Mengapa Industri Kosmetik Mulai Membicarakan Data sebagai Aset R&D?

Data formulasi, eksperimen, konsumen, hingga tren pasar mulai memperoleh peran baru dalam industri kosmetik. Bukan sekadar arsip, data kini menjadi bahan untuk mempercepat keputusan R&D.

Industri kosmetik selama puluhan tahun menghasilkan data dalam jumlah besar. Setiap prototype, pengujian stabilitas, karakter bahan, kegagalan formula, uji konsumen, hingga produk yang berhasil masuk pasar meninggalkan informasi.

Perubahan yang terjadi sekarang adalah bagaimana informasi tersebut digunakan kembali. Perkembangan kecerdasan buatan [AI] dan machine learning memungkinkan perusahaan menghubungkan kumpulan data yang sebelumnya tersebar untuk menemukan pola, membuat prediksi, dan membantu menentukan eksperimen berikutnya.

Global Cosmetic Industry [GCI] pada Juni 2026 menyebut pergeseran ini sebagai AI gold rush dalam R&D kecantikan. Media tersebut melaporkan Unilever menggunakan AI, machine learning, dan otomasi untuk menganalisis lebih dari 1.000 sumber data eksternal dan menghubungkannya dengan pengetahuan R&D perusahaan.

Baca Juga: Dari Skin Analysis hingga Marketplace Intelligence, Labcos Bawa AI Lebih Jauh ke Industri Kecantikan

Data Lama Mulai Menjadi Bahan Baku Penelitian Baru

Nilai sebuah eksperimen selama ini sering dilihat dari apakah formula yang dihasilkan berhasil. Dalam pendekatan berbasis data, bahkan eksperimen yang gagal dapat mempunyai nilai karena memberikan informasi mengenai kombinasi bahan atau kondisi proses yang tidak bekerja.

Perubahan tersebut terlihat semakin konkret pada 2026. L’Oréal mengumumkan perluasan kolaborasinya dengan NVIDIA pada Maret untuk membawa AI ke computational chemistry. Sistem tersebut digunakan untuk memprediksi perilaku dan interaksi molekul serta menguji ribuan variabel secara virtual sebelum kandidat formula memasuki laboratorium fisik.

Setahun sebelumnya, L’Oréal dan IBM juga mengumumkan pengembangan AI foundation model yang memanfaatkan data formulasi kosmetik. Tujuannya termasuk menemukan wawasan baru dari data formulasi serta membantu penggunaan bahan baku yang lebih berkelanjutan. IBM Newsroom menyebut model tersebut dirancang khusus untuk tim Research & Innovation L’Oréal.

Perkembangan serupa terjadi pada data konsumen. Microsoft Source melaporkan Estée Lauder mengembangkan ConsumerIQ untuk menghubungkan data seperti survei, uji klinis, promosi, dan penggunaan produk. Informasi yang sebelumnya tersebar dapat ditelusuri untuk membantu membaca tren dan memberi masukan bagi pengembangan produk baru.

Di Indonesia, arah serupa mulai terlihat. Mindcraftroom, dalam laporannya mengenai Indonesia Cosmetic Ingredients [ICI] 2026, memberitakan pengembangan Smart Lab 2.0 ParagonCorp yang mengintegrasikan AI ke proses formulasi, pengelolaan bahan baku, dan platform konsumen.

Baca Juga: Kolaborasi Tidak Bisa Menunggu: Mengapa Kampus dan Industri Harus Belajar Bersama

Memiliki Banyak Data Belum Berarti Memiliki Intelligence

Besarnya data tidak otomatis membuat R&D lebih pintar. Data harus terstruktur, dapat ditelusuri, memiliki konteks eksperimen yang jelas, dan cukup konsisten untuk dibandingkan.

Sebuah hasil viskositas, misalnya, menjadi jauh lebih berguna ketika terhubung dengan nomor batch, formula, pemasok bahan, suhu proses, metode pengujian, kondisi penyimpanan, dan hasil stabilitas. Tanpa konteks tersebut, ribuan angka dapat berubah menjadi sekadar arsip digital.

Perkembangan terbaru bahkan menunjukkan data historis mulai diperlakukan sebagai modal kompetitif. Pada September 2026, dsm-firmenich menyatakan penggunaan AI mereka ditopang kumpulan data ilmiah yang dibangun selama puluhan tahun, termasuk data persepsi sensorik, biologi reseptor, formulasi bahan, dan data klinis.

Namun, AI tidak menghilangkan kebutuhan terhadap eksperimen fisik dan penilaian ilmuwan. Prediksi mengenai kandidat formula tetap perlu dibuktikan melalui pembuatan prototype, pengujian stabilitas, keamanan, performa, proses produksi, dan evaluasi regulasi yang relevan.

Di sinilah makna data sebagai aset R&D menjadi lebih jelas. Nilainya bukan karena perusahaan mempunyai sebanyak mungkin data, melainkan karena pengetahuan dari eksperimen sebelumnya dapat digunakan untuk membuat eksperimen berikutnya lebih terarah.

R&D kosmetik karena itu mulai bergerak dari sekadar menghasilkan produk menjadi sistem yang juga menghasilkan pengetahuan. Formula yang berhasil memberi data. Formula yang gagal pun memberi data. Ketika keduanya terdokumentasi dengan baik, eksperimen hari ini tidak harus selalu dimulai kembali dari halaman kosong. [][Tim Labcos/LC]

Penulisan artikel ini dibantu AI dan telah melewati proses kurasi Redaksi.