Cinco errores de INCI que cometen las herramientas de IA en las listas de ingredientes

Alguien pegó una fórmula en un chatbot de IA de propósito general el mes pasado, le pidió que generara la lista INCI para una notificación, y recibió algo que parecía completamente plausible. Nombres que sonaban correctos, una tabla ordenada, un formato seguro de sí mismo. Dos de las entradas estaban mal de formas que no se notarían a menos que ya conocieras el ingrediente. Esa es la trampa de las listas INCI generadas por IA: el resultado suena seguro independientemente de si es correcto, y esa seguridad es precisamente lo que hace que la gente deje de verificar dos veces.

Aquí están los patrones de fallo específicos que vale la pena vigilar.

1. Inventar nombres INCI que suenan plausibles

Los modelos de lenguaje grandes son generadores de patrones. Cuando se les pide el nombre INCI de un extracto botánico poco común o de un ingrediente sintético más nuevo, un modelo a veces produce algo que sigue perfectamente las convenciones de nomenclatura INCI, binomio latino más parte de la planta más extracto, sin que ese nombre exacto exista en ningún diccionario de nomenclatura real. Se lee exactamente como una entrada real porque el modelo aprendió el patrón, no el ingrediente específico.

Este es el modo de fallo más difícil de detectar porque no parece incorrecto. La solución es aburrida pero necesaria: verifica cada nombre INCI contra una referencia real, no contra lo plausible que suene.

2. Asignar un número CAS que pertenece a otra sustancia

Los números CAS son identificadores precisos, y los modelos con frecuencia confunden sustancias con nombres similares o toman un número CAS asociado a un compuesto relacionado pero distinto. Algunos ingredientes legítimamente tienen varios números CAS según el proceso de fabricación, y algunos extractos botánicos no tienen número CAS en absoluto. Un modelo al que se le pide "dame el número CAS" de un botánico a veces produce uno de todas formas en lugar de decir que no existe, porque dar una respuesta es para lo que está optimizado.

Si una notificación lleva el número CAS equivocado, eso es un error real en tu rastro documental, incluso si el nombre INCI en sí era correcto.

3. No expandir las mezclas de proveedores en sus componentes

Este es probablemente el error más determinante de todos. Un nombre comercial de proveedor como "Emulsense HC" o "Plantapon SPS" no es un nombre INCI y nunca debe aparecer directamente en una notificación. Tiene que expandirse en sus componentes INCI reales, y la concentración real de cada componente en el producto terminado es el nivel de uso de la mezcla multiplicado por su proporción dentro de la mezcla.

Las herramientas de IA genéricas con frecuencia se saltan este paso por completo, enumerando el nombre comercial como si fuera presentable directamente, o lo expanden usando porcentajes genéricos asumidos en lugar de la composición real de la mezcla del proveedor específico. Ambos casos producen una notificación que no refleja la fórmula real.

4. Leer mal la concentración como el porcentaje del producto terminado

Relacionado con el problema de las mezclas: los modelos a veces toman un porcentaje mencionado en cualquier parte de una descripción de fórmula y lo aplican directamente al ingrediente equivocado, sobre todo cuando una fórmula se describe en prosa en lugar de en una tabla clara. Si tus notas dicen "5% de una mezcla conservante que es 30% Phenoxyethanol", una lectura descuidada puede producir "Phenoxyethanol 5%" en lugar del 1.5% correcto. Eso es una sobreestimación de cinco veces la concentración real de un ingrediente restringido, que es exactamente el tipo de número que le importa a una verificación contra la Hotlist.

5. Tratar los nombres comerciales como seguros para presentar tal cual

Los nombres comerciales llevan peso de marketing e identidad de marca para el proveedor, pero una notificación necesita el nombre INCI estandarizado detrás. Las herramientas de IA entrenadas ampliamente con texto de internet a veces reconocen un nombre comercial y producen una descripción de él, pero no llegan a mapearlo completamente a INCI, especialmente para proveedores más pequeños o regionales cuya documentación no está muy representada en los datos de entrenamiento. El vacío se llena con una suposición que suena fluida y no está verificada contra la SDS real del proveedor.

Una comparación rápida de tipos de fallo

Dónde está la verdadera salvaguarda

Nada de esto significa que la IA no tenga lugar en el trabajo regulatorio cosmético. Significa que el resultado de la IA sin verificar no debería ser el último paso antes de una presentación. La versión útil de este flujo de trabajo combina el emparejamiento automatizado contra referencias INCI y CAS reales con un revisor humano que comprueba el resultado, especialmente las matemáticas de expansión de mezclas, antes de que se presente nada.

Esa es la estructura sobre la que está construido en realidad Cosmetic Comply: empareja tus ingredientes con nombres INCI y números CAS, expande las mezclas de proveedores en sus componentes reales con los porcentajes correctamente trasladados, verifica cada uno contra las listas prohibidas y restringidas relevantes con una puntuación de confianza, y luego un revisor de cumplimiento real comprueba el resultado antes de que salga la notificación. La automatización acelera el tedioso trabajo de emparejamiento. El revisor está ahí específicamente porque la automatización sola, de cualquier tipo, a veces sigue equivocándose con total seguridad.