Cinco Erros de INCI que Ferramentas de IA Cometem em Listas de Ingredientes

Alguém colou uma fórmula em um chatbot de IA de uso geral no mês passado, pediu para ele gerar a lista INCI para uma notificação, e recebeu de volta algo que parecia completamente plausível. Nomes com aparência correta, uma tabela organizada, formatação confiante. Duas das entradas estavam erradas de um jeito que não apareceria a menos que você já conhecesse o ingrediente. Essa é a armadilha das listas INCI geradas por IA: o resultado sai confiante independentemente de estar certo, e essa confiança é exatamente o que faz as pessoas pararem de checar duas vezes.

Aqui estão os padrões específicos de falha que vale a pena observar.

1. Inventar nomes INCI com aparência plausível

Modelos de linguagem grandes são geradores de padrões. Quando solicitados a fornecer o nome INCI de um extrato botânico obscuro ou de um ingrediente sintético mais novo, um modelo às vezes produz algo que segue perfeitamente as convenções de nomenclatura INCI (binômio latino mais parte da planta mais tipo de extrato) sem que esse nome exato exista em nenhum dicionário de nomenclatura real. Ele soa exatamente como uma entrada real porque o modelo aprendeu o padrão, não o ingrediente específico.

Esse é o modo de falha mais difícil de detectar, porque não parece errado. A solução é chata, mas necessária: verificar cada nome INCI contra uma referência de fato, não contra o quão plausível ele soa.

2. Atribuir um número CAS que pertence a uma substância diferente

Números CAS são identificadores precisos, e os modelos frequentemente confundem substâncias com nomes parecidos ou pegam um número CAS associado a um composto relacionado, mas distinto. Alguns ingredientes têm legitimamente vários números CAS dependendo do processo de fabricação, e alguns extratos botânicos não têm número CAS nenhum. Um modelo solicitado a "dar o número CAS" de um botânico às vezes produz um mesmo assim, em vez de dizer que não existe, porque produzir uma resposta é para o que ele foi otimizado.

Se uma notificação carrega o número CAS errado, isso é um erro real no seu rastro de documentação, mesmo que o nome INCI em si estivesse correto.

3. Não expandir misturas de fornecedores em seus componentes

Esse é provavelmente o erro mais consequente de todos. Um nome comercial de fornecedor como "Emulsense HC" ou "Plantapon SPS" não é um nome INCI e nunca pertence diretamente a uma notificação. Ele precisa ser expandido nos seus componentes INCI reais, e a concentração real de cada componente no produto final é o nível de uso da mistura multiplicado pela sua participação dentro dela.

Ferramentas de IA genéricas frequentemente pulam essa etapa por completo, listando o nome comercial como se fosse arquivável, ou o expandem usando porcentagens genéricas presumidas em vez da composição real da mistura daquele fornecedor específico. Ambos produzem uma notificação que não reflete a fórmula real.

4. Confundir a concentração com a porcentagem no produto final

Relacionado ao problema da mistura: os modelos às vezes pegam uma porcentagem mencionada em qualquer parte da descrição de uma fórmula e a aplicam diretamente ao ingrediente errado, especialmente quando uma fórmula é descrita em texto corrido em vez de uma tabela organizada. Se as suas anotações dizem "5% de uma mistura conservante que é 30% Phenoxyethanol", uma leitura descuidada pode produzir "Phenoxyethanol 5%" em vez do correto 1,5%. Isso é uma superestimação de cinco vezes na concentração de um ingrediente realmente restrito, exatamente o tipo de número com que uma triagem da Hotlist se importa.

5. Tratar nomes comerciais como seguros para enviar como estão

Nomes comerciais carregam peso de marketing e identidade de marca para o fornecedor, mas uma notificação precisa do nome INCI padronizado por trás deles. Ferramentas de IA treinadas amplamente em textos da internet às vezes reconhecem um nome comercial e produzem uma descrição dele, mas param antes de mapeá-lo completamente para o INCI, especialmente para fornecedores menores ou regionais cuja documentação não está amplamente representada nos dados de treinamento. A lacuna acaba sendo preenchida com um palpite bem elaborado, que soa fluente e não é verificado contra o SDS real do fornecedor.

Uma comparação rápida dos tipos de erro

Onde está a verdadeira salvaguarda

Nada disso significa que a IA não tem lugar no trabalho regulatório cosmético. Significa que a saída de IA não verificada não deveria ser a última etapa antes de uma submissão. A versão útil desse fluxo de trabalho combina o cruzamento automatizado com referências reais de INCI e CAS com um revisor humano checando o resultado, especialmente a matemática de expansão de misturas, antes que qualquer coisa seja arquivada.

Essa é a estrutura em que a Cosmetic Comply é de fato construída: ela cruza os seus ingredientes com nomes INCI e números CAS, expande misturas de fornecedores nos seus componentes reais com as porcentagens carregadas corretamente, faz a triagem de cada um contra as listas proibidas e restritas relevantes com uma pontuação de confiança, e então um revisor de conformidade de verdade confere o resultado antes que a notificação seja enviada. A automação acelera o trabalho tedioso de cruzamento. O revisor está ali especificamente porque a automação sozinha, de qualquer tipo, ainda erra de forma confiante às vezes.