Large language models miss protein quality in vegan meals

Resumen Técnico: Los Modelos de Lenguaje de Gran Escala fallan en la calidad proteica de las comidas veganas

Planteamiento del problema
Los Modelos de Lenguaje de Gran Escala (LLM) de propósito general se utilizan cada vez más para la planificación de comidas; sin embargo, su fiabilidad nutricional, particularmente en lo que respecta a la calidad de la proteína, no ha sido probada. Esta brecha es crítica dado el cambio hacia dietas basadas en plantas; sin una combinación deliberada de proteínas vegetales, estas dietas suelen ofrecer una proteína de menor calidad. El riesgo aumenta para los adultos mayores, cuya preservación de la masa muscular y contrarrestación de la sarcopenia dependen de una ingesta adecuada de aminoácidos indispensables (IAAs) a nivel de la comida, no solo de los totales diarios. Mientras que las proteínas vegetales varían en composición de IAAs y digestibilidad, las evaluaciones actuales de los LLM en nutrición clínica son mayoritariamente cualitativas y carecen de validación frente a parámetros de referencia cuantitativos y específicos del dominio, como la Puntuación de Calidad de la Proteína de la Comida (MPQS).

Metodología
El estudio llevó a cabo la primera evaluación, a nivel de comida y resuelta por aminoácidos, de dos LLM de vanguardia: ChatGPT (OpenAI, GPT-5.4) y Claude (Anthropic, Claude Opus 4.6).

• Protocolo de generación: Cada modelo generó 250 recetas de cenas veganas de una sola porción para adultos mayores, sumando un total de 500 recetas. La generación se distribuyó de forma determinista entre 25 inspiraciones culinarias y 10 formatos de comida para variar el encuadre cultural y de formato de plato, manteniendo constante la tarea de optimización.
• Restricciones: El prompt solicitó recetas con ≥20 g de proteína por porción y una "buena calidad de proteína" mediante combinaciones inteligentes de proteínas vegetales. Se excluyeron explícitamente suplementos, productos fortificados y sustitutos de comidas. El prompt fue mínimo, evitando instrucciones prescriptivas sobre cómo lograr la calidad, para reflejar un uso realista por parte de profesionales.
• Evaluación: Los ingredientes se mapearon con la Base de Datos de Composición de Alimentos de los Países Bajos (NEVO) y se procesaron a través de la Alpha-Tool. Esta herramienta calcula la MPQS, que integra la ingesta de IAAs ajustada por digestibilidad, la proteína total y los requerimientos personalizados para un adulto mayor de referencia. Una puntuación ≥100 indica una calidad proteica adecuada.
• Análisis estadístico: Las comparaciones utilizaron pruebas t de Welch para variables continuas y pruebas exactas de Fisher para resultados binarios (cumplimiento de umbrales de calidad). La regresión lineal evaluó los efectos de la cocina y el formato de la comida en la MPQS.

Resultos clave

• Cantidad vs. Calidad de la proteína: Todas las 500 recetas generadas cumplieron con el objetivo de cantidad de proteína (≥20 g). Sin embargo, una parte significativa falló el umbral de calidad (MPQS ≥ 100). ChatGPT cumplió el objetivo de calidad en el 81.2% de los casos, mientras que Claude lo logró en solo el 59.6%. En consecuencia, el 18.8% de las recetas de ChatGPT y el 40.4% de las de Claude cumplieron los objetivos de cantidad pero resultaron nutricionalmente inadecuadas respecto a la composición de aminoácidos.
• Divergencia estratégica: Los modelos emplearon estrategias distintas. ChatGPT dependió fuertemente del tofu (97.2% de las recetas), una fuente de proteína casi completa, lo que resultó en una mayor media de proteína (38.5 g) y una mayor MPQS (118.8). En contraste, Claude utilizó una gama más diversa de ingredientes, incluyendo frutos secos, semillas y guisantes, pero cayó con mayor frecuencia en la "trampa de la complementariedad clásica". La metionina fue el aminoácido limitante dominante, lo que restringió el 40.4% de las recetas de Claude frente al 19.6% de las de ChatGPT.
• Variabilidad cultural y de formato: La calidad de la comida dependió fuertemente del encuadre cultural. Las recetas inspiradas en las cocinas japonesa, indonesia, coreana y tailandesa, así como los currys y platos de granos, alcanzaron la MPQS más alta. Por el contrario, las cocinas turca, española y caribeña, junto con sopas y guisos, produjeron las puntuaciones más bajas. Esto indica que los prompts con encuadre cultural conducen a una adecuación de aminoácidos sistemáticamente desigual.

Significación y afirmaciones
El artículo afirma que, si bien los LLM pueden generar de manera fiable planes de comidas lingüísticamente plausibles y que cumplen con la cantidad, fallan silenciosamente en tareas de dominio específico que requieren restricciones científicas cuantitativas. El estudio destaca que la proteína total es un indicador incompleto de suficiencia, especialmente para los adultos mayores.

Los autores afirman que este trabajo demuestra un compromiso entre "calidad y robustez": la alta adecuación de ChatGPT dependió de una estrategia de ingredientes estrecha (tofu) que puede carecer de resiliencia ante restricciones del mundo real como alergias o suministro, mientras que la diversidad de Claude resultó a menudo en insuficiencia nutricional. La conclusión central es que la plausibilidad no debe confundirse con la adecuación nutricional. El artículo propone que, para que la planificación de comidas por IA sea fiable, la generación debe fundamentarse en una infraestructura nutricional curada, como la generación aumentada por recuperación (RAG) junto con controles de calidad automatizados a nivel de comida como la MPQS.

Limitaciones
Los autores señalan que el estudio evaluó cenas individuales en lugar de la completitud del día completo, no evaluó la aceptabilidad por parte del consumidor, el costo o la viabilidad, y dependió de una única base de datos de composición de alimentos. Los hallazgos representan una instantánea de dos modelos específicos bajo un prompt mínimo.