Optimización de dietas con programación entera: adiós a los 1,7 huevos

Cincuenta y seis papers revisados, ninguno combina las dos técnicas que llevan décadas disponibles por separado. Eso es lo que encontraron los autores del trabajo arXiv:2605.13849, publicado el 16 de mayo de 2026: una revisión sistemática de la literatura sobre optimización de dietas revela que nadie había unido la programación entera con la goal programming para atacar simultáneamente los dos problemas más persistentes del campo. El resultado práctico de esa omisión es tan cotidiano como absurdo: los modelos existentes recomiendan 1,7 huevos o 0,37 plátanos.

No es un problema menor. Cuando un sistema de planificación nutricional devuelve fracciones imposibles de ejecutar en una cocina real, la solución habitual es redondear a posteriori. Pero ese redondeo rompe las garantías de optimalidad y puede sacar el plan nutricional fuera de los márgenes establecidos. Es como optimizar una cartera de inversión y luego comprar acciones enteras a ojo.

Qué propone MIGP

La propuesta se llama Mixed Integer Goal Programming (MIGP) y su lógica es más elegante que compleja. Combina dos herramientas clásicas de investigación operativa:

• Variables enteras para que las porciones sean contables: un huevo, una cucharada de aceite, dos rebanadas de pan. Cada alimento tiene su propia granularidad natural definida por el usuario.
• Goal programming con desviaciones suaves en lugar de restricciones duras sobre nutrientes. Si los objetivos de calcio y proteína entran en conflicto, el modelo no falla: penaliza las desviaciones y busca el mejor compromiso posible.

El segundo punto es especialmente relevante en la práctica clínica y en aplicaciones de consumo. Las restricciones duras de nutrientes —«exactamente 2.000 kcal, exactamente 50 g de proteína»— generan infeasibility con frecuencia cuando los objetivos son impuestos por combinaciones de guías dietéticas distintas o cuando el inventario de alimentos disponibles es limitado. Los modelos con restricciones duras simplemente no encuentran solución y se detienen. MIGP, en cambio, siempre devuelve un plan, aunque sea imperfecto.

Los autores también caracterizan formalmente lo que llaman deviation absorption property: las variables de desviación del goal programming actúan como amortiguador del coste de imponer integralidad, lo que hace que la brecha de integralidad (integrality gap) sea estructuralmente menor que en un MIP con restricciones duras equivalente. En términos prácticos, esto significa que el salto de calidad entre la solución continua relajada y la solución entera real es más pequeño, y por tanto más manejable computacionalmente.

Para quién es útil esto

El caso más obvio es el de aplicaciones de nutrición personalizada: desde herramientas clínicas para pacientes con condiciones específicas hasta apps de meal planning. Pero hay un ángulo menos evidente que interesa directamente al ecosistema de herramientas de IA: este tipo de formulaciones son exactamente el tipo de razonamiento estructurado que los agentes basados en LLMs —incluyendo los que se construyen sobre Claude mediante subagentes o MCP servers— necesitan externalizar a un solver especializado.

Un agente de planificación nutricional no debería resolver un MILP internamente con generación de texto. Lo que tiene sentido es que el agente recoja preferencias del usuario, las traduzca a parámetros del modelo y llame a un solver externo a través de una herramienta. MIGP proporciona exactamente la formulación que ese solver necesita: bien definida, con garantías formales y salida interpretable sin postprocesado.

El paper reporta resultados para comidas con 15 o más alimentos, aunque el resumen público disponible en el momento de escribir este post no detalla los benchmarks completos de tiempo de cómputo ni las comparativas experimentales exhaustivas —elementos que habrá que revisar en la versión completa.

Contexto del campo

El problema de la dieta óptima tiene raíces en los años 40, cuando George Stigler formuló el «problema de la dieta» como ejercicio de programación lineal. Ochenta años después, el gap entre la formulación académica y la utilidad práctica seguía siendo notable. Que en 2026 todavía haya espacio para contribuciones metodológicas tan fundamentales en un problema tan estudiado dice algo sobre cómo la literatura tiende a acumularse en variaciones sobre el mismo enfoque en lugar de cruzar subdisciplinas.

Desde EP: es un trabajo técnicamente sólido que resuelve un problema real con herramientas existentes bien combinadas. No necesita más mérito que ese.