Formulacja w warunkach zmienności – od stabilności składu do odporności systemu. Jak zmienia się rola surowca, danych i decyzji w projektowaniu produktów kosmetycznych

Świat, który przestał być stabilnym tłem dla formulacji

Przez lata formulacja była projektowana w świecie stabilnych założeń: surowiec miał być dostępny, jego parametry powtarzalne, a decyzje laboratoryjne możliwe do przeniesienia na zakupy i produkcję. Dziś to założenie przestaje być adekwatne. Stabilność formulacji przestała być wyłącznie funkcją składu; coraz częściej zależy ona od zmienności otoczenia, w którym produkt powstaje i jest utrzymywany na rynku. Globalne otoczenie operacyjne ulega fragmentaryzacji i traci przewidywalność. World Economic Forum opisuje przejście do „age of competition”, w którym geopolityka i geoekonomia coraz silniej wpływają na decyzje gospodarcze [1]. Zakłócenia łańcuchów dostaw nie są już incydentem, lecz elementem strukturalnego ryzyka. McKinsey szacuje, że pojedynczy długotrwały szok produkcyjny może obniżyć roczną EBITDA firm w wielu branżach o 30–50% [2], a cła, bariery handlowe i regionalizacja wymuszają rewizję modeli zakupowych [3].

Na poziomie formulacji konsekwencje są konkretne. Materiał nie trafia do receptury jako neutralny komponent. Staje się ele mentem systemu, niosącym ze sobą określone źródło, historię procesu, profilem zmienności (batch-to-batch i supplier-to-sup plier), dostępnością i ryzykiem. Materiał przestaje być parametrem wejściowym – staje się nośnikiem ryzyka operacyjnego. Nawet przy formalnej zgodności ze specyfikacją różnice w rozkładzie masy cząsteczkowej, poziomie zanieczyszczeń, strukturze krysta licznej czy parametrach przetwarzania mogą wpływać na reologię, stabilność fizykochemiczną, sensorykę i powtarzalność procesu. W efekcie optymalizacja przestaje dotyczyć kosztu materiału, a zaczyna dotyczyć zdolności układu do absorbowania jego zmienności – obejmującej opóźnienia, rewalidację, utratę wolu menów oraz presję na marżę.

Współczesne podejścia przesuwają więc punkt ciężkości z kon troli gotowego wyrobu na projektowanie układów zdolnych do absorbowania zmienności. Koncepcja Quality by Design for malizuje relacje między krytycznymi atrybutami materiałowymi (CMA), parametrami procesu (CPP) oraz właściwościami produktu (CQA), traktując zmienność jako integralny element przestrzeni projektowej [8][9]. Analogiczne podejście rozwijane jest w inży nierii produktów chemicznych, gdzie projektowanie nie polega na optymalizacji pojedynczego rozwiązania, lecz na modelowa niu zależności między strukturą materiału, jego właściwościami i funkcją produktu. [6]. W rezultacie formulacja przestaje być statyczną optymalizacją układu, a staje się procesem decyzyjnym podejmowanym w warunkach zmienności, gdzie wybór surowca wpływa na stabilność produktu, koszt utrzymania receptury, ryzyko przerw, rewalidację oraz zdolność firmy do utrzymania jakości i marży.

Od specyfikacji do funkcji – dlaczego INCI nie definiuje materiału

Jeżeli zmienność staje się trwałą cechą otoczenia, jej konse kwencje nie ograniczają się do dostępności czy ceny surowców, lecz bezpośrednio wpływają na ich zachowanie w formulacji. W praktyce podważa to jedno z podstawowych założenia pracy technologicznej, według którego składnik opisany nazwą handlo wą lub INCI będzie zachowywał się powtarzalnie.

Źródłem problemu jest rozbieżność między tym, co opisuje specyfikacja, a tym, co determinuje funkcję materiału w układzie. Specyfikacja pozostaje koniecznym narzędziem kontroli jakości, ale nie zawsze wystarcza do przewidzenia zachowania materiału w konkretnej formulacji. W przypadku polimerów, surfaktan tów, emolientów czy składników naturalnych niewielkie różnice w rozkładzie masy cząsteczkowej, stopniu modyfikacji, strukturze fizycznej lub profilu zanieczyszczeń mogą bezpośrednio zmieniać właściwości produktu.

W emulsjach różnice te wpływają na napięcie międzyfazowe i stabilność układu. W systemach reologicznych zmieniają pro fil lepkości i płynięcia, a więc aplikację i sensorykę produktu. W układach konserwujących mogą wpływać na skuteczność ochrony mikrobiologicznej poprzez zmianę pH, aktywności wody lub interakcje między składnikami. Są to efekty wynikające nie ze zmiany nazwy składnika, lecz ze zmiany jego rzeczywistych właściwości.

Zjawisko to jest dobrze rozpoznane w farmacji. Wytyczne International Council for Harmonisation wskazują, że materiały spełniające te same wymagania specyfikacyjne mogą różnić się pod względem krytycznych atrybutów materiałowych (CMA), co wpływa na przebieg procesu technologicznego oraz jakość produktu końcowego [8]. Analogiczne podejście rozwijane jest w ramach Quality by Design, gdzie właściwości produktu traktuje się jako wynik relacji między materiałem, procesem i parametrami jakościowymi [9], oraz w inżynierii produktów chemicznych, gdzie funkcja produktu wynika z zależności między strukturą materiału, właściwościami i zastosowaniem [6]

Konsekwencją jest pojawienie się zjawiska ukrytej zmienności (hidden variability) – różnic niewidocznych na poziomie doku mentacji, lecz ujawniających się w zachowaniu formulacji, czę sto dopiero na etapie skalowania lub produkcji. Materiał, który w warunkach laboratoryjnych wydaje się równoważny, może prowadzić do odchyleń jakościowych, destabilizacji układu lub konieczności modyfikacji procesu. Dla technologa oznacza to konieczność pracy na właściwościach materiału, a nie wyłącznie na jego nazwie. Dla działu zakupów – odejście od decyzji opartych tylko na cenie i dostępności w kierunku oceny wpływu materiału na stabilność procesu i koszt całego cyklu życia produktu. Każda zmiana źródła staje się de facto zmianą układu formulacyjnego, wymagającą ponownej oceny jego stabilności i powtarzalności. To przesunięcie prowadzi do kolejnego problemu: skoro materiał nie jest jednoznacznie zdefiniowany przez specyfikację, kluczowe staje się nie tylko to, jak projektowana jest formulacja, lecz przede wszystkim jak podejmowana jest decyzja o wyborze surowca.

Pre-formulation jako model decyzyjny – wybór surowca przed recepturą

Opisana wcześniej zmienność materiałowa oraz ograniczenia specyfikacji prowadzą do zasadniczego wniosku: formulacja nie jest przede wszystkim problemem projektowania receptury, lecz problemem podejmowania decyzji materiałowej. Oznacza to, że kluczowa decyzja formulacyjna zapada zanim powstanie pierwsza receptura. To właśnie wybór surowca w największym stopniu determinuje stabilność układu, przebieg procesu techno logicznego oraz zdolność produktu do utrzymania jakości w czasie.

Implikacją tego podejścia jest odejście od modelu linearnego. Formulacja nie rozpoczyna się od receptury i nie kończy na testach stabilności, lecz ma charakter iteracyjny, w którym kluczowe decy zje zapadają przed rozpoczęciem prac laboratoryjnych [6]. Badania nad integracją dostawców wskazują, że decyzje podejmowane na wczesnym etapie rozwoju produktu determinują większość jego kosztu i wykonalności technologicznej [11]. W tym sensie wybór surowca działa jak dźwignia decyzyjna: podejmowany wcześnie, ale wpływający na koszt, czas wdrożenia, stabilność pro cesu oraz zdolność organizacji do utrzymania produktu na rynku

W odpowiedzi na tę zmianę formulacja przesuwa się w stro nę modelu, który można określić jako pre-formulation deci sion model, czyli warstwy analitycznej poprzedzającej właściwe projektowanie produktu. Model ten opiera się na jednoczesnej analizie pięciu współzależnych wymiarów, które definiują jakość decyzji materiałowej.

Pierwszym z nich jest funkcja – zdolność składnika do pełnienia określonej roli technologicznej. Drugim jest zmienność, obejmująca różnice między partiami i dostawcami oraz ich wpływ na krytyczne atrybuty materiałowe. Trzecim jest dostępność, związana ze stabilnością źródła, czasem dostaw oraz koncentracją geograficzną produkcji. Czwartym jest ryzyko, obejmujące czynniki regulacyjne, rynkowe i geopolityczne. Piątym są alternatywy, czyli możliwość substytucji materiału bez destabilizacji formulacji.

Wymiary te tworzą system zależności. Materiał o bardzo do brych właściwościach funkcjonalnych może jednocześnie charak teryzować się wysoką zmiennością lub ograniczoną dostępnością, co obniża jego użyteczność. Z kolei materiał stabilny i łatwo dostępny może wymagać bardziej złożonej formulacji, zwiększając koszt i czas rozwoju produktu. Decyzja materiałowa nie polega więc na wyborze materiału najlepszego, lecz tego, który pozo staje funkcjonalny w najszerszym zakresie zmiennych warunków.

W praktyce oznacza to dla technologa ocenę materiału nie tylko pod kątem działania, lecz także zachowania w warunkach zmienności. Dla zakupów oznacza to przejście od ceny jednost kowej do kosztu systemowego: testów, rewalidacji, przestojów, dostępności i utrzymania jakości. W tym sensie pre-formulation nie jest jednym z etapów formulacji, lecz jej warstwą nadrzęd ną – definiującą zarówno zakres możliwych rozwiązań, jak i ich odporność na zmienność.

Od stabilności do odporności – proOd stabilności do odporności – projektowanie formulacji jako systemu

Konsekwencją modelu pre-formulation jest zmiana sposobu projektowania formulacji. Jeżeli pre-formulation definiuje decyzję materiałową, to projektowanie formulacji odpowiada za zdolność układu do funkcjonowania w warunkach zmienności tej decyzji. W tradycyjnym podejściu formulacja była optymalizowana wokół jednego zestawu parametrów, przy założeniu stabilności materia łów i procesu. W praktyce prowadzi to do układów wrażliwych, w których nawet niewielkie odchylenia parametrów materiało wych mogą istotnie zmieniać właściwości produktu.

W literaturze procesowej i farmaceutycznej problem ten opi sany jest poprzez koncepcję design space, w której produkt nie jest definiowany jako pojedynczy punkt operacyjny, lecz jako obszar kombinacji parametrów zapewniających jego jakość i funkcjonalność [8][9]. Produkt przestaje być więc definiowany przez punkt optymalny, a zaczyna przez zakres, w którym po zostaje funkcjonalny.

W praktyce formulacyjnej oznacza to pracę na zakresach pa rametrów, a nie wartościach nominalnych. Dla emulsji oznacza stabilność w określonym przedziale napięcia międzyfazowego i wielkości kropli. Dla układów reologicznych – utrzymanie profilu płynięcia mimo zmian rozkładu masy cząsteczkowej polimeru. Dla systemów konserwujących – skuteczność w przedziale pH i aktywności wody, a nie w jednym punkcie.

Logika ta jest spójna z koncepcją odporności rozwijaną w lite raturze łańcuchów dostaw, gdzie systemy odporne nie eliminują wszystkich zakłóceń, lecz ograniczają ich skutki poprzez absorpcję i adaptację [4][5]. W coraz większym stopniu dotyczy to również formulacji.

Istotna staje się również substytucja. W warunkach stabilnych zamiennik był traktowany jako rozwiązanie awaryjne. W warunkach zmienności możliwość substytucji staje się częścią projektu: układ powinien tolerować różnice między materiałami lub umożliwiać ich wymianę bez destabilizacji systemu. Odporność nie jest do datkową cechą produktu, lecz jego podstawową właściwością projektową, determinującą jego wykonalność technologicz ną, koszt oraz zdolność do utrzymania jakości w warunkach zmienności.

Od eksperymentu do predykcji – AI jako narzędzie decyzji

Model pre-formulation oznacza konieczność jednoczesnej analizy wielu współzależnych zmiennych: funkcji materiału, jego zmien ności, dostępności, ryzyka oraz alternatyw. W praktyce nie jest to problem braku wiedzy, lecz skali. Formulacje kosmetyczne są układami wieloskładnikowymi, w których liczba możliwych kombi nacji rośnie wykładniczo wraz z liczbą komponentów i parametrów procesu. Oznacza to, że model oparty na iteracyjnym testowaniu przestaje być skalowalny – większość przestrzeni formulacyjnej pozostaje w praktyce nieeksplorowana [15].

W efekcie model oparty na testowaniu nie skaluje się wraz ze wzrostem złożoności formulacji. Każda dodatkowa zmienna – nowy surowiec, zakres pH czy warunki procesu – zwiększa liczbę możliwych wariantów w sposób nieliniowy, sprawiając, że wybór rozwiązania opiera się na ograniczonym podzbiorze możliwości, a nie na rzeczywistej optymalizacji układu.

W tym kontekście rola sztucznej inteligencji nie polega na przy spieszeniu eksperymentu, lecz na zmianie sposobu eksploracji tej przestrzeni. Jak wskazują analizy McKinsey, AI może podwoić tempo procesów R&D nie poprzez automatyzację testów, lecz poprzez radykalne przyspieszenie selekcji hipotez i decyzji pro jektowych [14]. Oznacza to przesunięcie kluczowego ograniczenia: z zdolności do testowania na zdolność do podejmowania decyzji.

Modele uczenia maszynowego umożliwiają identyfikację zależ ności typu struktura–właściwość oraz przewidywanie zachowania materiałów i układów formulacyjnych bez konieczności fizycznego testowania każdej kombinacji. Jak pokazują przeglądy zastoso wań AI w kosmetyce i materiałach funkcjonalnych, obejmuje to zarówno predykcję właściwości materiałów, analizę kompatybil ności składników, jak i identyfikację potencjalnych konfliktów w formulacji [13][15].

Najważniejszą konsekwencją jest zmiana roli eksperymentu. W modelu klasycznym eksperyment był narzędziem eksploracji – sposobem odkrywania, które kombinacje działają. W modelu opartym na danych eksperyment staje się narzędziem walidacji wcześniej zawężonej przestrzeni decyzji. Innymi słowy, nie testuje się ię już wszystkiego, co możliwe, lecz tylko to, co ma wysokie prawdopodobieństwo działania.

W tym ujęciu AI działa jako warstwa selekcyjna modelu pre–formulation, umożliwiając jednoczesną ocenę funkcji materiału, jego zmienności, dostępności oraz ryzyka jeszcze przed rozpo częciem prac laboratoryjnych. Co istotne, obejmuje to również aspekty bezpieczeństwa i zgodności regulacyjnej, gdzie modele typu QSAR pozwalają identyfikować potencjalne zagrożenia na etapie wyboru materiału, a nie dopiero w końcowej walidacji produktu [13].

Jednocześnie rozwój modeli generatywnych rozszerza tę logikę o możliwość projektowania nowych materiałów spełniających określone wymagania funkcjonalne i rejuż wszystkiego, co możliwe, lecz tylko to, co ma wysokie prawdopodobieństwo działania. W tym ujęciu AI działa jako warstwa selekcyjna modelu pre–formulation, umożliwiając jednoczesną ocenę funkcji materiału, jego zmienności, dostępności oraz ryzyka jeszcze przed rozpo częciem prac laboratoryjnych. Co istotne, obejmuje to również aspekty bezpieczeństwa i zgodności regulacyjnej, gdzie modele typu QSAR pozwalają identyfikować potencjalne zagrożenia na etapie wyboru materiału, a nie dopiero w końcowej walidacji produktu [13]. Jednocześnie rozwój modeli generatywnych rozszerza tę logikę o możliwość projektowania nowych materiałów spełniających określone wymagania funkcjonalne i regulacyjne. W efekcie przestrzeń rozwiązań nie jest już wyłącznie przeszukiwana, lecz konstruowana – przechodząc od zbioru dostępnych materiałów do zbioru materiałów możliwych do zaprojektowania.

Ograniczenia pozostają istotne. Skuteczność modeli predyk cyjnych zależy od jakości i dostępności danych, które w praktyce są często rozproszone i niejednorodne. W szczególności dane dotyczące zmienności materiałowej – różnic między partiami, dostawcami czy procesami produkcji – są rzadko systematycznie gromadzone i strukturyzowane. Oznacza to, że predykcja musi być uzupełniana walidacją eksperymentalną, a modele traktowane jako narzędzie wspierające decyzję, a nie jej substytut. W tym sensie sztuczna inteligencja nie zastępuje formulacji, lecz prze suwa ją w czasie. Umożliwia wcześniejsze podejmowanie decyzji, ograniczenie liczby iteracji oraz lepsze zarządzanie zmiennością materiałową i operacyjną.puje formulacji, lecz prze suwa ją w czasie. Umożliwia wcześniejsze podejmowanie decyzji, ograniczenie liczby iteracji oraz lepsze zarządzanie zmiennością materiałową i operacyjną.

R&D jako architekt decyzji

Zmiana sposobu projektowania formulacji prowadzi do prze sunięcia roli R&D. W modelu tradycyjnym odpowiadało ono za opracowanie receptury, przy założeniu względnej stabilności materiałów i otoczenia. W warunkach zmienności takie rozdzie lenie przestaje być możliwe – stabilność formulacji wynika nie tylko ze składu, lecz z relacji między materiałem, jego zmiennością, dostępnością oraz warunkami procesu i aplikacji.

W praktyce oznacza to zatarcie granicy między R&D, zakupami, jakością i produkcją. Badania pokazują, że wczesna integracja dostawców i funkcji zakupowych poprawia koordynację projektu, procesu oraz łańcucha dostaw [11][12], co wpisuje się w szersze podejście systemowe, w którym odporność wynika z integracji decyzji technologicznych i operacyjnych [4][5]. W tym ujęciu R&D operuje nie tylko na poziomie receptury, lecz na poziomie przestrzeni decyzyjnej – zakresu, w którym produkt pozostaje funkcjonalny mimo zmiennych warunków. Oznacza to zmianę odpowiedzialności: nie tylko za to, czy produkt działa, lecz czy będzie działał w czasie – w warunkach rzeczywistych, zmiennych i nie w pełni przewidywalnych.

Formulacja przestaje być więc zadaniem technologicznym, a staje się procesem decyzyjnym. R&D pełni rolę architekta decyzji – pro jektuje nie tylko recepturę, lecz sposób, w jaki organizacja radzi sobie ze zmiennością. Ostatecznie to nie sama formulacja, lecz zdolność do jej utrzymania w czasie – mimo zmian materiałów, warunków i otoczenia – staje się kluczowym źródłem przewagi.