La recente pubblicazione di una classifica delle mense delle principali aziende tecnologiche statunitensi rappresenta un caso interessante di applicazione concreta dell’intelligenza artificiale all’analisi di dati alimentari e organizzativi. Il progetto, ideato dall’ingegnere e artista digitale Riley Waltz, si basa su un sistema automatizzato in grado di raccogliere, interpretare e valutare i menu aziendali, trasformando informazioni eterogenee in un indicatore sintetico della qualità dell’offerta alimentare.
Il sito sviluppato, denominato “For Your Information Lunch”, è stato realizzato in tempi estremamente ridotti grazie all’utilizzo di strumenti di generazione di codice basati su intelligenza artificiale, in particolare OpenAI Codex. Questo elemento introduce una prima riflessione tecnica: la riduzione drastica del tempo di sviluppo, da oltre venti ore a circa un’ora, evidenzia il potenziale degli strumenti di coding assistito nel prototipare rapidamente sistemi complessi. Tuttavia, questa velocità si accompagna spesso a una minore robustezza iniziale, come dimostrato da alcune criticità emerse successivamente.
Il funzionamento del sistema si articola in tre fasi principali, anche se non formalizzate esplicitamente come pipeline tradizionale. In primo luogo, vengono raccolti dati pubblicamente disponibili relativi ai menu aziendali, provenienti da fonti eterogenee come siti ufficiali, piattaforme interne o contenuti condivisi online. Questa fase implica un processo di scraping e normalizzazione dei dati, necessario per trasformare informazioni non strutturate in un formato analizzabile.
Successivamente, interviene il modulo di analisi basato su modelli linguistici, che interpreta i contenuti dei menu e li traduce in categorie nutrizionali e qualitative. In questa fase, l’intelligenza artificiale valuta aspetti come gusto, contenuto proteico, salubrità e aderenza a specifiche diete, assegnando punteggi sintetici. Questo tipo di analisi si basa su inferenze semantiche, in cui il modello associa ingredienti e preparazioni a caratteristiche nutrizionali, spesso senza accesso diretto a dati quantitativi precisi.
Il risultato finale è una classifica comparativa, in cui aziende come NVIDIA e OpenAI emergono ai primi posti. I menu analizzati mostrano una forte componente internazionale e sperimentale, con piatti che spaziano dalla cucina asiatica a quella mediterranea, riflettendo la diversità culturale tipica delle grandi aziende tecnologiche. Tuttavia, i punteggi assegnati evidenziano anche compromessi tra gusto, valore nutrizionale e varietà, suggerendo che l’ottimizzazione di un parametro può avvenire a discapito di altri.
Uno degli aspetti più rilevanti emersi dal progetto riguarda la qualità dei dati. Un episodio significativo ha coinvolto Replit, il cui posizionamento è stato influenzato da un errore sistemico: in assenza di informazioni complete, il sistema assegnava un valore predefinito pari a zero al contenuto proteico. Questo bug evidenzia una criticità fondamentale nei sistemi basati su AI, ovvero la dipendenza dalla completezza e accuratezza dei dati di input. Questo problema può essere ricondotto alla gestione dei valori mancanti e alla definizione di default nei modelli di valutazione. L’assegnazione automatica di valori nulli o arbitrari può introdurre distorsioni significative nei risultati, soprattutto quando tali valori influenzano direttamente il punteggio finale. La correzione di questo tipo di errore richiede l’introduzione di meccanismi di imputazione più sofisticati o di sistemi di segnalazione dell’incertezza.
Un aspetto interessante è l’assenza di alcune aziende storicamente note per l’elevata qualità delle loro mense, come Google, il che evidenzia i limiti legati alla disponibilità dei dati. Se le informazioni non sono accessibili o pubbliche, il sistema non è in grado di includerle nell’analisi, introducendo un bias di selezione che può alterare la rappresentatività della classifica.