Warum selbstsichere KI-Tools bei der Hotlist-Prüfung trotzdem versagen

Eine Herstellerin fügte letzten Monat ihre Zutatenliste in einen allgemeinen Chatbot ein und fragte, ob irgendetwas für Kanada eingeschränkt aussehe. Die Antwort kam schnell, selbstsicher und ordentlich formatiert mit Häkchen neben jeder Zutat. Sie übersah dabei auch einen eingeschränkten Stoff in ihrer Rezeptur, der über der zulässigen Konzentrationsgrenze lag. Sie bemerkte es nur, weil sie aus Gewohnheit die Hotlist selbst gegenprüfte. Nicht jeder macht diese zweite Prüfung, und genau das ist das Problem.

Selbstsicherheit ist nicht dasselbe wie Richtigkeit

Allgemeine Chatbots klingen gut, wenn sie sich sicher geben. Sie sind darauf ausgelegt, flüssige, vollständig wirkende Antworten zu produzieren, und eine ordentliche Zutatenliste mit beruhigenden grünen Häkchen liest sich autoritativ, selbst wenn der zugrunde liegende Abgleich nie tatsächlich gegen einen echten, aktuellen Datensatz stattgefunden hat. Das Modell lügt nicht direkt, es mustert ab, wie eine „saubere Zutatenliste"-Antwort typischerweise aussieht, und wird diese Form der Antwort liefern, egal ob es tatsächlich etwas gegen die Cosmetic Ingredient Hotlist von Health Canada geprüft hat.

Das ist wichtig, weil die Hotlist eine spezifische, gepflegte Liste verbotener und eingeschränkter Stoffe ist, die sich ändert. Ein Modell, das mit ein bis zwei Jahre alten Daten trainiert wurde, kann von einer kürzlichen Ergänzung oder einer verschärften Beschränkung nichts wissen, es sei denn, es fragt tatsächlich eine aktuelle, lebende Quelle ab. Fragen Sie danach, und es wird diese Einschränkung meist nicht von sich aus nennen. Es antwortet einfach.

Wo der Fehler meist auftritt

Die üblichen Fehlermuster, die wir sehen, wenn Menschen sich für diese Art von Prüfung auf allgemeine KI-Tools verlassen:

• Blindheit gegenüber Handelsnamen. Eine Rezeptur, die mit Handelsnamen der Lieferanten statt mit INCI-Namen aufgeführt ist, kann durchgewunken werden, weil das Modell nicht zuverlässig jeden Handelsnamen seiner tatsächlichen INCI-Identität und CAS-Nummer zuordnet, besonders bei Mischungen.
• Verpasste Mischungsrechnung. Wenn eine Zutat eigentlich eine Lieferantenmischung ist, kann ihr eingeschränkter Bestandteil bequem innerhalb des eigenen Etikettenprozentsatzes der Mischung liegen, aber die Hotlist-Grenze überschreiten, sobald man den Prozentsatz des Bestandteils innerhalb der Mischung mit dem tatsächlichen Einsatzniveau der Mischung im Endprodukt multipliziert. Ein Modell, das diese Multiplikation nicht ausführt, übersieht die reale Konzentration vollständig.
• Veraltete Beschränkungsdaten. Die Hotlist ist ein lebendiges Dokument. Eine kürzlich hinzugefügte Beschränkung oder ein verschärfter Konzentrationsgrenzwert spiegelt sich in den Trainingsdaten eines allgemeinen Modells möglicherweise einfach nicht wider.
• Übermäßig selbstsichere Formatierung. Sauber formatierte, mit Häkchen versehene, professionell wirkende Ausgaben bringen Menschen dazu, mit dem doppelten Prüfen aufzuhören, genau in dem Moment, in dem eine übersehene Beschränkung in ein eingereichtes CNF durchrutscht.

Ein konkretes Beispiel für die Mischungsrechnungsfalle

Angenommen, eine Lieferantenmischung macht 5% Ihrer Gesamtrezeptur aus, und die eigene Dokumentation dieser Mischung zeigt einen eingeschränkten Inhaltsstoff bei 4% der Mischung selbst. Die tatsächliche Konzentration in Ihrem Endprodukt ist 0,05 mal 0,04, also 0,2%. Liegt die Hotlist-Grenze für diesen Inhaltsstoff unter 0,2%, haben Sie ein Problem, eines, das nie auftaucht, wenn Sie nur einen Blick auf die „4%" im Lieferanten-Datenblatt werfen oder wenn ein Tool den Etikettenprozentsatz der Mischung prüft, ohne ihn in die Endprodukt-Rechnung zu übertragen.

Wie eine echte Verifizierung tatsächlich aussieht

Eine Rezeptur richtig gegen die Hotlist zu prüfen bedeutet, bei INCI-Namen und CAS-Nummern anzusetzen, nicht bei Handelsnamen, jede Lieferantenmischung in ihre echten Bestandteile aufzuschlüsseln, die Prozentrechnung vollständig bis zur Endprodukt-Konzentration durchzuführen und diese Zahl mit dem aktuellen Hotlist-Eintrag zu vergleichen, nicht mit einem erinnerten oder geschätzten. Das ist ein mechanischer Prozess, und genau die Art von Aufgabe, die davon profitiert, bewusst automatisiert zu werden, statt einem allgemeinen Modell überlassen zu werden, das nie dafür gebaut wurde, eine regulatorische Liste als verlässliche Grundlage zu halten.

Die Lösung heißt nicht „keine KI verwenden", sondern „die Quelle verifizieren"

Nichts davon bedeutet, dass automatisierte Tools der falsche Ansatz sind. Es bedeutet, dass das Tool tatsächlich gegen die echten, aktuellen Hotlist-Daten prüfen und die echte Prozentrechnung durchführen muss, mit einem menschlichen Prüfer im Ablauf, statt einer flüssig klingenden Vermutung, die einen echten Abgleich vortäuscht. Genau darauf ist Cosmetic Comply ausgelegt: Es ordnet jeden Inhaltsstoff seinem INCI-Namen und seiner CAS-Nummer zu, schlüsselt Mischungen auf und überträgt die Prozentsätze weiter, prüft gegen die tatsächliche Hotlist mit einem Konfidenzwert, und lässt dann einen echten Compliance-Prüfer das Ergebnis kontrollieren, bevor irgendetwas eingereicht wird. Wenn ein Tool Ihnen nicht sagen kann, wie es einen Inhaltsstoff verifiziert hat, lohnt es sich, danach zu fragen, bevor Sie seinen Häkchen vertrauen.