Czterokrotne przyspieszenie procesu tworzenia receptur — taki wynik osiągnęła L’Oréal dzięki wdrożeniu sztucznej inteligencji w laboratoriach kosmetycznych w ciągu zaledwie czterech lat. To nie jest wizja przyszłości: AI już dziś decyduje o tym, które kombinacje składników trafią do testów fizycznych, a które odpadną na etapie symulacji cyfrowej. Firmy takie jak Mondelez i Nestlé idą tym samym śladem, zmieniając branżę FMCG w jedno z najbardziej intensywnych pól testowych dla uczenia maszynowego.
Jak AI zmienia laboratoria kosmetyczne w L’Oréal?
Sztuczna inteligencja w L’Oréal działa jako narzędzie predykcyjnego formułowania — systemu, który symuluje zachowanie cząsteczek chemicznych na skórze i włosach, zanim jeszcze trafią do fizycznej próbówki. Fabrice Megarbane, prezydent działu produktów konsumenckich L’Oréal, poinformował agencję Reuters, że technologia ta pozwala przewidywać wpływ molekuł na ludzkie tkanki bez konieczności natychmiastowego przeprowadzania testów laboratoryjnych.
Praktyczny przykład tej metody pojawił się przy tworzeniu szamponu na bazie kolagenu. L’Oréal wykorzystała molekuły, które wcześniej stosowano wyłącznie w produktach do pielęgnacji skóry, i — dzięki analizie AI — odkryła ich potencjał w formułach do włosów, nadających objętość i uniesienie. Bez cyfrowej symulacji takie skojarzenie mogłoby nigdy nie zostać przetestowane, bo ręczne przeglądanie tysięcy kombinacji składników trwa latami.
L’Oréal oficjalnie potwierdza, że AI skróciła czas tworzenia receptur czterokrotnie. Wdrożenie tej technologii zbiega się z momentem strategicznego nacisku — dyrektor generalny Nicolas Hieronimus wprowadził w 2024 roku program nazwany „beauty stimulus plan”, mający przyspieszyć wprowadzanie nowych produktów na rynek w odpowiedzi na zmieniające się gusta konsumentów.
Co to jest predykcyjne formułowanie i dlaczego rewolucjonizuje branżę?
Predykcyjne formułowanie to zastosowanie modeli uczenia maszynowego do przewidywania właściwości i skuteczności składników chemicznych w nowych kombinacjach, zanim zostaną one fizycznie zsyntetyzowane lub zmieszane. Zamiast testować setki wariantów w laboratorium, naukowcy uruchamiają symulacje komputerowe, które oceniają zmienne takie jak stabilność formuły, skuteczność działania czy potencjalne efekty uboczne.
Klasyczne podejście do tworzenia produktów kosmetycznych lub spożywczych opierało się na metodzie prób i błędów: chemicy lub technolodzy żywności tworzyli próbki, oceniali je sensorycznie i chemicznie, odrzucali nieudane warianty i zaczynali od nowa. Cykl ten trwał miesiące, a nawet lata. Predykcyjne formułowanie skraca tę fazę do tygodni lub dni, przenosząc większość „błędów” do przestrzeni wirtualnej, gdzie nie kosztują ani czasu, ani materiałów.
Kluczową rolę odgrywają tu modele oparte na danych historycznych: każda wcześniej przetestowana receptura dostarcza informacji, które uczą algorytm, jakie kombinacje mają szansę powodzenia. Im dłużej firma gromadzi dane laboratoryjne, tym trafniejsze stają się prognozy — co daje wielkim graczom takim jak L’Oréal (działającym ponad 100 lat) ogromną przewagę nad nowymi konkurentami.
Redakcja IWD Partner: Ciekawe jest to, że AI w laboratoriach przemysłowych pełni rolę analogiczną do tej, którą odgrywa w odkrywaniu leków — tam mówi się o skróceniu cyklu badań z dekad do miesięcy. Jeśli ten sam mechanizm sprawdza się przy szamponie z kolagenem czy ciastku bez glutenu, pojawia się pytanie: czy granica między „poważną nauką” a przemysłem konsumenckim w ogóle jeszcze istnieje? A może właśnie duże korporacje FMCG, dysponując miliardami próbek danych, staną się nieoczekiwanym motorem rozwoju metod AI dla farmacji i biotechnologii?
Jak Mondelez używa AI do tworzenia przepisów dla Oreo i Cadbury?
W Mondelez sztuczna inteligencja wspiera opracowywanie receptur dla takich marek jak Cadbury, Toblerone, Oreo i Chips Ahoy. Filippo Catalano, dyrektor ds. informacji i cyfryzacji Mondelez, wyjaśnił w 2025 roku, że wdrożone narzędzie potrafi generować propozycje przepisów — w tym niestandardowe i zaskakujące kombinacje składników — które następnie oceniane są przez ekspertów z branży spożywczej.
Efektem praktycznym jest redukcja liczby fizycznych próbek tworzonych podczas procesu innowacji produktowej. Zamiast produkować dziesiątki partii testowych w piekarni pilotażowej, technolodzy żywności otrzymują od AI wstępnie przefiltrowaną listę wariantów, spośród których tylko najlepiej rokujące trafiają do realnego wypieku. Mondelez potwierdza, że narzędzie wsparło opracowanie bezglutenowych ciastek Golden Oreo oraz odświeżonej receptury Chips Ahoy.
Dane opublikowane przez Mondelez są konkretne: 60% receptur biszkoptowych wygenerowanych z pomocą AI osiągnęło lepsze wyniki niż poprzednie wersje — jednocześnie pod względem wartości odżywczej, śladu środowiskowego i kosztu produkcji. Połączenie tych trzech kryteriów w jednym cyklu optymalizacji było wcześniej praktycznie niemożliwe bez narzędzi cyfrowych.
AI jako bufor w łańcuchu dostaw
Catalano wskazał na dodatkowe zastosowanie systemu AI wykraczające poza samą innowację produktową. Narzędzie może identyfikować alternatywne receptury w sytuacjach, gdy dany składnik staje się niedostępny, zbyt kosztowny lub niemożliwy do pozyskania z dotychczasowego źródła. W praktyce oznacza to, że AI pomaga zmniejszyć ryzyko uzależnienia od jednego dostawcy surowca — problemu, który boleśnie ujawnił się w globalnym łańcuchu dostaw podczas pandemii COVID-19 i późniejszych kryzysów logistycznych.
| Firma | Zastosowanie AI | Konkretny efekt | Marki / obszary |
|---|---|---|---|
| L’Oréal | Predykcyjne formułowanie składników kosmetycznych | 4× szybszy proces tworzenia receptur | Produkty do pielęgnacji skóry i włosów |
| Mondelez | Generowanie i optymalizacja przepisów spożywczych | 60% receptur AI lepszych niż poprzednie wersje | Oreo, Cadbury, Toblerone, Chips Ahoy |
| Nestlé | Testowanie składników, optymalizacja receptur | Skrócenie cyklu testów (dane wstępne 2025) | Produkty żywnościowe i napoje |
| Haleon | Innowacje w produktach zdrowia konsumenckiego | Wsparcie procesu reformulacji (dane wstępne 2025) | Produkty zdrowotne OTC |
Dlaczego AI w przemyśle FMCG ma znaczenie?
Zastosowanie uczenia maszynowego w branży dóbr szybkozbywalnych (ang. Fast-Moving Consumer Goods, FMCG) to coś więcej niż optymalizacja kosztów. Chodzi o zmianę fundamentalnego rytmu, w jakim produkty trafiają na półki sklepów. Skrócenie cyklu tworzenia receptury z kilkunastu miesięcy do kilku tygodni pozwala firmom reagować na trendy konsumenckie w czasie zbliżonym do rzeczywistego — tam, gdzie wcześniej decyzje podejmowane były na podstawie analiz sprzed roku lub dwóch.
L’Oréal w ciągu czterech lat wdrażania AI wypracowała model, który może stać się wzorcem dla całego sektora. Jeśli predykcyjne formułowanie sprawdza się przy złożonych formulacjach kosmetycznych — gdzie chemia skóry i interakcje składników aktywnych są niezwykle trudne do przewidzenia — to ten sam aparat matematyczny może być stosowany w farmaceutykach, suplementach diety czy chemii budowlanej.
Dane z Mondelez pokazują też wymiar społeczny: 60% receptur AI wypada lepiej pod względem zrównoważonego rozwoju, co sugeruje, że algorytmy mogą realnie obniżyć ślad środowiskowy produkcji żywności — branży odpowiedzialnej według danych ONZ z 2023 roku za około 26% globalnych emisji gazów cieplarnianych. Jeśli obserwacje Mondelez się potwierdzą na większej skali, AI stanie się narzędziem nie tylko biznesowym, ale i klimatycznym.
Powiązane pojęcia z AI i uczenia maszynowego
- Predykcyjne formułowanie — technika wykorzystująca modele uczenia maszynowego do przewidywania właściwości nowych kombinacji składników chemicznych bez konieczności fizycznego tworzenia próbek.
- Generatywna AI — klasa modeli sztucznej inteligencji zdolnych do tworzenia nowych treści, receptur lub struktur molekularnych na podstawie wyuczonych wzorców z danych historycznych.
- Optymalizacja wielokryterialna — metoda obliczeniowa pozwalająca jednocześnie optymalizować wiele parametrów (np. koszt, wartość odżywcza, ślad środowiskowy) w jednym procesie decyzyjnym.
- Cyfrowy bliźniak — wirtualna replika procesu laboratoryjnego lub produkcyjnego, umożliwiająca testowanie zmian w środowisku symulowanym przed wdrożeniem w rzeczywistości.
- Transfer wiedzy — technika uczenia maszynowego polegająca na adaptowaniu modelu wytrenowanego w jednej dziedzinie (np. pielęgnacja skóry) do zastosowań w innej (np. formułowanie szamponów).
Na podstawie materiałów źródłowych.
