La IA está empezando a cambiar la forma en que los formuladores de cosméticos buscan ingredientes y revisan información técnica. Un formulador puede utilizar estas herramientas para preseleccionar activos, comparar opciones disponibles y encontrar documentos que de otro modo llevarían tiempo en localizar.
Pero encontrar un ingrediente suele ser la parte fácil.
La pregunta más difícil viene después: ¿qué grado comercial debe ir al laboratorio y qué evidencia respalda esa elección?
Dos desarrollos en 2026 ilustran cómo está cambiando esta área. Grant Industries introdujo un asistente de formulación impulsado por IA desarrollado con Albert, mientras que Coptis discutió formas de hacer que los datos de formulación cosmética sean más adecuados para flujos de trabajo asistidos por IA. Ambos apuntan hacia una conexión más estrecha entre el conocimiento de formulación y las herramientas digitales. El valor práctico, sin embargo, depende de la calidad y relevancia de los datos subyacentes.
Para los equipos de I+D de cosméticos, esto plantea una pregunta que vale la pena considerar: ¿pueden los datos de ingredientes disponibles realmente respaldar la próxima decisión de formulación, o solo ayudan a identificar un posible punto de partida?
La lista de ingredientes es solo el punto de partida
Las herramientas de búsqueda de ingredientes pueden reducir un gran campo de candidatos. Pueden ayudar a los formuladores a comparar funciones, revisar información publicada e identificar materiales que valga la pena probar. Eso es útil, particularmente durante el desarrollo en etapa temprana.
Sin embargo, un nombre de ingrediente por sí solo le dice muy poco a un formulador sobre cómo se comportará un grado particular en una fórmula. Los materiales comerciales pueden diferir en pureza, forma física, sistema portador, solubilidad y condiciones de manipulación recomendadas. Estas diferencias pueden afectar el procesamiento, la apariencia y la estabilidad del producto terminado.
Un resultado de búsqueda puede identificar el activo correcto en principio, pero no necesariamente identifica el material correcto para la formulación en desarrollo. La siguiente decisión requiere información más específica: el grado que se suministra, su especificación técnica, las condiciones utilizadas para generar los datos de respaldo y la formulación en la que se evaluó el rendimiento.
Aquí es donde los flujos de trabajo asistidos por IA necesitan registros técnicos fiables. Si los datos de origen no distinguen entre grados o condiciones de prueba, un sistema puede producir una recomendación plausible sin suficiente evidencia para justificarla.
La glabridina muestra por qué el grado comercial es importante
La glabridina es un ejemplo útil porque el mismo activo puede suministrarse en diferentes formas para diferentes necesidades de formulación. Dependiendo del grado, un proveedor puede ofrecer opciones solubles en agua, solubles en alcohol o solubles en aceite. Estas descripciones no son intercambiables y no deben tratarse como evidencia de que todos los grados se comportarán de la misma manera.
Considere un formulador que desarrolla un suero a base de agua. Un grado de glabridina soluble en agua puede parecer el candidato más relevante. Pero la etiqueta sola no responde a todas las preguntas técnicas. El formulador aún necesita comprender cómo se ha hecho que el ingrediente sea compatible con el agua, qué cubre la especificación, cómo debe incorporarse y si sigue siendo adecuado bajo las condiciones de procesamiento y almacenamiento previstas.
El mismo principio se aplica a un producto a base de aceite. Un grado soluble en aceite puede ser un punto de partida más relevante, pero su comportamiento real de dispersión o disolución, la compatibilidad con la fase oleosa y el rendimiento en la fórmula completa aún deben evaluarse.
Por esta razón, las comparaciones técnicas deben identificar el grado comercial real en lugar de depender únicamente del nombre del activo. Un registro útil debe conectar la identidad del ingrediente con su especificación, forma física, disolvente o sistema portador, si corresponde, y las condiciones de prueba utilizadas para respaldar la propiedad declarada.
La pregunta práctica no es qué grado de glabridina es universalmente mejor. Es qué grado es apropiado para la fórmula objetivo y qué datos respaldan esa selección.
Un resultado de solubilidad no resuelve la cuestión de la formulación
Los datos de solubilidad pueden ayudar a seleccionar ingredientes, pero un resultado informado solo es significativo cuando las condiciones de prueba son claras. El disolvente, la concentración, la temperatura, el procedimiento de mezcla y el período de observación pueden influir en lo que nos dice el resultado.
También hay una diferencia entre que un material se disuelva bajo una condición de laboratorio definida y que ese material funcione según lo previsto en una fórmula cosmética terminada. La presencia de emulsionantes, aceites, electrolitos, polímeros u otros activos puede cambiar el comportamiento del sistema. Un resultado obtenido en un disolvente no se puede transferir automáticamente a otra formulación.
Esto es importante cuando las herramientas de IA comparan documentos técnicos. Si un proveedor informa la solubilidad bajo un conjunto de condiciones y otro utiliza un método diferente, los valores pueden parecer comparables mientras describen situaciones diferentes. Sin los detalles de la prueba, una clasificación puede crear una falsa sensación de precisión.
Para el trabajo de formulación, la información de solubilidad se utiliza mejor como una ayuda de selección. Puede ayudar a determinar qué candidatos merecen pruebas adicionales, pero no reemplaza los estudios de compatibilidad, la evaluación de estabilidad o la evaluación en la base prevista.
Mejores datos comienzan con el material realmente suministrado
Si la IA va a respaldar algo más que el descubrimiento de ingredientes, la información técnica debe vincularse al material que un formulador puede solicitar y probar realmente. Un perfil amplio de ingredientes no es suficiente cuando los grados comerciales difieren de maneras que afectan su uso.
En la práctica, los registros útiles incluyen el nombre INCI y la designación del grado, la especificación y el ensayo, si corresponde, la forma física, la información de solubilidad relevante, las condiciones de manipulación recomendadas y los métodos detrás de cualquier reclamo de rendimiento. El contexto de la formulación también es importante: un resultado de prueba debe indicar si provino de una evaluación de materia prima, una formulación modelo o un estudio de producto terminado.
Estos detalles también hacen que las comparaciones entre proveedores sean más significativas. No se deben considerar equivalentes dos materiales simplemente porque comparten un nombre de ingrediente o una función prevista. Sus especificaciones, métodos de prueba y idoneidad para la fórmula objetivo deben revisarse antes de sacar una conclusión.
La IA puede ayudar a organizar esta información, señalar campos faltantes y recuperar registros relevantes más rápidamente. También puede ayudar a los formuladores a identificar preguntas que deben resolverse antes de un ensayo de laboratorio. Lo que no puede hacer es hacer que la evidencia faltante sea confiable simplemente presentándola claramente.
A medida que se desarrolle la formulación asistida por IA, la calidad de los datos de los ingredientes puede convertirse en una parte cada vez más importante de la infraestructura de I+D. La medida útil no es la rapidez con la que un sistema puede recomendar un activo, sino si la recomendación se puede rastrear hasta la evidencia técnica relevante y probarse en condiciones de formulación reales.
Referencias
- Bettenhausen, C. (2026). La IA se afianza en cosméticos y cuidado personal. Chemical & Engineering News, 104.
- Coptis. (2026). Coptis explica cómo está preparando la formulación de cosméticos "listos para la IA". Personal Care Magazine.
- Grant Industries. (2026). Grant Industries lanza asistente de formulación impulsado por IA con Albert. Global Cosmetic Industry.
English 
Spanish 
German 
French 
Japanese 
Korean