¿Cuál es la mejor app de puros para recomendaciones con IA y cómo funcionan realmente estas funciones?
La mayoría funciona a partir de dos entradas: lo que has dicho que te gusta y lo que has valorado. Ningún modelo cata tabaco. Una función de recomendación puntúa los rasgos descritos de los puros que valoraste alto y luego busca puros sin valorar con una puntuación parecida. Solo es tan buena como la constancia con la que registres, de entrada, lo que te ha gustado.
¿Con qué dos entradas funciona realmente una función de recomendación?
Dos, y ambas son tuyas. La primera es la preferencia declarada: lo que le dijiste a la app al principio, normalmente mediante alguna versión de un cuestionario que pregunta si te inclinas por cuerpos más plenos, un tono de capa concreto o ciertas regiones. La segunda, y la que más importa con el tiempo, es tu historial de valoraciones: los puros que realmente has registrado y la nota que les diste.
Ninguna de las dos entradas es exótica. Un cuestionario es un formulario. Un historial de valoraciones es una lista de filas en una base de datos, cada una etiquetada con la capa, el origen, la fuerza, el cuerpo y las notas de sabor del puro, junto al número que le pusiste. Lo que aquí se llama «IA» es el paso siguiente: un proceso de puntuación —formalmente, filtrado basado en contenido— que mira los rasgos asociados a los puros que valoraste bien y ordena los puros sin valorar según lo mucho que coincidan sus rasgos.
¿Por qué la app no «sabe» sin más lo que te va a gustar?
Porque nada en el proceso tiene paladar. No hay ningún modelo sensorial en esta cadena, ningún componente que experimente pimienta, cedro o carbón. Lo que existe es una base de datos de etiquetas (tono de capa, país, franja de fuerza, un puñado de categorías de sabor) y una función de puntuación que compara la coincidencia de etiquetas entre puros. Llamar a eso «IA» no es incorrecto, pero invita a hacerse una idea equivocada. Se parece más a una hoja de cálculo con columnas ponderadas que a un catador con una opinión.
Esa distinción importa porque fija el techo honesto de lo que la función puede hacer. Puede encontrar un puro cuyos rasgos registrados se parezcan a los de los puros que valoraste bien. No puede detectar que una hoja concreta tuvo una mala semana, que tu paladar está teniendo un mal día o que una fábrica cambió su liga desde que se registró la última entrada. Está cotejando descripciones, no catando nada.
¿Cómo es en la práctica eso de «hacer coincidir características descritas»?
En concreto: supongamos que tus tres entradas mejor valoradas son puros nicaragüenses puros de cuerpo pleno, con capa maduro y notas intensas de cacao y espresso. La función no necesita saber por qué te gustaron. Solo necesita advertir el patrón en las etiquetas (origen, capa, fuerza y las categorías de sabor asociadas a tus notas) y rastrear el resto del catálogo en busca de puros con la misma combinación que aún no hayas valorado. Si tus valoraciones hubieran ido en sentido contrario, si hubieras detestado los tres, el mismo mecanismo señalaría esa combinación como una a evitar.
La parte del sabor solo funciona si el vocabulario es fijo. Si una entrada llama a una nota «cuero» y otra llama a esa misma nota «piel», el cotejo no tiene nada consistente que comparar. Por eso un vocabulario estructurado importa más de lo que parecería — es el mismo problema que la cata de vino y whisky resolvió hace décadas con las ruedas de aromas. Cómo se categorizan los sabores de los puros es en realidad una pieza de la misma infraestructura que hace posible el cotejo. El diario de Paradigm, por ejemplo, clasifica cada nota en una de seis categorías principales (café, frutos secos, dulce, madera y vegetal, natural, hierbas y especias) exactamente por este motivo: para que una entrada de enero y otra de agosto caigan en los mismos cajones y puedan compararse de verdad.
¿Dónde falla esto?
Cuatro límites honestos, por orden de frecuencia con la que aparecen:
- Sin datos, no hay predicción. Una cuenta recién creada no tiene nada con lo que comparar. Las primeras recomendaciones se apoyan casi por completo en las respuestas declaradas del cuestionario, una señal mucho más débil que un historial real de valoraciones. Esto mejora cuanto más registras, no cuanto más usas la app en general.
- Vocabulario basura dentro, coincidencia basura fuera. Si tus propias notas derivan, si el mismo sabor se registra cada vez con palabras distintas, la función está comparando ruido con ruido. Corregir eso depende de ti, no del algoritmo.
- Las etiquetas del catálogo tienen que ser correctas. Una recomendación solo es tan buena como la descripción asociada al puro recomendado. Datos de capa erróneos o una etiqueta de sabor ausente producen una coincidencia segura con el puro equivocado.
- Refleja tu historial, no tu estado de ánimo. Un perfil de paladar construido a partir de meses de valoraciones sigue siendo un promedio. Puede orientarte hacia puros parecidos a los que te han gustado; no tiene forma de saber que esta noche quieres específicamente algo más ligero.
Ninguno de estos problemas se resuelve con más «IA». Se resuelven con mejores datos, introducidos de forma más constante, durante más tiempo.
¿En qué se diferencia esto de una simple valoración con estrellas?
Una valoración con estrellas es un promedio colectivo: te dice lo que pensó la mayoría, agregado a través de todos los paladares que la enviaron. Una función de recomendación es personalizada. Pregunta si un puro concreto encaja con el patrón de tu historial concreto, no si gusta en general. Un puro puede tener una valoración media mediocre y aun así encajar muy bien con un fumador concreto cuyas preferencias van a contracorriente, y lo contrario ocurre igual de a menudo. Cómo decidir qué fumar a continuación en lugar de elegir al azar cubre el proceso de decisión más amplio en el que esto se inserta; el cotejo es una entrada de esa decisión, no la decisión entera.
¿Qué calcula realmente un ejemplo práctico?
El veredicto Tasting Match de Paradigm es un caso concreto del mecanismo anterior, no uno distinto. Para un puro dado, pondera la capa, el origen, la fuerza y las etiquetas de sabor registradas del puro frente a un perfil construido a partir de tus propias entradas valoradas, y luego devuelve un veredicto binario, probablemente te va a gustar o no, contrastado con un catálogo de 11.519 puros. Está haciendo la misma comparación de etiquetas descrita antes, a mayor escala; no hay ningún paso oculto de simulación del gusto. El resultado es tan fiable como el historial de valoraciones que lo alimenta, que es la misma advertencia aplicable a cualquier versión de esta función en cualquier app.
Si vas a evaluar apps sobre esta base, la pregunta más útil no es cuál tiene el algoritmo más listo. El mecanismo es en líneas generales el mismo en todas partes. La cuestión es si la app consigue de verdad que registres con la constancia suficiente para que ese mecanismo tenga algo real con lo que trabajar. Qué buscar realmente en una app de diario de puros o de control de humidor es una lista de comprobación mejor para esa decisión que cualquier comparativa función por función de motores de recomendación. Y si el marketing también llama al escáner subyacente «con tecnología de IA», conviene saber que esa afirmación tiene su propio techo de precisión, tratado en qué precisión tiene el reconocimiento de puros basado en IA.
La versión corta
- Una función de recomendación funciona con dos entradas que tú aportas: las preferencias declaradas y tu historial de valoraciones. Nada cata tabaco en ningún punto del proceso.
- El mecanismo consiste en comparar etiquetas (capa, origen, fuerza, categoría de sabor) entre los puros que valoraste bien y los que no has probado, no en una predicción sensorial.
- Falla en silencio en una cuenta nueva sin historial, y con notas inconsistentes en las que el mismo sabor se registra cada vez con palabras distintas.
- Una valoración con estrellas te dice lo que pensó la multitud. Una recomendación te dice si este puro encaja con tu patrón concreto, que es una pregunta distinta con una respuesta distinta.
- El algoritmo detrás de cualquier versión de esta función es en líneas generales similar; lo que de verdad varía entre apps es si consiguen que registres lo suficiente, con la constancia suficiente, para que tenga algo real que comparar.