AI kini sudah mengubah formulasi kosmetik di tiga area terbatas: menyusun formula awal, mencari interaksi bahan, dan menyaring kandidat molekul. AI tidak menggantikan formulator. Dalam evaluasi ChemBench terhadap lebih dari 2.700 soal kimia, model bahasa terkemuka rata-rata mengungguli ahli kimia berpengalaman, namun tetap gagal pada tugas-tugas dasar dan tetap terlalu percaya diri.
- Lebih dari 2.700 pasangan pertanyaan–jawaban dalam benchmark ChemBench (studi tinjauan sejawat, Nature Chemistry, 2025): model terbaik rata-rata mengungguli ahli kimia manusia terbaik, namun tetap gagal pada tugas sederhana dan melaporkan kepercayaan tinggi meski jawabannya salah.
- Di bawah 1% — tanpa urutan, tanpa angka. Berdasarkan Peraturan BPOM No. 25 Tahun 2025, bahan-bahan dengan konsentrasi di bawah 1% dapat dicantumkan dalam urutan apa pun setelah bahan-bahan di atas 1%, dan konsentrasi tidak pernah dicantumkan pada kemasan. AI yang membaca daftar INCI tidak dapat merekonstruksi formula darinya.
- Homosalate 10%, Benzophenone-3 2,2% / 6% — batas yang saat ini tercantum dalam Annex VI Regulasi Kosmetik Inggris (teks regulasi). Angka untuk homosalate di UE berbeda setelah amendemen berikutnya — persis jenis detail yang sering dinyatakan dengan percaya diri oleh model bahasa, namun salah.
- 1,0–2,0% sesuai kondisi pasokan (b/b) — kadar pakai yang disarankan untuk INOLEX SpectraStat GHL Natural, menyempit menjadi 1,0–1,5% dalam emulsi O/W, ditambahkan ke fase air di bawah 80°C (halaman teknis pemasok). Angka ini terikat pada satu bahan baku dan satu sistem tertentu, bukan aturan universal.
- 6–20% sesuai kondisi pasokan, pH di bawah 5 — sistem kondisioner INOLEX AminoSensyl HC pada produk conditioner rinse-off dan leave-in, ditambahkan ke fase minyak pada suhu 75°C (halaman teknis pemasok). Ubah pH-nya, dan rentang yang diberikan pemasok pun tidak lagi berlaku.
Bayangkan situasi ini: Anda membuka laptop pukul 11 malam, tidak punya akses ke database pemasok Anda, dan tenggat waktu untuk formulasi baru adalah besok pagi. Dulu, ini berarti berjam-jam terkubur dalam tumpukan buku teks atau pencarian putus asa di forum-forum. Kini, sejumlah ahli kimia kosmetik cukup membuka ChatGPT—dan mendapatkan formula awal dalam tiga menit. Ini bukan sihir, dan bukan pula ancaman bagi profesi ini. Ini adalah alat yang sudah membentuk ulang industri—dan semakin cepat Anda memahami cara kerjanya (dan di mana ia berbohong), semakin baik pula hasilnya bagi formula Anda.
Apa yang bisa dilakukan AI dalam kimia kosmetik saat ini
Perbincangan tentang kecerdasan buatan dalam industri kecantikan sering berujung pada rekomendasi personal di situs web ritel. Namun itu hanya puncak gunung es. Pada level pengembangan formula, AI sudah menjalankan beberapa fungsi spesifik—dan beberapa di antaranya benar-benar mengesankan.
Sebelum melanjutkan, ada baiknya kita membedakan dua jenis bukti yang sangat berbeda, karena sebagian besar kebingungan tentang "AI dalam kosmetik" muncul karena keduanya tercampur. Studi tinjauan sejawat memberi tahu Anda apa yang dilakukan sebuah model pada tugas tertentu dengan aturan penilaian tertentu. Halaman teknis pemasok memberi tahu Anda apa yang dilakukan bahan baku pemasok tersebut dalam sistem uji pemasok itu sendiri. Pengumuman platform vendor memberi tahu Anda apa yang ingin dipercaya oleh sebuah perusahaan tentang perangkat lunak yang mereka jual, dan ini tetaplah klaim pemasaran hingga seseorang mempublikasikan metodenya. Artikel ini akan menandai jenis sumber mana yang berbicara setiap kali sebuah angka muncul.
Menghasilkan formulasi awal
Model bahasa besar—GPT-4, Claude, Gemini—dilatih dengan jumlah teks yang sangat besar, termasuk paten, artikel ilmiah, lembar data teknis bahan, dan formularium pemasok. Artinya, jika Anda meminta model tersebut menyarankan resep dasar untuk sampo pelembap, ia akan menghasilkan sesuatu seperti: Sodium Laureth Sulfate 10–12%, Cocamidopropyl Betaine 3–5%, Sodium Chloride untuk penyesuaian viskositas, panthenol 0,5%, fragrance, pengawet—dan ini adalah titik awal yang masuk akal. Tidak sempurna, tapi merupakan basis fungsional untuk melangkah lebih jauh.
Seberapa masuk akal, tepatnya? Pengukuran publik terbaik hingga saat ini adalah ChemBench, sebuah benchmark tinjauan sejawat berisi lebih dari 2.700 pasangan pertanyaan–jawaban kimia yang dikurasi, di mana model-model paling kuat rata-rata mengungguli ahli kimia manusia terbaik dalam studi tersebut — dan pada saat yang sama gagal pada beberapa tugas dasar sambil memberikan prediksi yang terlalu percaya diri (Mirza dkk., Nature Chemistry, 2025). Cermati hasil ini dengan hati-hati, karena berlaku dua arah: ini adalah bukti bahwa kemampuan kimia sebuah model benar-benar berguna sebagai draf, dan sekaligus bukti bahwa tingkat kepercayaannya tidak memberi informasi apa pun tentang apakah jawaban tertentu itu benar. Kegagalannya bukan "model ini bodoh"; melainkan "model ini sama lancarnya baik saat benar maupun saat salah."
Alat AI khusus untuk kosmetik—seperti Mindsync atau platform berbasis GPT dengan dataset kosmetik—melangkah lebih jauh: mereka mengklaim dapat memperhitungkan kompatibilitas bahan, rentang pH, bahkan batasan regulasi regional. Anggap ini sebagai klaim vendor, bukan hasil yang dipublikasikan: pada saat artikel ini ditulis, tidak satu pun dari asisten kosmetik komersial ini merilis benchmark, set uji, atau tingkat kesalahan yang bisa direplikasi oleh formulator luar. Untuk memahami mengapa pH begitu penting dalam setiap formula, saya sarankan membaca panduan pH dalam kosmetik kami—tanpa dasar ini, bahkan jaringan neural paling pintar pun tidak akan menyelamatkan Anda dari formula yang tidak stabil.
Mencari bahan dan interaksinya
Salah satu kegunaan AI yang paling kurang dihargai adalah pencarian cepat interaksi bahan. Anda menambahkan agen kondisioner kationik baru ke dalam formula dan ingin memastikan tidak berkonflik dengan thickener anionik? Sebelumnya, ini membutuhkan membaca lima lembar data teknis. Kini, cukup satu prompt di GPT dengan spesifikasi: "jelaskan interaksi antara Polyquaternium-10 dan Carbomer dalam sampo dengan pH 5,5."
Tentu saja, jawabannya harus diverifikasi. Namun sebagai titik awal penelitian, ini menghemat satu jam kerja. Terutama untuk sistem yang kompleks: misalnya, bagaimana gelling agent dan thickener berperilaku di bawah tekanan mekanis—lebih lanjut soal ini di artikel kami tentang tribologi, gum, dan gelling agent.
Tempat AI benar-benar menunjukkan nilainya di luar sekadar chat adalah dalam penyaringan (screening) — mempersempit ruang kandidat yang besar sebelum siapa pun menyentuh gelas kimia. Contoh yang dipublikasikan di luar jendela chat: dua model machine learning berbasis ligan digunakan untuk menyaring pustaka produk alami dan obat guna mencari inhibitor tirosinase, hasil teratas kemudian diurutkan ulang melalui docking molekuler, dan tiga kandidat terdepan lalu dikonfirmasi in vitro, yang semuanya menunjukkan penghambatan tirosinase-jamur lebih kuat dibandingkan arbutin (studi tinjauan sejawat, ACS Omega, 2025). Perhatikan apa yang membuat hasil ini kredibel dan jawaban chatbot tidak: model tersebut menghasilkan daftar pendek berurutan, dan uji laboratorium basah — bukan model itu sendiri — yang menentukan kandidat mana yang lolos.
Di mana AI, sejujurnya, masih belum mampu
Di sinilah kita mulai perbincangan yang jujur. AI adalah alat probabilistik. Ia tidak "mengetahui" kimia seperti seorang formulator berpengalaman. Ia memprediksi token berikutnya yang paling mungkin dalam sebuah teks, berdasarkan pola dalam data pelatihannya. Dan ini menciptakan beberapa masalah sistemik.
Halusinasi dan data yang sudah usang
Model-model ini secara rutin "berhalusinasi"—mereka memberikan bahan yang tidak ada, konsentrasi yang salah, atau data regulasi yang sudah usang dengan penuh percaya diri. Filter UV adalah contoh buku teks untuk hal ini, karena angka-angkanya berubah dan model tidak ikut berubah bersamanya. Dalam Lampiran Peraturan BPOM No. 25 Tahun 2025, homosalate saat ini ditetapkan sebesar 10%, sementara benzophenone-3 dibagi berdasarkan jenis produk pada 2,2% untuk produk kulit umum dan 6% untuk produk wajah, tangan, dan bibir. Versi UE dari annex yang sama sejak itu telah mengubah homosalate menjadi angka yang lebih rendah, khusus untuk wajah. Dua jurisdiksi, satu bahan, dua angka hukum yang berbeda — dan model bahasa yang ditanya "berapa batas maksimum homosalate yang diperbolehkan" biasanya akan menjawab dengan satu angka, tanpa jurisdiksi, dan dengan kepercayaan penuh. Ini bukan masalah kecil: ini adalah potensi penarikan produk dari pasar.
Ada juga versi kedua dari masalah yang sama, lebih tersembunyi, yang menjebak siapa pun yang menggunakan AI untuk membedah formula kompetitor. Model yang diberi daftar INCI akan dengan senang hati "memperkirakan" persentasenya. Padahal ia tidak bisa melakukannya. Berdasarkan Pasal 19 dari regulasi yang sama, daftar bahan disusun berdasarkan urutan berat menurun hanya sampai batas 1% — di bawah itu, bahan bisa dicantumkan dalam urutan apa pun — dan konsentrasi sama sekali tidak pernah dicetak. Jadi segala hal yang "dikatakan" label tentang pengawet pada 0,8% atau bahan aktif pada 0,3% sebenarnya adalah rekaan model, bukan pembacaan kemasan. Ini adalah batasan regulasi terhadap informasi yang tersedia, bukan batasan yang bisa diatasi dengan prompting yang lebih baik.
Poin menyakitkan kedua adalah tekstur dan estetika formula krim. AI tidak merasakan bagaimana sebuah krim terasa di kulit. Ia tidak tahu bahwa klien Anda membenci hasil akhir yang "lengket" atau bahwa satu batch shea butter tertentu dari Burkina Faso berperilaku berbeda dari shea Afrika Barat—meskipun iklim memang benar-benar memengaruhi komposisi minyak nabati, dan itu adalah nuansa yang hidup di tangan formulator, bukan dalam dataset.
Kurangnya keahlian sensorik
Kosmetik, dalam kadar yang sangat besar, adalah pengalaman sensorik. Busa sampo, kelicinan conditioner pada rambut basah, sensasi setelah dibilas—semua ini tidak bisa didigitalkan secara utuh ke dalam dataset pelatihan. AI mungkin menyarankan menambahkan 1% Behentrimonium Chloride untuk memperbaiki detangling—dan itu secara teknis benar. Tapi ia tidak akan memberi tahu Anda bahwa dalam sistem spesifik Anda dengan kadar cetyl alcohol yang tinggi, ini akan menghasilkan sensasi taktil "berlilin" yang tidak diinginkan. Pengetahuan itu hanya datang dari pengalaman praktik.
Bandingkan "1%" yang samar tersebut dengan cara pemasok sebenarnya menyatakan dosis. Sistem kondisioner INOLEX AminoSensyl HC (Brassica Alcohol and Brassicyl Valinate Esylate) didokumentasikan pada halaman teknis produsen sendiri sebesar 6–20% sesuai kondisi pasokan untuk conditioner rinse-off dan leave-in — dengan bahan ditambahkan ke fase minyak pada suhu 75°C dan persyaratan bahwa formula akhir berada di bawah pH 5. Setiap bagian dari kalimat itu penting dan saling terkait. Ini adalah rentang untuk bahan baku tertentu, dalam fase tertentu, pada pH tertentu, dari perusahaan yang menjualnya; ini tidak mengatakan apa pun tentang quat berbeda dalam basis yang berbeda. Model yang merata-ratakan belasan rentang seperti itu menjadi satu "kisaran umum 1–5%" telah menghancurkan justru informasi yang membuatnya bisa dipakai.
Personalisasi: di sinilah AI benar-benar mengubah permainan
Penerapan AI paling revolusioner dalam kosmetik bukanlah menghasilkan formula krim, melainkan personalisasi dalam skala industri. Ini adalah sesuatu yang sebelumnya secara fisik tidak mungkin dilakukan.
Analisis data konsumen
Perusahaan seperti Prose atau Function of Beauty menggunakan algoritma machine learning untuk menganalisis ratusan parameter: porositas rambut, kesadahan air di wilayah tempat tinggal, jenis kulit kepala, perawatan warna, dan iklim. Hasilnya adalah formulasi personal yang secara teknis berbeda dari milik tetangga Anda. Mekanismenya memang nyata — didukung oleh variasi sungguhan dalam kadar protein (misalnya, Hydrolyzed Keratin dari 0,5% hingga 3%), jenis silikon (Amodimethicone vs Dimethicone), dan rasio agen pelembap. Performanya, meski demikian, adalah klaim perusahaan: baik satu maupun merek lainnya tidak mempublikasikan model, fitur input, atau perbandingan efikasi terhadap kontrol non-personal, sehingga "ratusan parameter" hanyalah salinan iklan sampai benar-benar diukur.
Seperti apa personalisasi berskala besar terlihat ketika seseorang benar-benar mempublikasikannya, cukup mencerahkan. Dalam sebuah studi terhadap 1.156.703 wanita dewasa Tiongkok, sebuah algoritma menilai tingkat keparahan akne dari selfie smartphone beresolusi tinggi bersama kuesioner gaya hidup, dan fitur-fitur yang dinilai AI — komedo, tingkat keparahan pori, lingkaran hitam, kekasaran kulit — sejalan dengan tingkat keparahan akne, yang menurun setelah usia 25 tahun, mencapai titik terendah pada usia 40–44 tahun, lalu naik lagi setelahnya (studi tinjauan sejawat, Skin Research and Technology, 2024). Itulah bentuk sesungguhnya dari teknologi ini: sangat unggul dalam menemukan pola tingkat populasi dari sejuta wajah, namun bisu tentang apa yang seharusnya dipakai oleh setiap individu di wajahnya sendiri.
Bagi formulator rumahan atau brand kecil, level ini saat ini masih belum terjangkau, tetapi penting untuk memahami ke mana arah industri saat ini. Terutama jika Anda baru memulai perjalanan Anda — lihat halaman tentang sekolah kami, di mana Anda bisa mendapatkan gambaran keterampilan mana yang akan dibutuhkan dalam beberapa tahun mendatang.
Prediksi Stabilitas
Beberapa produsen besar — Evonik, Givaudan di bidang fragrance, Unilever dengan pengembangan internal — menjelaskan model ML yang digunakan untuk memprediksi perilaku emulsi sebelum pengujian dunia nyata dimulai. Prinsipnya sederhana: algoritma yang dilatih dengan ribuan hasil uji stabilitas historis dapat mengurutkan kombinasi mana yang paling mungkin mengalami pemisahan setelah 6 bulan pada suhu 40°C, dan kegagalan disaring pada tahap pemodelan, bukan di meja kerja laboratorium.
Ada dua catatan editorial yang perlu diperhatikan, keduanya disengaja. Pertama, ini adalah pengumuman perusahaan, bukan metode yang dipublikasikan — nama platform internal yang muncul dalam siaran pers dan tidak ditemukan di mana pun dalam literatur ilmiah sebaiknya dianggap sebagai branding, dan artikel ini tidak lagi mengulang nama yang tidak dapat kami lacak ke dokumen atau publikasi Evonik mana pun. Kedua, meskipun pemodelannya nyata, ini tetap merupakan langkah penyaringan awal, bukan hasil akhir: tidak ada di dalamnya yang menggantikan protokol stabilitas sungguhan pada suhu 40°C, −10°C, dan melalui siklus freeze–thaw. Di mana AI benar-benar memiliki peran terdokumentasi dan dapat diperiksa dalam pekerjaan keamanan kosmetik justru lebih sempit dan kurang glamor — misalnya kerangka kerja deep learning yang dapat dijelaskan (explainable), yang dibangun untuk menandai motif alergenik dalam sekuens peptida sebelum peptida tersebut masuk ke dalam formulasi, dengan alur penalaran model itu ditampilkan melalui SHAP dan LIME sehingga manusia dapat mengaudit mengapa sebuah sekuens ditandai (studi tinjauan sejawat, Journal of Proteome Research, 2026).
Panduan Praktis: Cara Menggunakan AI dalam Pekerjaan Formulasi Anda Sekarang Juga
Jika Anda melakukan formulasi — baik secara profesional maupun sebagai hobi — berikut adalah skenario konkret di mana AI benar-benar membantu, dan di mana kehati-hatian tetap diperlukan.
Apa yang Bisa Anda Percayakan kepada Jaringan Saraf (Neural Network)
- Membuat formula awal. Minta ChatGPT atau Claude untuk mengusulkan basis formula — dan gunakan itu sebagai draf, bukan sebagai resep final. Sebutkan secara spesifik: jenis produk, target pH, viskositas yang diinginkan, dan batasan bahan.
- Menjelaskan mekanisme kerja. "Jelaskan bagaimana Polyquaternium-7 menempel pada permukaan rambut yang rusak" — ini adalah contoh prompt yang bagus. Model akan memberikan penjelasan yang jelas, yang bisa Anda verifikasi dengan sumber primer.
- Mencari sinonim INCI. Saat Anda perlu mencari nama dagang untuk suatu nama INCI tertentu, atau sebaliknya — AI bisa menanganinya dengan cepat. Namun, konfirmasi hasilnya dengan nomenklatur yang dimiliki Personal Care Products Council, pemegang sistem penamaan INCI, bukan hanya mengandalkan memori model.
- Brainstorming alternatif. "Apa yang bisa menggantikan DMDM Hydantoin dalam sistem ini sambil mempertahankan spektrum aktivitas yang luas?" — ini pertanyaan yang bagus untuk memunculkan ide, yang kemudian harus Anda verifikasi. Verifikasi berarti membuka dokumen aslinya: INOLEX SpectraStat GHL Natural (Propanediol, Caprylhydroxamic Acid, Glyceryl Heptanoate), misalnya, didokumentasikan oleh produsennya pada 1,0–2,0% sebagaimana dipasok (w/w), menyempit menjadi 1,0–1,5% dalam emulsi O/W dan 1,5–2,0% dalam pembersih dan sunscreen, ditambahkan ke fase air di bawah 80°C, dengan hasil lolos uji dikutip terhadap EP-A, EP-B, USP 51, dan uji challenge PCPC. Itu adalah pernyataan pemasok tentang bahan baku pemasok itu sendiri — angka nyata dengan metode uji yang jelas, yang justru tidak dimiliki oleh saran AI seperti "gunakan sekitar 1%".
- Bantuan untuk deskripsi produk. Copywriting untuk kosmetik adalah keahlian lain dari model bahasa ini.
Di Mana Keahlian Manusia Tetap Diperlukan
- Pemeriksaan kepatuhan regulasi final. Selalu periksa teks terkini secara langsung: Peraturan BPOM No. 25 Tahun 2025 untuk produk yang dipasarkan di Indonesia, database CosIng UE sebagai referensi teknis internasional, serta IFRA Standards untuk apa pun yang mengandung fragrance. Jangan pernah menerima suatu batas angka dari model tanpa membuka lampirannya sendiri.
- Evaluasi tekstur dan sifat sensorik. Ini membutuhkan tangan, hidung, dan kulit — tidak ada algoritma yang bisa menggantikannya.
- Uji stabilitas. Uji nyata pada suhu 40°C, -10°C, dan dalam kondisi siklus freeze-thaw adalah wajib. Prediksi AI hanya alat bantu.
- Bekerja dengan bahan baru atau jarang digunakan. Jika suatu bahan baru muncul, kemungkinan besar hampir tidak ada dalam data pelatihan model — di sinilah Anda perlu lembar data teknis dan kontak langsung dengan pemasok.
Etika dan masa depan: AI sebagai rekan kerja, bukan pengganti
Salah satu ketakutan yang paling sering saya dengar dari calon ahli kimia kosmetik adalah: "Kenapa harus belajar formulasi kalau AI bisa melakukannya untuk saya?" Ini kurang lebih sama seperti bertanya di tahun 2000: "Kenapa harus belajar fotografi kalau sudah ada kamera digital?" Teknologi mengubah alatnya, tetapi tidak menghilangkan kebutuhan untuk memahami apa yang sedang Anda lakukan.
Hasil ChemBench memberikan jawaban itu dasar pembuktian, bukan sekadar perasaan. Jika sebuah model bisa mengungguli ahli kimia profesional secara rata-rata namun tetap gagal pada pertanyaan-pertanyaan dasar dengan penuh keyakinan, maka keterampilan yang langka bukan lagi soal mengingat — melainkan kemampuan untuk mengetahui mana dari dua jawaban yang sama-sama lancar itu yang sebenarnya keliru. Itu adalah keterampilan kimia, dan itu diperoleh di meja kerja laboratorium.
AI tidak menanggung tanggung jawab atas keamanan produk. Ia tidak tahu bahwa satu batch minyak jojoba tertentu dari pemasok Anda memiliki profil asam lemak yang tidak standar. Ia tidak merasakan bahwa formula krim "hampir pas," tetapi ada sesuatu yang kurang tepat — pengetahuan intuitif yang muncul setelah ratusan eksperimen. Itulah sebabnya jalan dari sekadar penasaran menjadi formulator profesional tetap membutuhkan pelatihan nyata — kami membahas ini lebih lanjut di artikel cara menjadi ahli kimia kosmetik.
Masa depan yang sudah mulai terjadi adalah model hibrida. AI mengambil peran rutin: pencarian, pembuatan opsi, dokumentasi, dan analisis kompatibilitas awal. Manusia mengambil peran penilaian, evaluasi sensorik, etika, dan keputusan akhir. Mereka yang menguasai kedua "bahasa" — kimia dan algoritma — akan berada dalam posisi paling kuat.
Jika Anda ingin membangun fondasi seperti itu — memahami kimia cukup baik hingga bisa menilai secara kritis apa pun yang disarankan oleh alat apa pun, termasuk jaringan saraf — coba lihat Walker Formulation Academy Club. Ini adalah komunitas praktisi yang membahas kasus nyata, bukan teori di ruang kosong.
Bisakah Anda sepenuhnya percaya pada ChatGPT saat mengembangkan formula shampo atau conditioner rambut?
Tidak — dan ini bukan kekurangan alatnya, melainkan sifat dasarnya. ChatGPT menghasilkan respons probabilistik berdasarkan pola dalam data pelatihannya, dan studi ChemBench menemukan bahwa model-model terkuat tetap terlalu percaya diri bahkan ketika mereka gagal. Formula awal yang diusulkannya bisa jadi titik awal yang masuk akal, tetapi perlu diverifikasi pada beberapa parameter: relevansi batasan regulasi, kompatibilitas merek bahan tertentu (bukan hanya INCI-nya), dan stabilitas dalam sistem produksi Anda. Perlakukan formula hasil AI seperti draf dari seorang intern dengan dasar teori yang baik — berguna, tetapi tetap perlu diverifikasi oleh ahli.
Alat AI apa yang benar-benar digunakan ahli kimia kosmetik pada 2024–2025?
Di antara alat yang tersedia untuk umum, asisten serba guna seperti ChatGPT dan Claude digunakan untuk membuat formula, menjelaskan mekanisme kerja, dan mencari bahan. Di antara alat khusus, ada platform berbasis RAG (Retrieval-Augmented Generation) yang dilatih dengan dataset kosmetik, dan beberapa pemasok bahan baku mulai mengintegrasikan asisten AI ke dalam portal mereka untuk para teknisi — kemampuan yang diumumkan oleh perusahaan itu sendiri, bukan yang telah diukur dalam literatur. Untuk prediksi stabilitas dan pemodelan molekuler, digunakan perangkat lunak kimia komputasi yang lebih khusus, tetapi ini berada di level laboratorium R&D besar. Untuk pembuat produk rumahan dan merek kecil, model umum ditambah pemikiran kritis saat ini sudah cukup.
Akankah AI mengubah persyaratan pendidikan bagi ahli kimia kosmetik?
Kemungkinan besar akan menggeser fokus, bukan menghapus kebutuhan pendidikan. Pemahaman dasar tentang kimia emulsi, surfaktan, keseimbangan pH, dan stabilitas akan tetap menjadi fondasi—justru karena mustahil menilai kualitas apa yang disarankan algoritma tanpa itu. Namun, nilai keterampilan data, kemampuan menyusun query yang tepat (prompt engineering), dan evaluasi kritis terhadap hasil AI akan semakin meningkat. Ahli kimia yang memiliki kedua kemampuan ini akan jauh lebih produktif.
Mengapa AI tidak bisa menghitung persentase produk kompetitor dari daftar INCI-nya?
Karena informasi itu tidak ada di label. Peraturan BPOM No. 25 Tahun 2025 mewajibkan bahan-bahan dicantumkan berurutan menurut bobotnya hanya di atas 1%; semua yang di bawah 1% bisa muncul dalam urutan apa pun, dan tidak ada angka konsentrasi yang dicantumkan di kemasan. Persentase apa pun yang diberikan model untuk produk kompetitor adalah hasil dugaan, bukan hasil pembacaan data nyata.
Apakah lembar data teknis pemasok merupakan sumber yang lebih baik daripada jurnal penelitian?
Itu adalah sumber yang berbeda, bukan yang lebih baik. Halaman teknis seperti milik INOLEX untuk SpectraStat GHL Natural mendokumentasikan apa yang dilakukan bahan baku spesifik tersebut dalam uji challenge milik pemasok itu sendiri, pada tingkat penggunaan dan suhu proses tertentu — otoritatif untuk bahan itu, tetapi tidak memberikan informasi tentang bahan lain. Studi peer-review menjelaskan populasi dan endpoint tertentu. Gunakan halaman teknis untuk dosis dan proses, dan studi ilmiah untuk memastikan apakah efeknya benar-benar ada.
Sumber
- Mirza A. et al. A framework for evaluating the chemical knowledge and reasoning abilities of large language models against the expertise of chemists. Nature Chemistry, 2025 (PMID 40394186)
- Peraturan BPOM No. 25 Tahun 2025 tentang Persyaratan Teknis Bahan Kosmetik — sebagai referensi hukum utama di Indonesia
- Peraturan BPOM No. 25 Tahun 2025, Lampiran terkait UV filters yang diizinkan dalam produk kosmetik — sebagai referensi hukum utama di Indonesia
- Discovery of Potential Tyrosinase Inhibitors via Machine Learning and Molecular Docking with Experimental Validation. ACS Omega, 2025 (PMID 40918329)
- Facial adult female acne in China: an analysis based on artificial intelligence over one million. Skin Research and Technology, 2024 (PMID 38572573)
- Deciphering Allergen Peptides for Dermatological and Cosmetic Applications with Explainable Artificial Intelligence. Journal of Proteome Research, 2026 (PMID 42345568)
- INOLEX, SpectraStat GHL Natural — halaman teknis produk (tingkat penggunaan yang direkomendasikan, kondisi proses, hasil uji challenge)
- INOLEX, AminoSensyl HC — halaman teknis produk (tingkat penggunaan, fase, persyaratan pH)
