Quesos artesanales mexicanos e inteligencia artificial: un binomio por la calidad, seguridad e identidad

En México, los quesos artesanales representan una expresión valiosa del patrimonio gastronómico y alimentario. Su identidad sensorial y su carácter único se deben, en gran medida, a su microbiota: el conjunto de microorganismos que influyen en el sabor, textura e inocuidad del producto. Sin embargo, estos quesos enfrentan desafíos importantes durante la comercialización. La alta variabilidad microbiológica, la falta de estandarización en los procesos y los riesgos asociados a la seguridad alimentaria, especialmente en productos elaborados con leche cruda, complican su regulación y limitan su posicionamiento comercial. A ello se suma que muchas prácticas tradicionales no están documentadas, lo que dificulta tanto su reconocimiento como el diseño de estrategias para mejorar su calidad, sin perder autenticidad y tipicidad.

Frente a esta situación, la inteligencia artificial (IA) surge como una herramienta innovadora con potencial para comprender y fortalecer la producción artesanal de alimentos. La IA tiene la capacidad de simular funciones cognitivas humanas como el aprendizaje, la percepción y la toma de decisiones. Dentro de ella, destaca el aprendizaje automático (machine learning), una subdisciplina que entrena sistemas para reconocer patrones complejos en grandes volúmenes de datos (Hernández et al., 2022). Aunque suele asociarse con sectores como la medicina, economía o agricultura, el aprendizaje automático también ha comenzado a aplicarse en la producción de alimentos tradicionales. Por ejemplo, se ha utilizado para identificar el perfil microbiano distintivo de quesos europeos como un marcador de autenticidad (Kamilari et al., 2022), para detectar adulteraciones en leche (Beck et al., 2024) e incluso para predecir la presencia de patógenos como Listeria monocytogenes a partir de variables ambientales (Pang et al., 2017).

Un esfuerzo desde el CIAD: IA aplicada a quesos artesanales mexicanos

Como parte de un esfuerzo innovador, el Centro de Investigación en Alimentación y Desarrollo (CIAD) impulsa investigaciones que aplican modelos de aprendizaje automático para predecir cómo las condiciones ambientales y las prácticas artesanales de elaboración influyen en la microbiota y la inocuidad de quesos mexicanos producidos en distintas regiones del país. Esta iniciativa busca aportar herramientas científicas que fortalezcan la seguridad alimentaria de estos productos tradicionales, sin comprometer su diversidad ni su valor cultural.

Aprendizaje automático: cómo aprende la IA

Así como las personas necesitamos observar, leer o practicar para aprender, la IA también necesita alimentarse con información. Esta fase se conoce como “alimentación de datos”, y es fundamental para que los algoritmos puedan entrenarse y hacer predicciones útiles (Freire et al., 2025, Taiwo et al., 2024).

Esto es especialmente importante en la producción artesanal, donde cada queso refleja no solo los ingredientes utilizados, sino también las técnicas aplicadas por las y los productores (saber hacer) y el entorno (territorio o terroir) donde se elabora. Además, factores como la temperatura y humedad (ambiente), los utensilios, el manejo de la leche cruda y los tiempos de fermentación (arte quesero) influyen directamente en el desarrollo microbiano y por ende en las características propias de cada tipo de queso (figura 1).

Por eso, la investigación del CIAD recopila datos de distinta naturaleza:

• Microbiológicos, obtenidos mediante secuenciación masiva.
• Prácticas de elaboración, documentadas a través de entrevistas o encuestas a productores.
• Condiciones ambientales, extraídas de fuentes oficiales como el Servicio Meteorológico Nacional.

Figura 1. Factores que influyen en las características del queso.

Los datos obtenidos son demasiado grandes y complejos para procesarse manualmente, pero la IA puede analizarlos para encontrar relaciones clave. Así, es posible anticipar riesgos, estandarizar buenas prácticas y fortalecer la identidad de los quesos sin comprometer su diversidad (Freire et al., 2025).

 Entrenamiento y elección de modelos predictivos: cómo “piensa” la IA

Una vez que la IA cuenta con los datos necesarios, comienza su entrenamiento a través de modelos matemáticos que permiten identificar patrones entre las variables y realizar predicciones (Namkung, 2020; Wang et al., 2022). En la investigación en curso, por ejemplo, se aplican modelos que clasifican quesos según su microbiota dominante o su nivel de riesgo sanitario, y predicen cómo cambiarán los microorganismos durante el proceso de elaboración.

Dos modelos especialmente útiles son:

Random Forest, que combina múltiples decisiones simples para detectar qué factores influyen más en la inocuidad.

Redes neuronales, que imitan el funcionamiento del cerebro y permiten identificar patrones complejos a lo largo del tiempo.

Estos modelos permiten no solo comprender el comportamiento microbiano, sino también anticipar problemas y sugerir ajustes en las prácticas de elaboración para favorecer bacterias benéficas y reducir microorganismos indeseables (Beck et al., 2024; Loddo et al., 2025).

Retos y perspectivas

Aunque la inteligencia artificial representa una herramienta poderosa, su aplicación en el ámbito de la quesería artesanal enfrenta varios desafíos. Uno de ellos es la disponibilidad de bases de datos amplias y bien estructuradas, necesarias para entrenar los modelos con precisión (Hernández et al., 2022, Grenner et al., 2022). Otro reto fundamental es generar confianza y establecer puentes de colaboración con las y los productores queseros artesanales, reconociendo y valorando sus conocimientos. En muchos casos, existe desconfianza hacia los estudios científicos, por lo que es importante reiterar que nuestro propósito es apoyar a mejorar la inocuidad de este delicioso alimento, para coadyuvar a evitar pérdidas económicas y reforzar la identidad de los quesos artesanales mexicanos.

Referencias

Beck, K. L., Haiminen, N., Agarwal, A., Carrieri, A. P., Madgwick, M., Kelly, J. y Ganda, E. (2024). Development and evaluation of statistical and artificial intelligence approaches with microbial shotgun metagenomics data as an untargeted screening tool for use in food production. mSystems, 9(11): e00840-24.

Freire, P., Freire, D. y Licon, C. C. (2025). A comprehensive review of machine learning and its application to dairy products. Critical reviews in food science and nutrition, 65(10): 1878-1893.

Greener, J. G., Kandathil, S. M., Moffat, L. y Jones, D. T. (2022). A guide to machine learning for biologists. Nature Reviews Molecular Cell Biology, 23(1): 40–55.

Hernández Medina, R., Kutuzova, S., Nielsen, K. N., Johansen, J., Hansen, L. H., Nielsen, M. y Rasmussen, S. (2022). Machine learning and deep learning applications in microbiome research. ISME communications, 2(1): 98.

Loddo, A., Di Ruberto, C., Armano, G. y Manconi, A. (2025). Detecting coagulation time in cheese making by means of computer vision and machine learning techniques. Computers in Industry, 164: 104173.

Namkung, J. (2020). Machine learning methods for microbiome studies. Journal of Microbiology, 58(3): 206-216

Taiwo, O. R., Onyeaka, H., Oladipo, E. K., Oloke, J. K. y Chukwugozie, D. C. (2024). Advancements in predictive microbiology: integrating new technologies for efficient food safety models. International Journal of Microbiology, 2024(1): 6612162.

Wang, X., Bouzembrak, Y., Lansink, A. O. y Van Der Fels‐Klerx, H. J. (2022). Application of machine learning to the monitoring and prediction of food safety: a review. Comprehensive Reviews in Food Science and Food Safety, 21(1): 416-434.

Zago, M., Rossetti, L., Bardelli, T., Carminati, D., Nazzicari, N. y Giraffa, G. (2021). Bacterial community of Grana Padano PDO cheese and generical hard cheeses: DNA metabarcoding and DNA metafingerprinting analysis to assess similarities and differences. Foods, 10(8): 1826.

Zedda, L., Perniciano, A., Loddo, A. y Di Ruberto, C. (2024). Understanding cheese ripeness: an artificial intelligence-based approach for hierarchical classification. Knowledge-Based Systems, 295: 111833.

Kamilari, E., Tsaltas, D., Stanton, C. y Ross, R. P. (2022). Metataxonomic mapping of the microbial diversity of irish and Eastern Mediterranean cheeses. Foods, 11: 2483.

Autores(as): Román Rodríguez-Ramírez, estudiante del Doctorado en Ciencias del CIAD; Lourdes Santiago-López, Lilia M. Beltrán-Barrientos, José I. Méndez-Romero, investigadoras(es) posdoctorales por México; Adrián Hernández-Mendoza, Belinda Vallejo-Cordoba y Aarón F. González-Córdova, investigadores(as) de la Coordinación de Tecnología de Alimentos de Origen Animal del CIAD y miembros por México de la Red para el Fomento de la Calidad e Inocuidad en Queserías Artesanales en Iberoamérica (QuesArte Iberoamérica) del Programa Iberoamericano de Ciencia y Tecnología para el Desarrollo (Cyted). 

CITACIÓN SUGERIDA:

Rodríguez Ramírez R. et al (2025, 29 agosto). Quesos artesanales mexicanos e inteligencia artificial: un binomio por la calidad, seguridad e identidad. Oficina de Prensa. Centro de Investigación en Alimentación y Desarrollo (CIAD).