Journal of Information Science, OnlineFirst. Source / Fuente
- Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 33. Source / Fuente
- Autio, C., et al. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. Source / Fuente
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On Calibration of Modern Neural Networks. PMLR, 70, 1321–1330. Source / Fuente
- Turpin, M., Michael, J., Perez, E., & Bowman, S. (2023). Language Models Don’t Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting. NeurIPS 36. Source / Fuente
- Phillips, P. J., et al. (2021). Four Principles of Explainable Artificial Intelligence. NISTIR 8312. Source / Fuente · Official PDF / PDF oficial
- Plassmann, H., O’Doherty, J., Shiv, B., & Rangel, A. (2008). Marketing actions can modulate neural representations of experienced pleasantness. PNAS, 105(3), 1050–1054. Source / Fuente
- Heussner, J., & Hanf, J. H. (2026). AI and Consumer Perception of Expertise: A Conceptual Framework for Studying Algorithmic Trust in Wine Recommendations. Economia agro-alimentare/Food Economy, 28(1). Source / Fuente
- Chaney, A. J. B., Stewart, B. M., & Engelhardt, B. E. (2018). How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility. RecSys 2018. Source / Fuente · Author preprint / Prepublicación de los autores
- Australian Wine Research Institute. Brettanomyces — frequently asked questions, including in-bottle variation. Source / Fuente
- National Institute of Standards and Technology. Privacy Framework — overview. Source / Fuente
- Ask Sommelier AI. Manifesto. Source / Fuente
- Ask Sommelier AI. Privacy. Source / Fuente
- IBM. What is retrieval augmented generation (RAG)? Updated July 24, 2026. Source / Fuente