L'Oréal ha conseguido reducir hasta cuatro veces el tiempo que necesita para formular un nuevo producto cosmético gracias a algoritmos de inteligencia artificial capaces de predecir cómo va a reaccionar una molécula sobre la piel o el cabello antes de sintetizarla en un laboratorio real. El dato, recogido por Artificial Intelligence News, no describe un caso aislado. Mondelez y Nestlé están aplicando enfoques similares en sus procesos de investigación y desarrollo de alimentos, reduciendo el número de muestras físicas necesarias para validar una receta o una reformulación. Las tres compañías coinciden en el mismo mensaje: la inteligencia artificial no sustituye a los equipos de químicos, nutricionistas y desarrolladores de producto, pero comprime de forma drástica el tiempo que separa una idea de un producto listo para el mercado.

Del ensayo físico al modelo predictivo

El proceso tradicional de desarrollo de un cosmético pasa por sintetizar una molécula, aplicarla sobre muestras de piel o cabello, medir el resultado y repetir el ciclo hasta dar con la fórmula adecuada. Cada vuelta de ese ciclo consume tiempo de laboratorio, reactivos y personal especializado. Lo que ha cambiado en L'Oréal es que buena parte de esa primera vuelta ya no ocurre en una probeta, sino en un modelo que predice el comportamiento de la molécula antes de fabricarla. Eso no elimina la fase experimental, pero la reordena: los químicos ya no parten de cero para descartar combinaciones poco prometedoras, sino que llegan al banco de trabajo con una lista de candidatos preseleccionados por el modelo. El resultado, según la compañía, es una reducción de hasta cuatro veces en el tiempo total de formulación. La cifra importa menos como récord que como indicador de dónde se está moviendo el cuello de botella de la innovación en bienes de consumo: ya no es solo la creatividad de los equipos, sino la velocidad a la que se puede validar o descartar una hipótesis.

Menos muestras físicas, más iteración: los casos de Mondelez y Nestlé

Mondelez utiliza inteligencia artificial para generar y probar opciones de recetas de forma más eficiente, lo que reduce la necesidad de fabricar muestras físicas en cada iteración y permite a los equipos evaluar más variantes centradas en nutrición y sostenibilidad antes de comprometer recursos de producción. Nestlé sigue una lógica parecida pero aplicada a dos frentes distintos: por un lado, reformula productos existentes con ayuda de IA, por ejemplo para eliminar colorantes artificiales sin alterar sabor ni textura; por otro, emplea estas herramientas para desarrollar nuevos materiales de embalaje. En ambos casos el patrón se repite. La IA no diseña el producto final por sí sola, pero acota drásticamente el espacio de posibilidades que un equipo humano tiene que explorar de forma física, cara y lenta. Cada muestra que no hace falta fabricar es tiempo de laboratorio, materia prima y logística que se ahorra, y cada iteración virtual permite probar una variante más antes de fijar la fórmula definitiva.

Qué significa esto para las empresas

El elemento común de los tres casos no es la etiqueta de "inteligencia artificial", sino la compresión de un ciclo de innovación que hasta ahora dependía casi por completo de la experimentación física. Esa lógica no es exclusiva de laboratorios cosméticos o alimentarios: cualquier empresa cuyo desarrollo de producto pase por prototipos, pruebas de campo o validaciones costosas puede aplicar el mismo principio, aunque la escala y la inversión sean distintas a las de multinacionales como L'Oréal, Mondelez o Nestlé. La clave no está en sustituir a los equipos técnicos, sino en darles un filtro previo que reduzca el número de intentos fallidos antes de invertir en un prototipo real. En sectores donde cada prueba física tiene un coste significativo, ya sea en materiales, tiempo de máquina o personal cualificado, ese filtro se traduce directamente en menor coste por producto lanzado y en ciclos de innovación más cortos frente a competidores que siguen dependiendo exclusivamente de la prueba y error tradicional. También cambia el perfil de las decisiones que toman los equipos de I+D: en lugar de decidir qué fórmula probar primero, deciden qué predicciones del modelo merece la pena verificar en el mundo físico, un cambio de enfoque que exige nuevas competencias mixtas entre química, nutrición o ingeniería de materiales y análisis de datos.

Conclusión

Los casos de L'Oréal, Mondelez y Nestlé muestran un patrón que probablemente se repita en más sectores de bienes de consumo en los próximos años: la inteligencia artificial no reemplaza el trabajo de laboratorio, pero reduce el número de vueltas físicas necesarias para llegar a un producto viable. La reducción de cuatro veces en el tiempo de formulación de L'Oréal es la cifra más concreta disponible hoy, pero el patrón de fondo, menos muestras, más iteraciones virtuales y equipos humanos centrados en validar en lugar de descartar, es el que probablemente determine qué empresas de bienes de consumo consiguen lanzar productos más rápido y con menor coste en los próximos ciclos de innovación.