Food Waste con IA: como reducimos un 25% el desperdicio en un buffet de hotel

El desperdicio alimentario en un buffet de hotel no es un problema menor. En el Hotel Bahia Tropical, el coste alimentario ronda los 150.000 EUR al ano. La industria estima que entre un 15% y un 30% de la comida preparada para buffet acaba en la basura.

Eso son entre 22.500 y 45.000 EUR al ano tirados literalmente a la basura. Ademas del impacto medioambiental y el coste reputacional en un momento en que la sostenibilidad importa cada vez mas a los huespedes.

Montamos un sistema de vision artificial para resolver esto. Aqui esta todo: el problema, la solucion, la arquitectura tecnica y los resultados reales.

El problema en detalle

En un buffet de hotel tipico, la reposicion de comida funciona asi:

El cocinero prepara bandejas segun la prevision del dia
El personal de sala las coloca en el buffet
Cuando alguien ve que una bandeja baja, avisa a cocina
Cocina repone — a veces demasiado, a veces demasiado tarde
Al final del servicio, lo que sobra se tira

El problema es que este proceso depende de la percepcion humana. El camarero de sala tiene 20 cosas en la cabeza: reponer bebidas, limpiar mesas, atender peticiones. Detectar que la bandeja de ensalada rusa esta al 15% no es su prioridad.

El resultado:

Reposicion tardia: el huesped llega y la bandeja esta vacia. Mala experiencia
Reposicion excesiva: se repone una bandeja completa a las 10:30 cuando el buffet cierra a las 11:00. Esa comida se tira
Sin datos: nadie sabe cuanto se desperdicia, que alimentos sobran mas, ni en que turno se produce mas merma

La solucion: camaras + IA local

Arquitectura del sistema

Camaras UniFi G4 (4 unidades)
        │
        ▼ (stream video local)
   Servidor 256 GB RAM
   (mismo que el chatbot)
        │
   ┌────┴────┐
   │         │
   ▼         ▼
 YOLOv8   Modelo custom
 (deteccion  (clasificacion
  bandejas)   alimentos +
              nivel llenado)
        │
        ▼
   Dashboard web
   (tiempo real)
        │
   ┌────┴────┐
   │         │
   ▼         ▼
 Alertas    Informes
 Telegram   diarios
 (cocina)   (direccion)

Hardware

Camaras: 4x UniFi G4 Instant (2K, 5MP, WiFi). Dos en el buffet principal del restaurante, dos en el buffet de la terraza.

Elegimos UniFi porque el hotel ya tiene infraestructura UniFi para el WiFi. Las camaras se integran con el controlador existente y la instalacion fue trivial.

Servidor: El mismo servidor de 256 GB RAM DDR4 que corre el chatbot. La vision artificial usa la GPU para inferencia, pero con modelos optimizados el consumo de recursos es razonable.

Software

Deteccion de bandejas: YOLOv8 (modelo de deteccion de objetos) entrenado para identificar y delimitar cada bandeja en el buffet. Esto nos da las "zonas de interes" que monitorizar.

Clasificacion y nivel: Modelo custom de vision entrenado con imagenes reales del buffet durante 3 semanas. Clasifica:

Tipo de alimento (ensalada, carne, pescado, postre, pan, fruta...)
Nivel de llenado (0%, 25%, 50%, 75%, 100%)

Dashboard: Panel web accesible desde cualquier dispositivo. Muestra en tiempo real:

Vista de cada bandeja con su nivel actual
Codigo de color: verde (mayor de 50%), amarillo (25-50%), rojo (menor de 25%)
Historico por dia, turno y tipo de alimento
Graficos de desperdicio acumulado

Alertas: Cuando una bandeja baja del 20%, se envia automaticamente un mensaje a un grupo de Telegram de cocina: "Bandeja 7 (ensalada mixta): nivel 15%. Buffet cierra en 45 min — NO reponer completa."

Ese ultimo detalle es clave. La alerta no solo dice "esta vacio". Dice cuanto tiempo queda de servicio para que cocina decida si reponer y cuanto.

El proceso de entrenamiento

No usamos un modelo generico de vision. Entrenamos uno especifico con los alimentos reales del hotel:

Semana 1-2: Captura de datos

Las camaras grabaron todos los servicios de buffet durante 14 dias
Capturamos imagenes cada 5 minutos
Total: ~4.000 imagenes

Semana 3: Etiquetado

Etiquetamos manualmente las imagenes: tipo de alimento, nivel de llenado, posicion de bandeja
Usamos una herramienta de etiquetado open source (Label Studio)
Este paso es el mas laborioso — pero solo se hace una vez

Semana 4: Entrenamiento y calibracion

Entrenamos el modelo con el 80% de imagenes, validamos con el 20% restante
Precision alcanzada: ~87% en clasificacion de nivel de llenado
Iteramos 3 veces ajustando angulos de camara e iluminacion

Mantenimiento continuo

Cuando cambia el menu (temporada, eventos especiales), anadimos imagenes nuevas al dataset
Recalibracion mensual: 2-3 horas de trabajo

Resultados: 3 meses de datos

Reduccion de desperdicio

| Metrica | Antes (estimado) | Despues (medido) | Cambio | |---------|------------------|------------------|--------| | Desperdicio total diario | ~45 kg | ~33 kg | -27% | | Coste desperdicio mensual | ~3.500 EUR | ~2.550 EUR | -950 EUR/mes | | Reposiciones innecesarias (ultimo turno) | ~8/dia | ~2/dia | -75% | | Bandejas vacias (huesped llega y no hay) | ~5/dia | ~1/dia | -80% |

Ahorro anual estimado

Reduccion desperdicio: ~11.400 EUR/ano
Menos reposiciones innecesarias: ~2.000 EUR/ano en mano de obra
Ahorro total: ~13.400 EUR/ano

Con una inversion de 11.000 EUR en el sistema, el ROI es inferior a 10 meses.

Mejora de experiencia del huesped

Las quejas de "no habia X en el buffet" bajaron un 80%. El personal de sala ya no tiene que vigilar las bandejas constantemente — la IA les avisa. Pueden centrarse en atencion al huesped.

Datos para direccion

Por primera vez, la direccion del hotel tiene datos objetivos sobre:

Que alimentos se desperdician mas (resultado: postres y pan, sobre todo en turno de mediodia)
Que dias hay mas desperdicio (viernes y sabados, coincidiendo con mas check-ins)
Que turno genera mas merma (desayuno, por diferencia con cena)

Estos datos permiten ajustar las compras y la produccion de cocina con informacion real, no con intuicion.

Lo que aprendimos

1. La iluminacion lo cambia todo

La precision del modelo dependia mucho de la luz. El buffet de terraza tenia luz natural que cambiaba durante el servicio. Solucion: calibrar con imagenes de diferentes momentos del dia e instalar una luz auxiliar sobre las bandejas.

2. Los cambios de menu requieren recalibracion

Cuando el hotel introdujo un menu tematico de Semana Santa, el modelo no reconocia algunos platos nuevos. Tuvimos que anadir imagenes al dataset y reentrenar. Leccion: prever un presupuesto de mantenimiento para estos ajustes.

3. El equipo de cocina es tu mejor aliado (o tu peor enemigo)

Si cocina no confia en el sistema, lo ignoran. Invertimos tiempo en explicar como funcionaba y en ajustar las alertas a lo que realmente les era util. La clave fue el mensaje de Telegram: conciso, accionable y con contexto (cuanto queda de servicio).

4. No necesitas camaras caras

Las UniFi G4 Instant cuestan ~90 EUR cada una. No necesitas camaras industriales de 500 EUR. Con buena iluminacion y angulo correcto, una camara 2K es mas que suficiente para vision artificial a nivel de bandeja.

5. El 80% del valor esta en los datos, no en la IA

El modelo de vision es importante, pero lo que realmente transforma la operativa son los datos historicos. Saber que los viernes se desperdicia un 40% mas de pan que los martes permite a cocina ajustar la produccion. Eso no necesita IA — necesita un dashboard con los datos correctos.

Coste del proyecto

| Concepto | Importe | |----------|---------| | 4x camaras UniFi G4 Instant | 360 EUR | | Desarrollo motor de vision | 5.400 EUR | | Dataset + entrenamiento | 2.000 EUR | | Dashboard web | 1.800 EUR | | Sistema de alertas | 600 EUR | | Calibracion + puesta en marcha | 840 EUR | | Total | 11.000 EUR | | Mantenimiento anual | ~960 EUR |

ROI: menos de 10 meses. Ahorro anual de ~13.400 EUR vs inversion de 11.000 EUR.

Para que tipo de negocios funciona

No es solo para hoteles. Este sistema se adapta a:

Restaurantes con buffet (corporativos, eventos, catering)
Comedores de empresa (grandes oficinas, fabricas)
Hospitales y residencias (comedores colectivos)
Supermercados (seccion de preparados y panaderia)

Cualquier negocio que prepare comida en volumen y quiera reducir desperdicio puede beneficiarse.

Quieres montar algo asi en tu negocio? Hablemos. Te digo si tiene sentido y cuanto costaria en tu caso concreto.