AI-assistanse på kjøkkenet: Effektivitetsgevinst med feilmarginer

Publisert 2026-11-07

Ingress: Integrering av generativ AI i oppskriftsplattformer som NYT Cooking lover forenklet matlaging i en travel hverdag. Brukererfaringer viser imidlertid at teknologien fortsatt sliter med presisjonskrevende oppgaver som baking.

Bakgrunn Utviklingen av spesialiserte AI-assistenter i matsektoren handler om å strukturere ustrukturerte data fra tusenvis av oppskrifter. Ved å bruke store språkmodeller (LLMs) kan systemene foreslå erstatninger for ingredienser, justere porsjonsstørrelser eller tilby raske instruksjoner basert på innholdet i brukerens kjøleskap.

Disse systemene fungerer utmerket når de skal håndtere improvisasjon i salte retter, hvor toleransegrensene for variasjoner er høye. En kyllingrett kan ofte reddes av enkle smaksjusteringer underveis, selv om den AI-genererte instruksen ikke er optimal.

Utfordringen oppstår når AI-en skal forholde seg til bakverk. Baking er i praksis kjemi, hvor presise forhold mellom ingredienser er avgjørende for resultatet. AI-modeller kan her fremstå selvsikre, men likevel feilberegne forholdet mellom syre og base, eller væske og tørrstoff, med mislykkede resultater som konsekvens.

Norsk kontekst Norske forbrukere har de siste årene tatt i bruk digitale verktøy for å effektivisere dagligvarehandelen, som for eksempel Meny-appen eller matvare-apper som hjelper med å redusere matsvinn. Introduksjonen av AI-baserte assistenter i slike norske plattformer er et naturlig neste steg for å knytte oppskrifter tettere sammen med handlekurv-teknologi.