Respuesta rápida: la inteligencia artificial no “recicla” por sí sola. Puede reconocer materiales sobre una cinta, medir composición y caudal, accionar equipos de separación o registrar desperdicio alimentario. Son problemas distintos y exigen tecnologías y métricas distintas. Antes de comprar una solución hay que decidir si se necesita observar, separar físicamente o prevenir residuos.

Greyparrot analiza flujos de residuos mediante cámaras; la propia empresa aclara que no fabrica robots. AMP y ZenRobotics, una marca de Terex, sí ofrecen equipos de separación física. Winnow utiliza básculas, cámaras y software para que una cocina profesional identifique qué comida desecha y cambie compras, producción o raciones. Comparar las cuatro empresas por una única cifra de “precisión” conduce a decisiones equivocadas.

Índice

Tres problemas que no deben confundirse

La expresión “IA para residuos” agrupa al menos tres funciones. La primera es la caracterización: una cámara observa la cinta y estima qué objetos, polímeros, colores o contaminantes circulan. El resultado principal es información. Sirve para conocer la alimentación, vigilar la calidad, localizar pérdidas y evaluar cambios de turno o proveedor.

La segunda es la separación física. Un clasificador óptico, una boquilla de aire o un brazo robótico retira un objeto de un flujo o lo dirige a otra fracción. En este caso importan tanto el modelo de visión como el accionamiento, la velocidad de la cinta, la presentación del material, el agarre, el espacio y la seguridad.

La tercera es la prevención. En una cocina, medir arroz, pan o carne desechados no equivale a clasificar envases. La medición ayuda a decidir cuánto comprar, cocinar o servir. El beneficio procede de la acción del equipo, no de identificar una fotografía.

Esta distinción cambia la compra. Una capa de analítica puede instalarse sobre un proceso existente sin tocar la cinta; un robot necesita integración mecánica, eléctrica y de seguridad; y una plataforma de cocina depende de hábitos diarios, categorías útiles y responsables que conviertan datos en medidas.

Dónde encaja la IA en una planta de clasificación

Una planta de selección no empieza con una red neuronal. El Ministerio para la Transición Ecológica describe una cadena que puede incluir abrebolsas, preselección, trómel, separación balística, aspiración, imanes, corrientes de Foucault, lectores ópticos de infrarrojo cercano y selección manual. El diseño depende de la fracción de entrada, la escala y los productos que se quieran recuperar.

La visión artificial puede añadirse en varios puntos:

• Entrada: cuantificar el material recibido, detectar bolsas u objetos problemáticos y comparar proveedores o rutas.
• Antes de un separador: medir la carga y adaptar consignas si la instalación lo permite.
• Tras una etapa de selección: comprobar la pureza de la fracción y alertar de contaminantes.
• Rechazo: saber qué materiales valiosos se pierden y priorizar una mejora.
• Control de calidad: complementar muestreos manuales con una señal continua, conservando auditorías de contraste.

Una cámara no resuelve por sí sola el solapamiento de objetos, la suciedad, las bolsas cerradas, el material negro, la humedad o los cambios de iluminación. Tampoco crea espacio entre piezas. La alimentación de la cinta y el acondicionamiento anterior pueden ser tan importantes como el modelo.

Métricas: precisión, pureza, recuperación y caudal

“95 % de precisión” es una frase incompleta. Puede referirse a imágenes bien clasificadas, objetos detectados, una clase determinada o un conjunto de prueba seleccionado. No informa automáticamente de la pureza de una bala ni de cuánto material recuperable acaba en el rechazo.

Imagina una muestra manual de 1.000 objetos con 200 botellas PET. El sistema marca 190 como PET; 170 lo son y 20 no. Su precisión PET es 170/190, un 89,5 %, y su exhaustividad es 170/200, un 85 %. Ambas cifras son necesarias. Si las botellas tienen masas muy distintas, aún falta el resultado por peso.

Para evaluar una fracción comercial conviene añadir humedad, color, grado, contaminantes críticos y especificaciones del comprador. Para un sistema continuo, registra también falsas alarmas, latencia, deriva con materiales nuevos, tiempo de limpieza, mantenimiento, fallos de red y disponibilidad del proceso completo.

Objetos, masa y valor

El conteo ayuda a analizar envases y tendencias de marca o formato. La masa sirve para balances y objetivos legales. El valor económico exige precio neto, penalizaciones por contaminación, costes de tratamiento y estabilidad de la salida. Una evaluación sólida presenta las tres capas y no elige después la que ofrece el resultado más vistoso.

Comparativa de sistemas y usos

Las cifras publicadas por estas compañías no son directamente comparables. Un porcentaje de reconocimiento de imagen, una pureza máxima, un número de picks y una reducción de comida desechada describen sistemas, muestras y periodos diferentes. En esta guía las especificaciones comerciales se identifican como tales y los casos se presentan con su fuente y duración.

Greyparrot: observar y convertir la cinta en datos

Greyparrot Analyzer coloca unidades con cámara sobre cintas transportadoras. Su software clasifica objetos y muestra composición, caudal, pureza, pérdidas y alertas en un portal. Según la información comercial vigente del proveedor, la plataforma reconoce más de 111 categorías y tiene más de 250 unidades en más de 20 países. Son datos de despliegue declarados por la empresa, no una garantía de rendimiento en cualquier flujo.

La utilidad más clara es convertir observaciones puntuales en una serie temporal: qué cambia entre turnos, cuándo aumenta un contaminante, qué ocurre después de ajustar una máquina o qué material valioso llega al rechazo. Esa continuidad puede orientar muestreos, mantenimiento, liquidaciones y decisiones de inversión.

Greyparrot explica en su descripción del funcionamiento que no produce robótica habilitada con IA. Su producto principal analiza; Greyparrot Sync puede transmitir datos a sistemas de control, inteligencia de negocio, ERP o equipos de terceros. Por tanto, no debe describirse un “robot Greyparrot” ni atribuir a la cámara la separación que ejecuta otra máquina.

Qué pedir en una prueba

• Taxonomía exacta por material, polímero, color, forma y contaminante, incluida la clase “desconocido”.
• Precisión y exhaustividad por clase, por conteo y por masa, no solo un promedio global.
• Protocolo de contraste con clasificación manual ciega y muestra representativa.
• Cobertura de objetos solapados, deformados, sucios o parcialmente visibles.
• Tiempo de calibración, cambios de categoría y gestión de deriva.
• Exportación de datos, granularidad, propiedad, retención e integración.
• Resultado operativo que cambiará gracias al dato y responsable de actuar.

Un piloto de A2A publicado por Greyparrot comunicó más del 95 % de exactitud frente a clasificadores manuales en 2020. Es evidencia de aquel ensayo, con su flujo y método; no debe transformarse en “95 % de pureza” ni en una promesa universal.

AMP: visión, aire, robots y plantas automatizadas

La empresa antes conocida sobre todo como AMP Robotics opera hoy bajo la marca AMP. Su cartera actual abarca Vision para caracterización, clasificadores de aire Jet y MicroJet, el brazo Delta y la solución de instalación AMP ONE. Esto permite distinguir una capa de información de la máquina que mueve material.

En una aplicación de separación, el modelo debe localizar el objeto a tiempo, el transportador ha de presentarlo de forma recuperable y el actuador debe acertar el destino sin empeorar el resto de la fracción. Un fallo puede producirse aunque el objeto haya sido clasificado correctamente: solapamiento, rebote, agarre fallido, sincronización, presión de aire o contenedor lleno.

AMP publica cifras de escala, recuperación y objetos reconocidos en sus páginas comerciales. Sirven para definir preguntas, no para calcular por adelantado el resultado local. La comparación útil exige el flujo real, una especificación de producto y datos durante turnos completos. La propia evolución de la marca explicada por su dirección también aconseja no basar una compra actual en nombres o velocidades de equipos antiguos.

Cuándo tiene sentido

Puede tener sentido cuando existe un material objetivo con valor o coste evitado, una presentación compatible, volumen suficiente y un punto físico de instalación. También cuando la automatización cubre una tarea repetitiva o peligrosa y existe un plan para formar y reasignar a las personas afectadas. No tiene sentido prometer ahorro laboral sin estudiar seguridad, mantenimiento, limpieza, supervisión y control de calidad.

ZenRobotics: separación robótica de residuos

ZenRobotics es una marca de Terex desde 2022. Ofrece robots para distintas cargas: Heavy Picker para objetos voluminosos o pesados y Fast Picker para materiales más ligeros, junto con la capa de visión y control ZenBrAIn. La elección depende del tamaño, peso, densidad, geometría y variabilidad del flujo.

Los folletos comerciales incluyen máximos de picks por minuto y número de categorías. Esos máximos no equivalen al rendimiento neto de una línea. Hay que medir picks intentados, correctos, fallidos y mal depositados; masa objetivo recuperada; pureza; tiempos de limpieza; disponibilidad; desgaste del útil; y efecto de objetos fuera de especificación.

En 2026 la empresa anunció OmniPicker con cifras nominales de lanzamiento. Expresiones como “hasta” describen un límite comercial bajo ciertas condiciones. No permiten comparar directamente ese equipo con una instalación existente ni con un sistema de otra arquitectura. El proveedor deberá demostrar el objetivo en un protocolo acordado.

Residuos de construcción no son envases ligeros

En residuos de construcción y demolición aparecen madera, metales, hormigón, plásticos y objetos de geometría muy variable. La carga por pieza puede importar más que la frecuencia. En envases ligeros, en cambio, la velocidad, el solapamiento y la baja masa dominan. Utilizar una cifra de picks sin describir el flujo elimina el contexto que determina su utilidad.

Winnow: prevenir desperdicio en cocinas

Winnow registra los alimentos que una cocina profesional tira. Según la modalidad, combina báscula, pantalla y cámara: el peso cuantifica el descarte, la imagen ayuda a identificar el alimento y el software lo relaciona con coste, momento y ubicación. Sus paneles permiten descubrir sobreproducción, recortes excesivos o partidas que vuelven con frecuencia.

No todas las versiones funcionan igual. Track permite registro manual; VisionControl añade cámara y báscula; VisionAI automatiza más la identificación; VisionAI+ incorpora configuración y soporte ampliados; y VisionPW se orienta al residuo de plato. Conviene comprobar la versión actual y no atribuir cámara o reconocimiento automático a todo el catálogo.

El sistema no evita la comida por el mero hecho de medirla. La reducción aparece cuando alguien corrige previsiones, compras, producción por lotes, reposición de buffet, aprovechamiento o tamaño de ración. Por eso hay que registrar las acciones y compararlas con ocupación, cubiertos, menú, temporada y eventos.

Una cocina también debe distinguir prevención, redistribución, alimentación animal cuando proceda, valorización y tratamiento. Reducir el residuo generado está por encima de mejorar su gestión una vez producido.

Qué demuestran los casos publicados en España y Europa

Los casos de proveedor son útiles si se conserva la línea base, la duración y la atribución. No son ensayos independientes ni garantizan el mismo resultado en otra instalación. Esta es la lectura prudente de ejemplos disponibles:

El caso de Barcelona Princess sitúa la instalación en octubre de 2024 y la reducción en un periodo de ocho meses. El caso de Four Seasons Madrid describe también acciones del equipo. Los porcentajes pertenecen a esas publicaciones del proveedor y sus clientes.

Para clasificación física, la ficha oficial de buenas prácticas sobre Wastebot aporta contexto español, aunque es un proyecto anterior a varias soluciones actuales. En analítica, Valorsul muestra un despliegue; no debe publicarse una mejora porcentual que la fuente todavía no establece.

Cómo diseñar un piloto en una planta

Un piloto útil empieza por una pregunta económica y operativa: “¿podemos reducir PET en el rechazo del 6 % al 4 % en masa sin bajar el caudal ni empeorar la pureza del producto?”. “Probar la IA” no es una hipótesis medible.

1. Fija el límite. Elige cinta, turno, material objetivo, producto y periodo. Documenta velocidad, carga, humedad, proveedor y configuración de equipos.
2. Construye una línea base. Muestrea varios días y turnos. Pesa entrada, producto y rechazo. Conserva el protocolo, el tamaño muestral y quién clasificó.
3. Define la verdad de referencia. Usa muestras etiquetadas por personal formado, doble revisión de casos dudosos y reglas explícitas para objetos mixtos.
4. Ejecuta en modo observación. Compara detecciones con el muestreo sin controlar maquinaria. Revisa errores por clase, posición y condición.
5. Prueba el accionamiento. Si hay separación o control en bucle, acuerda límites seguros, retorno a modo manual y parada.
6. Mide el proceso completo. Pureza, recuperación, caudal efectivo, disponibilidad, consumo, personal, paradas, limpieza y rechazo.
7. Controla factores externos. Compara días equivalentes y registra cambios de suministro, campaña, meteorología, mantenimiento y dotación.
8. Decide con una regla previa. Escalar, repetir o detener según umbrales escritos antes de ver el resultado.

Muestreo y verificación

No basta con revisar imágenes seleccionadas por el proveedor. Extrae una muestra estratificada de periodos normales y difíciles; incluye falsas detecciones y objetos que el sistema no señaló. Informa resultados por clase con intervalos o, como mínimo, número de observaciones. Una exactitud del 99 % basada en cien ejemplos de una clase rara tiene una incertidumbre relevante.

Si el sistema estima masa a partir de imágenes, valida por pesaje. Si calcula pureza continua, contrástala con el método contractual del comprador. Conserva datos brutos y decisiones de exclusión para que otra persona pueda reproducir la evaluación.

Cómo diseñar un piloto en una cocina

En una cocina, un diseño de seis a ocho semanas puede aportar una primera señal, pero debe evitar comparar un congreso lleno con una semana de baja ocupación.

1. Delimita el residuo. Separa preparación, deterioro, sobreproducción y plato. Decide cómo tratar líquidos, huesos y cáscaras.
2. Obtén al menos dos semanas de línea base. Registra kg, coste, cubiertos, ingresos, ocupación, menú, eventos y días de servicio.
3. Comprueba el registro. Haz pesajes de contraste y revisa categorías que el sistema confunde. Evita que la presión operativa genere descartes sin registrar.
4. Elige tres acciones. Por ejemplo, cocción por lotes más pequeños, menor reposición final del buffet y ajuste de una guarnición recurrente.
5. Mantén un diario de cambios. Fecha, responsable, hipótesis y sección de cocina. Así se puede asociar una tendencia a una decisión.
6. Compara periodos equivalentes. Usa kg por cubierto y coste por cubierto, además de totales. Separa el efecto de precios.
7. Revisa la jerarquía. Primero prevención; después donación u otros destinos permitidos. Medir no reemplaza el plan.

La validación no debe castigar al personal por registrar más. Al inicio, una cifra de desperdicio puede subir porque antes una parte era invisible. Conviene reconocer esa mejora de datos y crear un entorno en el que se puedan documentar fallos sin ocultarlos.

Coste total y retorno sin promesas vacías

No existe un periodo de amortización universal. Una cámara de analítica, un brazo, una red de aire y una solución completa de planta tienen costes y riesgos distintos. Solicita un coste total para el mismo horizonte y escenario.

Para una planta, el beneficio anual puede expresarse como valor neto adicional de material recuperado, penalizaciones evitadas, menor coste de rechazo y cambios de productividad, menos coste anual del sistema y del proceso. Cada término debe derivarse del piloto, no de una media comercial.

Para una cocina, utiliza kilogramos evitados por categoría multiplicados por coste real de compra, ajustados por actividad, menos licencia, equipo y tiempo. No cuentes como ahorro la comida donada del mismo modo que la comida que nunca se compró, y evita duplicar el coste de compra y el coste de gestión.

Normativa de residuos y desperdicio alimentario

La tecnología puede ayudar a medir y operar, pero ninguna de estas normas obliga en general a comprar IA.

Residuos municipales y envases

Eurostat comunicó para 2024 una generación media de 517 kg de residuos municipales por habitante en la UE y un 48,1 % reciclado. Son residuos municipales, no todos los residuos industriales, agrícolas, sanitarios o de construcción, y la nota incluye cautelas metodológicas.

Los objetivos europeos de preparación para la reutilización y reciclado de residuos municipales son 55 % en 2025, 60 % en 2030 y 65 % en 2035. El Reglamento (UE) 2025/40 sobre envases y residuos de envases añade prevención, reciclabilidad y contenido reciclado, y exige que exista infraestructura adecuada de recogida, clasificación y reciclado. No convierte a una marca de IA en solución obligatoria.

En España, la Ley 7/2022 regula residuos y suelos contaminados para una economía circular y establece obligaciones de prevención y recogida separada. El MITECO recuerda que la recogida separada de biorresiduos debía implantarse en todas las entidades locales antes del 31 de diciembre de 2023. Una cámara sobre la cinta no corrige por sí sola una mala separación en origen.

Desperdicio alimentario

La Ley 1/2025 de prevención de las pérdidas y el desperdicio alimentario aplica a agentes de la cadena alimentaria, incluida la hostelería. Sitúa primero la prevención y después, entre otros destinos, la donación para consumo humano. Establece obligaciones de aplicación de la jerarquía y planes de prevención con excepciones previstas para determinadas microempresas y explotaciones pequeñas.

La norma también obliga a facilitar que el cliente se lleve alimentos no consumidos en restauración, salvo formatos como el bufé libre, informar de esa posibilidad y utilizar recipientes adecuados en las condiciones legales. Un panel de IA puede aportar datos a un plan, pero no cumple por sí solo la jerarquía, la donación, la información al cliente ni el resto de obligaciones.

La Directiva (UE) 2025/1892 fija para 2030 objetivos nacionales de reducción del 10 % en transformación y fabricación y del 30 % per cápita conjuntamente en comercio, distribución, restaurantes, servicios alimentarios y hogares, respecto de la media 2021–2023. Eurostat estimó 130 kg de desperdicio alimentario por habitante en la UE en 2023; señaló que los hogares concentraron el 53 % y restauración y servicios alimentarios el 11 %. En esa publicación faltaban datos españoles y el agregado europeo se estimó con la información más reciente disponible.

La Decisión Delegada (UE) 2019/1597 contempla pesaje directo, medición de volumen, recuento o escaneo, análisis de composición y diarios para la medición nacional. No implica que todas las empresas deban usar un método idéntico, pero ofrece un marco para exigir trazabilidad y distinguir medición directa de estimación.

Lista de comprobación para comprar tecnología

1. Problema: ¿se va a observar, separar, controlar una máquina o prevenir la generación?
2. Flujo: ¿qué materiales, tamaños, humedad, suciedad, solapamiento, velocidad y variación estacional existen?
3. Taxonomía: ¿las clases del proveedor coinciden con contratos y decisiones locales? ¿Puede añadirse una clase?
4. Rendimiento: ¿se informa por clase y por masa, con falsos positivos, falsos negativos y tamaño de muestra?
5. Deriva: ¿cómo se detectan envases, alimentos o materiales nuevos? ¿Quién valida una actualización?
6. Integración: ¿qué API, PLC, BI o ERP admite? ¿Con qué latencia y qué modo seguro ante pérdida de conexión?
7. Datos: ¿quién posee imágenes, etiquetas y resultados? ¿Pueden exportarse en formato utilizable al terminar?
8. Ciberseguridad: ¿qué controles, registro de acceso, cifrado, parches, copias y respuesta a incidentes ofrece?
9. Privacidad laboral: ¿las cámaras pueden captar personas? ¿Cuál es la finalidad, base jurídica, minimización, acceso y retención?
10. Seguridad física: ¿qué evaluación de riesgos, resguardos, parada, formación y documentación exige la integración?
11. Servicio: ¿qué disponibilidad, tiempo de respuesta, repuestos, mantenimiento y compensación establece el contrato?
12. Evidencia: ¿el proveedor acepta un piloto con verdad de referencia, auditoría y criterio de salida escritos?
13. Economía: ¿el caso financiero usa precios, masas y turnos propios y evita contar dos veces el mismo beneficio?
14. Personas: ¿quién atenderá alertas, cambiará el proceso y revisará resultados cada semana?

Las cifras de marketing pueden comprobarse con una pauta similar a la explicada en nuestra guía para detectar greenwashing con IA: conservar la frase exacta, delimitar su alcance, buscar metodología y separar hecho, estimación y omisión.

Errores frecuentes al aplicar IA a residuos

• Llamar reciclaje a cualquier detección. Reconocer una botella no significa separarla, procesarla ni convertirla en materia secundaria.
• Confundir clasificación del modelo con pureza. Son medidas relacionadas, pero pertenecen a capas diferentes.
• Comparar máximos comerciales. “Hasta 80 picks por minuto” y “95 % de precisión” no comparten denominador.
• Evaluar solo objetos fáciles. Un piloto debe incluir solapamiento, suciedad, cambios de turno y material fuera de especificación.
• Olvidar el balance de masas. El conteo puede ocultar pérdidas importantes por peso o valor.
• Automatizar antes de entender. Una mala alimentación de cinta o una categoría contractual ambigua no se arregla con más modelo.
• Comprar un panel sin responsable. Una alerta que nadie traduce en una orden de operación no crea valor.
• Atribuir toda la mejora a la IA. Formación, cambios de menú, mantenimiento o calidad del suministro pueden explicar parte del resultado.
• Prometer sustitución de puestos. El proyecto debe incluir seguridad, mantenimiento, control humano, formación y reasignación responsable.
• Usar el cumplimiento como argumento automático. La IA ayuda a medir, pero la ley exige actuaciones y responsabilidades más amplias.

Preguntas frecuentes

¿Greyparrot tiene robots que separan residuos?

No. Greyparrot afirma expresamente que no fabrica robótica. Analyzer observa cintas y genera datos; Sync puede integrar esos datos con equipos y software de terceros. La separación física corresponde a ese equipo externo.

¿Qué diferencia hay entre Greyparrot y AMP?

Greyparrot se centra en analítica visual e integración de datos. AMP combina caracterización con equipos de separación mediante aire, brazos robóticos y soluciones de planta. Pueden competir en una capa de visión, pero no ofrecen exactamente el mismo alcance físico.

¿Winnow clasifica residuos en plantas?

No es su uso principal. Winnow mide desperdicio alimentario en cocinas profesionales para que el equipo prevenga compras, producción o raciones innecesarias. No sustituye una línea de selección de envases.

¿Una precisión del 95 % es suficiente?

No se puede saber sin denominador, clase, muestra y objetivo. Pide precisión y exhaustividad por clase, resultados por masa, distribución de errores y efecto final sobre pureza, recuperación o desperdicio. Una clase rara puede quedar mal aunque el promedio sea alto.

¿Cuánto mejora la tasa de reciclaje con IA?

No hay un porcentaje universal. Depende de entrada, proceso, material objetivo, presentación, equipos y punto de instalación. La métrica correcta puede ser recuperación de un polímero, pureza, menor pérdida al rechazo o disponibilidad, no la tasa municipal de reciclaje.

¿Cuánto tarda en amortizarse?

Solo puede estimarse con un piloto y costes locales. Incluye hardware, licencia, integración, seguridad, mantenimiento, paradas y formación; calcula el valor neto de material o comida evitada con precios reales. Desconfía de un retorno que no muestre supuestos.

¿Puede la IA reemplazar el muestreo manual?

Puede aumentar cobertura y continuidad, pero al principio necesita una verdad de referencia humana. Después conviene mantener auditorías periódicas, especialmente tras cambios de material, modelo o proceso. La intensidad puede reducirse si se demuestra estabilidad.

¿La cámara puede vigilar a trabajadores?

Una cámara orientada a la cinta puede captar personas de forma incidental. Deben limitarse ángulo, acceso, retención y finalidad; informar y evaluar la normativa laboral y de protección de datos aplicable. No reutilices imágenes para supervisión personal sin base y análisis específicos.

¿La IA es obligatoria para cumplir la normativa?

No de forma general. Las normas establecen prevención, recogida, medición, tratamiento, reciclaje u objetivos; no obligan a contratar estas marcas. La tecnología puede aportar evidencia y control, pero la organización conserva sus obligaciones.

¿Cuál es el primer paso?

Selecciona una pérdida concreta y mídela durante varios turnos: material objetivo en el rechazo, contaminante en producto o kg de sobreproducción por cubierto. Con esa línea base podrás decidir si necesitas mejores datos, una actuación física o un cambio operativo.

Fuentes oficiales y primarias

Consulta las versiones vigentes y conserva fecha, alcance y metodología cuando utilices una cifra:

• MITECO: tratamientos mecánicos de residuos domésticos.
• MITECO: ficha de buena práctica Wastebot.
• BOE: Ley 7/2022 de residuos y suelos contaminados.
• BOE: Ley 1/2025 de prevención de pérdidas y desperdicio alimentario.
• EUR-Lex: Reglamento (UE) 2025/40 sobre envases.
• EUR-Lex: Directiva (UE) 2025/1892 sobre residuos y desperdicio alimentario.
• EUR-Lex: Decisión Delegada (UE) 2019/1597 sobre medición.
• Eurostat: residuos municipales en 2024.
• Eurostat: desperdicio alimentario en 2023.
• Greyparrot: Analyzer, funcionamiento y Sync.
• AMP: cartera actual de caracterización y clasificación.
• Terex ZenRobotics: robots y aplicaciones.
• Winnow: versiones del sistema de medición de desperdicio.

Conclusión: una inversión responsable comienza por definir el problema y su unidad de medida. Usa Greyparrot cuando el cuello de botella sea ver y entender el flujo; estudia AMP o ZenRobotics cuando haga falta separar físicamente; y evalúa Winnow cuando el objetivo sea prevenir desperdicio en cocina. En todos los casos, exige una línea base, un piloto reproducible y resultados por proceso. La IA aporta observación y control; el reciclaje y la prevención dependen del sistema completo.