Fünf INCI-Fehler, die KI-Tools bei Inhaltsstofflisten machen

Jemand hat letzten Monat eine Formel in einen allgemeinen KI-Chatbot eingefügt, ihn gebeten, die INCI-Liste für eine Meldung zu erstellen, und etwas zurückbekommen, das völlig plausibel aussah. Korrekt klingende Namen, eine ordentliche Tabelle, selbstbewusste Formatierung. Zwei der Einträge waren auf eine Weise falsch, die nicht auffallen würde, wenn man den Inhaltsstoff nicht schon kennt. Das ist die Falle bei KI-generierten INCI-Listen: Die Ausgabe ist selbstbewusst, egal ob sie richtig ist, und genau diese Sicherheit ist es, die Menschen aufhören lässt, nachzuprüfen.

Hier sind die konkreten Fehlermuster, auf die man achten sollte.

1. Erfinden plausibel klingender INCI-Namen

Große Sprachmodelle sind Mustergeneratoren. Wenn man nach dem INCI-Namen eines obskuren botanischen Extrakts oder eines neueren synthetischen Inhaltsstoffs fragt, produziert ein Modell manchmal etwas, das den INCI-Namenskonventionen perfekt folgt, lateinischer Binomialname plus Pflanzenteil plus Extrakt, ohne dass dieser genaue Name in irgendeinem echten Nomenklatur-Verzeichnis existiert. Es liest sich exakt wie ein echter Eintrag, weil das Modell das Muster gelernt hat, nicht den spezifischen Inhaltsstoff.

Das ist das am schwersten zu erkennende Fehlermuster, weil es nicht falsch aussieht. Die Lösung ist unspektakulär, aber notwendig: jeden INCI-Namen gegen eine echte Referenz prüfen, nicht danach, wie plausibel er klingt.

2. Zuordnung einer CAS-Nummer, die zu einer anderen Substanz gehört

CAS-Nummern sind präzise Identifikatoren, und Modelle verwechseln häufig ähnlich benannte Substanzen oder greifen eine CAS-Nummer heraus, die mit einer verwandten, aber unterschiedlichen Verbindung assoziiert ist. Manche Inhaltsstoffe haben legitimerweise mehrere CAS-Nummern je nach Herstellungsprozess, und manche botanischen Extrakte haben überhaupt keine CAS-Nummer. Ein Modell, das um „die CAS-Nummer" für ein Botanicum gebeten wird, produziert manchmal trotzdem eine, statt zu sagen, dass es keine gibt, weil das Produzieren einer Antwort das ist, worauf es optimiert ist.

Wenn eine Meldung die falsche CAS-Nummer trägt, ist das ein echter Fehler in Ihrer Dokumentationsspur, selbst wenn der INCI-Name selbst korrekt war.

3. Versäumnis, Lieferantenmischungen in Komponenten zu entfalten

Das ist wahrscheinlich der einzelne folgenreichste Fehler. Ein Lieferanten-Handelsname wie „Emulsense HC" oder „Plantapon SPS" ist kein INCI-Name und gehört nie direkt auf eine Meldung. Er muss in seine tatsächlichen INCI-Komponenten entfaltet werden, und die tatsächliche Konzentration jeder Komponente im Fertigprodukt ist die Einsatzmenge der Mischung multipliziert mit ihrem Anteil innerhalb der Mischung.

Generische KI-Tools überspringen diesen Schritt häufig entweder ganz, indem sie den Handelsnamen auflisten, als wäre er einreichbar, oder sie entfalten ihn anhand generischer angenommener Prozentsätze statt der tatsächlichen Mischungszusammensetzung des spezifischen Lieferanten. Beides produziert eine Meldung, die die echte Formel nicht widerspiegelt.

4. Fehlinterpretation der Konzentration als Fertigprodukt-Prozentsatz

Verwandt mit dem Mischungsproblem: Modelle nehmen manchmal einen Prozentsatz, der irgendwo in einer Formelbeschreibung erwähnt wird, und wenden ihn direkt auf den falschen Inhaltsstoff an, besonders wenn eine Formel in Fließtext statt in einer sauberen Tabelle beschrieben ist. Wenn Ihre Notizen sagen „5% einer Konservierungsmischung, die zu 30% aus Phenoxyethanol besteht", kann ein unachtsames Lesen „Phenoxyethanol 5%" statt der korrekten 1,5% produzieren. Das ist eine fünffache Überhöhung der tatsächlichen Konzentration eines beschränkten Inhaltsstoffs, genau die Art von Zahl, auf die eine Hotlist-Prüfung achtet.

5. Behandlung von Handelsnamen als unbedenklich zum Einreichen

Handelsnamen tragen Marketinggewicht und Markenidentität für den Lieferanten, aber eine Meldung braucht den standardisierten INCI-Namen darunter. KI-Tools, die breit auf Internettexten trainiert wurden, erkennen manchmal einen Handelsnamen und liefern eine Beschreibung davon, hören aber auf, bevor sie ihn vollständig auf INCI abbilden, besonders bei kleineren oder regionalen Lieferanten, deren Dokumentation in den Trainingsdaten nicht breit vertreten ist. Die Lücke wird mit einer flüssig klingenden Bestvermutung gefüllt, die nicht gegen das eigene SDB des Lieferanten geprüft wurde.

Ein schneller Vergleich der Fehlertypen

Wo die tatsächliche Absicherung liegt

Nichts davon bedeutet, dass KI keinen Platz in der kosmetischen Regulatorik hat. Es bedeutet, dass ungeprüfte KI-Ausgabe nicht der letzte Schritt vor einer Einreichung sein sollte. Die nützliche Version dieses Arbeitsablaufs kombiniert automatisierten Abgleich gegen echte INCI- und CAS-Referenzen mit einem menschlichen Prüfer, der das Ergebnis kontrolliert, besonders die Mischungsentfaltungs-Rechnung, bevor irgendetwas eingereicht wird.

Das ist die Struktur, um die Cosmetic Comply tatsächlich aufgebaut ist: Es gleicht Ihre Inhaltsstoffe mit INCI-Namen und CAS-Nummern ab, entfaltet Lieferantenmischungen in ihre echten Komponenten mit durchgetragenen Prozentsätzen, prüft jede gegen die relevanten verbotenen und beschränkten Listen mit einem Konfidenzwert, und dann kontrolliert ein echter Compliance-Prüfer das Ergebnis, bevor die Meldung rausgeht. Die Automatisierung beschleunigt die mühsame Abgleicharbeit. Der Prüfer ist deshalb dabei, weil Automatisierung allein, jeder Art, manchmal immer noch selbstbewusst falschliegt.