Cinq erreurs INCI que font les outils d'IA sur les listes d'ingrédients

Quelqu'un a collé une formule dans un chatbot d'IA généraliste le mois dernier, lui a demandé de générer la liste INCI pour une déclaration, et a obtenu quelque chose qui semblait tout à fait plausible. Des noms au son juste, un tableau bien présenté, une mise en forme confiante. Deux des entrées étaient erronées d'une façon qui ne serait apparue que si l'on connaissait déjà l'ingrédient. C'est le piège des listes INCI générées par IA : le résultat est présenté avec assurance, qu'il soit exact ou non, et c'est justement cette assurance qui pousse les gens à cesser de vérifier.

Voici les schémas d'erreur précis à surveiller.

1. Inventer des noms INCI à l'allure plausible

Les grands modèles de langage sont des générateurs de motifs. Quand on leur demande le nom INCI d'un extrait botanique obscur ou d'un ingrédient synthétique récent, un modèle produit parfois quelque chose qui suit parfaitement les conventions de nommage INCI, binôme latin plus partie de plante plus « extrait », sans que ce nom exact existe dans aucun dictionnaire de nomenclature réel. Ça a l'air d'une vraie entrée parce que le modèle a appris le motif, pas l'ingrédient précis.

C'est le mode de défaillance le plus difficile à repérer parce qu'il n'a pas l'air faux. La solution est ennuyeuse mais nécessaire : vérifiez chaque nom INCI par rapport à une référence réelle, pas par rapport à son degré de plausibilité apparente.

2. Attribuer un numéro CAS qui appartient à une autre substance

Les numéros CAS sont des identifiants précis, et les modèles confondent fréquemment des substances aux noms similaires ou s'emparent d'un numéro CAS associé à un composé apparenté mais distinct. Certains ingrédients ont légitimement plusieurs numéros CAS selon le procédé de fabrication, et certains extraits botaniques n'ont aucun numéro CAS du tout. Un modèle à qui l'on demande « donne-moi le numéro CAS » pour un extrait botanique en produira parfois un quand même plutôt que de dire qu'il n'en existe pas, parce que produire une réponse, c'est ce pour quoi il est optimisé.

Si une déclaration comporte le mauvais numéro CAS, c'est une vraie erreur dans votre piste de documentation, même si le nom INCI lui-même était correct.

3. Ne pas décomposer les mélanges de fournisseurs en leurs composants

C'est probablement l'erreur la plus lourde de conséquences. Un nom commercial de fournisseur comme « Emulsense HC » ou « Plantapon SPS » n'est pas un nom INCI et n'a jamais sa place directement sur une déclaration. Il doit être décomposé en ses vrais composants INCI, et la vraie concentration de chaque composant dans le produit fini correspond au taux d'utilisation du mélange multiplié par sa part à l'intérieur du mélange.

Les outils d'IA génériques passent fréquemment cette étape entièrement sous silence, listant le nom commercial comme s'il était déclarable tel quel, ou ils le décomposent en utilisant des pourcentages génériques présumés au lieu de la composition réelle du mélange propre au fournisseur. Les deux produisent une déclaration qui ne reflète pas la vraie formule.

4. Confondre la concentration avec le pourcentage du produit fini

En lien avec le problème des mélanges : les modèles prennent parfois un pourcentage mentionné n'importe où dans une description de formule et l'appliquent directement au mauvais ingrédient, particulièrement quand une formule est décrite en texte plutôt que dans un tableau propre. Si vos notes disent « 5 % d'un mélange de conservateurs qui contient 30 % de phénoxyéthanol », une lecture négligente peut produire « phénoxyéthanol 5 % » au lieu du bon chiffre, 1,5 %. C'est une surestimation par cinq de la concentration d'un ingrédient réellement restreint, exactement le genre de chiffre qui intéresse un filtrage par liste critique.

5. Traiter les noms commerciaux comme sûrs à soumettre tels quels

Les noms commerciaux portent le poids marketing et l'identité de marque du fournisseur, mais une déclaration a besoin du nom INCI normalisé en dessous. Les outils d'IA entraînés largement sur du texte internet reconnaîtront parfois un nom commercial et en produiront une description, mais s'arrêteront avant de le cartographier complètement vers l'INCI, surtout pour les fournisseurs plus petits ou régionaux dont la documentation n'est pas largement représentée dans les données d'entraînement. L'écart se comble par une meilleure supposition qui se lit avec fluidité et n'est pas vérifiée par rapport à la propre FDS du fournisseur.

Un survol rapide des types d'erreurs

Erreur	Pourquoi ça arrive	À quoi ça ressemble sur une déclaration
Nom INCI inventé	Complétion de motif sans vraie correspondance	Un nom qui a l'air juste mais qui n'existe pas
Mauvais numéro CAS	Confusion de substances similaires	Mauvais identifiant lié à un ingrédient réel
Mélange non décomposé	Nom commercial traité comme définitif	Nom non INCI soumis directement
Concentration mal calculée	Pourcentage appliqué au mauvais composant	Niveau d'ingrédient restreint surestimé ou sous-estimé
Nom commercial laissé tel quel	Correspondance propre au fournisseur absente des données d'entraînement	Nom marketing là où l'INCI devrait être

Où se trouve le vrai garde-fou

Rien de tout cela ne signifie que l'IA n'a pas sa place dans le travail réglementaire cosmétique. Ça signifie qu'un résultat d'IA non vérifié ne devrait pas être la dernière étape avant une soumission. La version utile de ce flux de travail associe une mise en correspondance automatisée par rapport à de vraies références INCI et CAS avec un examinateur humain qui vérifie le résultat, en particulier les calculs de décomposition des mélanges, avant que quoi que ce soit ne soit déposé.

C'est la structure autour de laquelle Cosmetic Comply est réellement bâti : il fait correspondre vos ingrédients à des noms INCI et des numéros CAS, décompose les mélanges de fournisseurs en leurs vrais composants avec les pourcentages reportés, filtre chacun par rapport aux listes pertinentes d'ingrédients interdits et restreints avec un indice de confiance, puis un vrai examinateur de conformité vérifie le résultat avant que la déclaration ne parte. L'automatisation accélère le travail fastidieux de mise en correspondance. L'examinateur est là précisément parce que l'automatisation seule, peu importe laquelle, se trompe encore parfois avec assurance.