Sztuczna inteligencja w kosmetologii – jak zmienia pielęgnację skóry?

Wprowadzenie merytoryczne

Badania wskazują, że najmocniejsze naukowe oparcie dla AI w kosmetologii dotyczy analizy obrazu skóry, a nie pełnego zastępowania specjalistki. Dlatego ten artykuł pokazuje, jak AI realnie wspiera pielęgnację skóry, co mówi o tym recenzowana literatura i na co warto uważać, zanim potraktujesz algorytm jak cyfrową ekspertkę.

Sztuczna inteligencja w kontekście pielęgnacji twarzy to nie jeden system, lecz zbiór narzędzi, które analizują dane i rozpoznają wzorce. W kosmetologii AI najczęściej nie „diagnozuje” - porządkuje informacje, wykrywa powtarzające się cechy w obrazie i wspiera ocenę stanu skóry. Warto to rozróżnienie zapamiętać, ponieważ zmienia ono sposób, w jaki interpretujesz wynik każdej aplikacji.

Trend ten wpisuje się w świadomą pielęgnację twarzy opartą na danych, a nie na intuicji. Modele komputerowe i testy niezwierzęce są użyteczne jako etap przesiewowy i element zintegrowanej oceny, ale - jak podkreślają Golden i wsp. (2021) - nie powinny być traktowane jako automatyczny dowód efektu klinicznego na skórze człowieka. Na wynik wpływają między innymi jakość zdjęcia, różnorodność fototypów w danych treningowych, schemat stosowania produktu i przestrzeganie zaleceń przez użytkowniczkę.

AI w kosmetologii - od analizy obrazu do personalizacji

Gdy korzystasz z narzędzi opartych na AI, najczęściej stykasz się z trzema funkcjami jednocześnie: analizą obrazu skóry, porządkowaniem danych o potrzebach skóry oraz rekomendacjami produktowymi. To właśnie tutaj technologia jest dziś najbardziej użyteczna - nie jako zamiennik specjalistki, ale jako warstwa wspierająca decyzje pielęgnacyjne.

Najczęstsze obszary zastosowania AI

• analiza zdjęć twarzy - ocena niedoskonałości, przebarwień, zmarszczek i poziomu nawilżenia,

• personalizacja rekomendacji - systemy łączące dane o skórze, składzie produktu i preferencjach zakupowych,

• ocena bezpieczeństwa składników - modele komputerowe (in silico), czyli narzędzia przewidujące zachowanie substancji na podstawie danych historycznych i właściwości fizykochemicznych,

• wirtualne testowanie makijażu - technologia rozszerzonej rzeczywistości (AR - Augmented Reality) wspierająca decyzje zakupowe,

• badania nad modelami skóry - biowydruk 3D i 4D do testowania formulacji.

Przeczytaj też: Skinimalizm nowej generacji - formulacja kosmetyków oparta na funkcji, a nie liczbie składników

Jak algorytmy analizują obraz skóry

Gdy robisz zdjęcie twarzy w aplikacji, algorytm nie „rozumie” Twojej skóry tak jak kosmetolożka czy dermatolożka. Porównuje cechy zdjęcia - układ zmian, kontrast, koloryt i teksturę - z danymi treningowymi i przypisuje prawdopodobieństwa do określonych kategorii. Kluczową rolę odgrywają tu sieci konwolucyjne (CNN - Convolutional Neural Networks), czyli modele wyspecjalizowane w analizie obrazu, które uczą się rozpoznawać wzorce wizualne na podstawie tysięcy wcześniej oznaczonych zdjęć.

W kontekście pielęgnacji skóry twarzy oznacza to, że system może wskazać obszary wymagające uwagi, ale nie ocenia pełnego kontekstu zdrowotnego, historii skóry ani czynników wewnętrznych, które widzi specjalistka podczas bezpośredniego badania.

Zmiany związane z niedoskonałościami, przebarwienia i zmarszczki - co system „widzi” na zdjęciu

Badania nad automatyczną analizą zmian trądzikowych dostarczają konkretnych danych o możliwościach i ograniczeniach tych systemów. Wyniki zależą od zadania badawczego:

• Shen i wsp. (2018) opisali model CNN do siedmioklasowej klasyfikacji zmian trądzikowych na twarzy i raportowali metryki takie jak dokładność, czułość i swoistość.

• Lim i wsp. (2020) pokazali automatyczne stopniowanie nasilenia trądziku z użyciem głębokiego uczenia.

• Wen i wsp. (2022) uzyskali średnią precyzję mAP = 0,536 oraz błąd liczenia zmian 0,43 ± 6,65, co potwierdza, że skuteczność systemu różni się w zależności od tego, czy klasyfikuje typ zmiany, ocenia nasilenie, czy liczy poszczególne grudki i głębsze zmiany zapalne.

Dla przebarwień i zmarszczek Flament i wsp. (2023) porównywali automatyczną analizę zdjęć z panelem 50 dermatolożek i dermatologów i uzyskali bardzo wysoką zgodność dla skal wizualnych oceniających zmarszczki i skalę starzenia skóry. To obiecujący wynik, choć warto pamiętać, że jakość zdjęcia, oświetlenie i różnorodność fototypów w danych treningowych bezpośrednio wpływają na wiarygodność wyniku.

Przy skórze łojotokowej i skłonnej do niedoskonałości AI może wspierać ocenę nasilenia zmian, natomiast dobór odpowiedniej pielęgnacji wymaga już wiedzy o składzie i tolerancji formuły. Przykładem produktu dedykowanego temu kontekstowi jest FEEL THE CHANGE - oczyszczająco-złuszczający peeling do skóry łojotokowej z 4% kompleksem kwasów AHA/BHA.

Przeczytaj też: Nie kupuj kosmetyków w ciemno - jak konsultacja kosmetologiczna pozwala oszczędzić pieniądze i skórę

Kiedy personalizacja naprawdę pomaga

Systemy rekomendacyjne łączą kilka warstw danych: stan skóry oceniany na podstawie zdjęcia, historię zakupową, deklarowane potrzeby, skład produktu oraz opinie użytkowników analizowane przez przetwarzanie języka naturalnego (NLP - Natural Language Processing). Lee i wsp. (2024) opisali system łączący analizę składu kosmetyków z analizą stanu skóry twarzy - to pokazuje przesunięcie od rekomendacji opartych na deklaracjach producenta ku modelom opartym na danych.

Trafność rekomendacji zależy jednak od jakości danych wejściowych. Błędne zdjęcie, zbyt ogólny opis potrzeb lub nieaktualna historia zakupowa prowadzą do słabszych podpowiedzi. AI może wspierać dobór składników aktywnych na podstawie stanu skóry i analizy składu, ale nie zastępuje danych klinicznych dla konkretnej formuły - sam skład INCI nie przesądza jeszcze o realnej przydatności produktu.

Kiedyś wybór kosmetyku opierał się głównie na obietnicy producenta i rekomendacji znajomej. Dziś coraz częściej łączy się analizę obrazu, składów i zachowań zakupowych, co może wspierać bardziej minimalistyczną pielęgnację twarzy i ograniczać liczbę nietrafionych produktów. Dobrze zaprojektowany system porządkuje wybór: pielęgnacja twarzy, kosmetyki i ich składy są analizowane łącznie, a nie osobno.

Przykładem zastosowania technologii wizualizacji jest dobór odcienia TIME TO BRONZE - przy LOVE AT FIRST TAN AMBER CRUSH wizualizacja koloru i efektu końcowego na skórze może wspierać decyzję zakupową, zmniejszając ryzyko niedopasowania odcienia.

Przeczytaj też: Realna moc ekstraktów w kosmetykach - tego nie znajdziesz w INCI

Modele komputerowe a bezpieczeństwo formulacji

Modele komputerowe (in silico) analizują dane historyczne i właściwości fizykochemiczne substancji, aby oszacować ryzyko podrażnień lub uczulenia. Badania wskazują, że są użyteczne jako etap przesiewowy - pomagają szybciej wykrywać potencjalne zagrożenia - ale nie wydają ostatecznego werdyktu dotyczącego bezpieczeństwa formuły na skórze człowieka.

Golden i wsp. (2021) porównali osiem modeli komputerowych z ludzkimi danymi i uznali je za szybkie oraz niedrogie narzędzie przesiewowe, choć nie idealne pod względem czułości i swoistości. Ta i wsp. (2021) oraz Strickland i wsp. (2016) pokazują, że najlepsze wyniki dają strategie hybrydowe - łączące dane z badań chemicznych (in chemico), badań na modelach komórkowych (in vitro) i właściwości fizykochemiczne.

Dlaczego strategia hybrydowa jest dziś ważniejsza niż pojedynczy algorytm

Połączenie tych trzech elementów daje znacznie pełniejszy obraz bezpieczeństwa niż każdy z nich osobno. Rozwój narzędzi komputerowych wspiera ograniczanie testów na zwierzętach, ale wyłącznie w połączeniu z innymi metodami oceny, nie jako ich zamiennik.

Przeczytaj też: Komórki macierzyste, egzosomy i czynniki wzrostu - jak biotechnologia zmienia pielęgnację skóry

Walidacja, prywatność i przyszłość testów kosmetycznych

Jakość narzędzia AI zależy od walidacji: reprezentatywności fototypów w danych treningowych, warunków wykonywania zdjęć, porównania z oceną specjalistek oraz właściwych metryk. Bez tych elementów wynik aplikacji może być obciążony błędem, którego użytkowniczka nie jest w stanie samodzielnie zidentyfikować.

Na rynku pojawiają się narzędzia predykcyjne, które symulują długoterminowy efekt stosowania kosmetyku na podstawie zdjęcia. Warto jednak wiedzieć, że takie wizualizacje są obarczone dużą niepewnością - to symulacje oparte na założeniach modelu, a nie gwarancja efektu pielęgnacji skóry. W dostarczonych materiałach nie odnaleziono recenzowanej publikacji walidacyjnej dla tego typu narzędzi, co oznacza, że ich wiarygodność kliniczna pozostaje otwartym pytaniem.

Przy produktach, których efekt na skórze jest oceniany przez algorytmy - na przykład widoczność zmarszczek analizowana na zdjęciach - technologia może wspierać obserwację zmian w czasie. DREAM REPAIR to przykład kremu na noc, przy którym taka analiza mogłaby porządkować ocenę efektów pielęgnacji.

Co obniża wiarygodność wyniku aplikacji

• słabe oświetlenie lub nierównomierne oświetlenie twarzy,

• makijaż lub krem z filtrem na skórze w momencie wykonywania zdjęcia,

• niereprezentatywne dane treningowe - model „uczył się” na zdjęciach osób o innym fototypie niż Twój,

• brak porównania wyniku z oceną kosmetolożki lub dermatolożki,

• zbyt śmiałe obietnice długoterminowych efektów bez recenzowanej walidacji.

Ważnym aspektem jest też prywatność: zdjęcie twarzy może mieć charakter danych biometrycznych, jeśli jest technicznie przetwarzane w celu jednoznacznej identyfikacji osoby. Dlatego przy korzystaniu z aplikacji analizujących skórę warto zwracać uwagę na minimalizację danych, pseudonimizację i świadomą zgodę na przetwarzanie.

Przeczytaj też: Pielęgnacja skóry jesienią - o czym powinnaś pamiętać?

Biowydrukowana skóra i nowe modele testowe

Jednym z obiecujących kierunków rozwoju w kosmetologii jest biowydruk skóry 3D i 4D - technologia umożliwiająca tworzenie modeli, które z dużą precyzją odwzorowują strukturę ludzkiej skóry, zarówno pod względem warstwowości, jak i części funkcji biologicznych. Tak powstałe modele reagują na substancje drażniące i pozwalają analizować procesy zapalne, co otwiera drogę do precyzyjniejszego testowania formulacji przed etapem konsumenckim.

Zależność jest prosta: lepsze modele badawcze oznaczają lepsze rozumienie reakcji skóry, a to z kolei prowadzi do bardziej świadomego projektowania formulacji. Biowydruk wspiera ograniczanie testów na zwierzętach i stanowi etyczną alternatywę, choć na razie pozostaje narzędziem badawczym, a nie codzienną praktyką konsumencką.

W nurcie nowoczesnych formulacji peptydowych mieści się SAPPHIRE AGE-DEFINER - produkt z czystym peptydem miedziowym 0,5%, peptydem antygrawitacyjnym 2% i peptydem biomimetycznym 1%. Literatura wskazuje na potencjał peptydów w redukcji widoczności linii mimicznych i poprawie wyglądu skóry, choć dla konkretnych kombinacji i stężeń konieczne są dalsze badania kliniczne.

Przeczytaj też: Senolityki - nowoczesne substancje przeciwstarzeniowe dla skóry

Perspektywa Veoli Botanica

W naszym laboratorium analiza danych o surowcach i ich właściwościach wspiera proces selekcji składników aktywnych, ale finalna wartość formuły wynika z formulacji, badań i tolerancji skóry, a nie z samego algorytmu. AI pomaga porządkować wiedzę o mechanizmach działania składników, natomiast decyzja o tym, jak je połączyć w stabilną, bezpieczną i skuteczną formułę, pozostaje w rękach naszego zespołu R&D.

Przykładem tego podejścia jest seria senolityczna Veoli Botanica, w której połączyliśmy składniki o obiecujących mechanizmach z ostrożnym podejściem do deklaracji:

• MORNING MIRACLE - rozświetlająco-liftingujący krem na dzień z oligopeptydami 3%, ekstraktem z kwiatu lotosu 2% oraz ekstraktem z kurkumy 0,5%. Oligopeptydy mogą modulować macierz zewnątrzkomórkową, a ekstrakt z lotosu wykazuje w badaniach przedklinicznych działanie antyoksydacyjne i wpływ na szlaki związane z MMP-1.

• DREAM REPAIR - regenerująco-wygładzający krem na noc z wegańskim PDRN 1%, peptydem biomimetycznym 1% oraz ekstraktem z kwiatów malwy różowej 2%. PDRN jako klasa substancji może wspierać regenerację poprzez wpływ na proliferację fibroblastów, choć dostępne dane dotyczą głównie form iniekcyjnych, a nie miejscowych.

• FIRMING SECRET - ujędrniająco-regenerująca maska z wegańskim PDRN 1%, kompleksem peptydowym 1% oraz biomolekułami krzemu 1%.

Sama obecność ekstraktu w formule nie przesądza jeszcze o sile efektu, dlatego w naszym laboratorium analiza danych o surowcach jest jednym z wielu etapów, a nie jedynym kryterium decyzji. Dla peptydów miejscowych istnieją randomizowane badania kliniczne wskazujące na poprawę wyglądu linii mimicznych po 8–12 tygodniach stosowania, natomiast dla konkretnych kombinacji i stężeń stosowanych w serii senolitycznej potrzebne są dalsze, dedykowane badania.

Przeczytaj też: Realna moc ekstraktów w kosmetykach - tego nie znajdziesz w INCI

Praktyczny przewodnik

Największą wartość technologia wnosi wtedy, gdy wspiera codzienną pielęgnację twarzy, a nie komplikuje rutynę. AI może porządkować pielęgnację twarzy krok po kroku, ale nie zastępuje diagnozy ani regularnej obserwacji skóry w czasie.

Pięć zasad odpowiedzialnego korzystania z aplikacji

1. Traktuj wynik jako punkt wyjścia - aplikacja wskazuje kierunek, ale nie zastępuje pełnej oceny stanu skóry przez kosmetolożkę lub dermatolożkę.

2. Porównuj wynik z własną obserwacją - jeśli widzisz, że skóra reaguje inaczej niż sugeruje algorytm, zaufaj swojemu doświadczeniu i skonsultuj się ze specjalistką.

3. Nie zmieniaj całej rutyny po jednym skanie - wprowadzaj zmiany stopniowo i obserwuj reakcję skóry przez co najmniej kilka tygodni.

4. Weryfikuj rekomendacje pod kątem składu i tolerancji - technologia nie zwalnia z podstawowej wiedzy o łączeniu składników aktywnych i ich interakcjach.

5. Dbaj o jakość danych wejściowych - zdjęcie bez makijażu, w równomiernym oświetleniu, daje znacznie bardziej wiarygodny wynik niż selfie w sztucznym świetle.

Najlepsze efekty daje łączenie danych z technologii z oceną specjalistki, szczególnie przy skórze reaktywnej, nasilonych niedoskonałościach lub szybko zmieniającym się stanie skóry. Technologia porządkuje decyzje, ale to regularna obserwacja i konsekwencja nadal budują skuteczną pielęgnację skóry.

Przeczytaj też: Jak łączyć peptydy z retinolem, aby uniknąć podrażnień skóry?

Kluczowe terminy

Sztuczna inteligencja (AI - Artificial Intelligence) - zbiorcza nazwa dla systemów, które analizują dane i rozpoznają wzorce. W kosmetologii najczęściej wspiera analizę obrazu skóry, rekomendacje produktów i ocenę bezpieczeństwa składników.

Sieci konwolucyjne (CNN - Convolutional Neural Networks) - typ modeli uczących się analizy obrazu. Pomagają wykrywać cechy widoczne na zdjęciu skóry, takie jak układ niedoskonałości, kontrast przebarwień czy głębokość zmarszczek.

Przetwarzanie języka naturalnego (NLP - Natural Language Processing) - technologie analizujące tekst. W kosmetologii mogą porządkować opinie użytkowników i opisy potrzeb skóry, aby wspierać systemy rekomendacyjne.

Modele komputerowe (in silico) - modele przewidujące zachowanie substancji na podstawie danych i właściwości fizykochemicznych. W ocenie bezpieczeństwa są użyteczne głównie jako etap przesiewowy, a nie samodzielny dowód efektu na skórze człowieka.

Biowydruk skóry 3D i 4D - zaawansowane modele badawcze odtwarzające strukturę i część funkcji skóry. Pomagają lepiej testować formulacje i reakcje biologiczne bez odwoływania się do prostych, mało reprezentatywnych modeli.

FAQ - najczęstsze pytania

Czym właściwie jest AI w pielęgnacji skóry?

W pielęgnacji skóry AI najczęściej analizuje obraz twarzy, porządkuje dane o stanie skóry i wspiera rekomendacje produktowe. Nie zastępuje klinicznej diagnozy - pełni rolę narzędzia wspomagającego decyzje, a nie samodzielnego eksperta.

Czy aplikacja do pielęgnacji twarzy może zastąpić kosmetolożkę lub dermatolożkę?

Nie. Aplikacja może wspierać obserwację pielęgnacji twarzy i wskazywać kierunki, ale nie ocenia pełnego kontekstu zdrowotnego, historii skóry ani wyników badania bezpośredniego. Ostateczna ocena i plan pielęgnacji powstają dzięki wiedzy i doświadczeniu specjalistki.

Na ile wiarygodne są wizualizacje efektów w pielęgnacji skóry generowane przez AI?

Wizualizacje długoterminowych efektów to symulacje oparte na założeniach modelu, a nie gwarancja efektu. W dostarczonych materiałach nie odnaleziono recenzowanej publikacji walidacyjnej dla tego typu narzędzi predykcyjnych, dlatego warto traktować je jako orientacyjną ilustrację, nie jako obietnicę wyniku.

Czy modele komputerowe naprawdę poprawiają bezpieczeństwo kosmetyków do pielęgnacji twarzy?

Badania wskazują, że poprawiają etap przesiewowy i wspierają ocenę ryzyka, szczególnie w połączeniu z testami in vitro i analizą formulacyjną. Nie są jednak samodzielnym dowodem bezpieczeństwa - najlepsze wyniki dają strategie hybrydowe łączące kilka metod oceny.

Jakie standardy prywatności powinny obowiązywać w aplikacjach do analizy skóry i pielęgnacji skóry twarzy?

Z perspektywy użytkowniczki najważniejsze są: minimalizacja danych, świadoma zgoda na przetwarzanie, pseudonimizacja zdjęć i ostrożność przy udostępnianiu zdjęć twarzy, ponieważ mogą one mieć charakter danych biometrycznych.

Podsumowanie

Sztuczna inteligencja realnie wspiera pielęgnację skóry w trzech głównych obszarach: analizie obrazu skóry, personalizacji rekomendacji i ocenie bezpieczeństwa składników. Każdy z nich ma jednak wyraźne granice - wynik zależy od jakości danych, walidacji modelu i krytycznej interpretacji wyniku przez użytkowniczkę lub specjalistkę.

Algorytm może uporządkować Twoje decyzje pielęgnacyjne, wskazać obszary wymagające uwagi i pomóc w doborze składników aktywnych. Nie jest jednak w stanie obserwować Twojej skóry w czasie, ocenić tolerancji konkretnej formuły ani zrozumieć pełnego kontekstu pielęgnacyjnego - od stresu, przez dietę, po sezonowe zmiany kondycji skóry. Świadoma pielęgnacja twarzy łączy dane z technologii z wiedzą, obserwacją i konsekwencją - i to właśnie ta kombinacja daje najtrwalsze efekty.

Źródła

1. Shen i wsp. / An Automatic Diagnosis Method of Facial Acne Vulgaris Based on Convolutional Neural Network / Scientific Reports / [online] / https://pubmed.ncbi.nlm.nih.gov/29643449/ / [dostęp: 13.03.2026]

2. Lim i wsp. / Automated grading of acne vulgaris by deep learning with convolutional neural networks / Skin Research and Technology / [online] / https://pubmed.ncbi.nlm.nih.gov/31565821/ / [dostęp: 13.03.2026]

3. Wen i wsp. / Acne detection and severity evaluation with interpretable convolutional neural network models / Technology and Health Care / [online] / https://pmc.ncbi.nlm.nih.gov/articles/PMC9028662/ / [dostęp: 13.03.2026]

4. Flament i wsp. / Accuracy and clinical relevance of an automated, algorithm-based analysis of facial signs from selfie images of women in the United States of various ages, ancestries and phototypes: A cross-sectional observational study / Journal of the European Academy of Dermatology and Venereology / [online] / https://pubmed.ncbi.nlm.nih.gov/35986708/ / [dostęp: 13.03.2026]

5. Golden i wsp. / Evaluation of the global performance of eight in silico skin sensitization models using human data / ALTEX / [online] / https://pubmed.ncbi.nlm.nih.gov/32388570/ / [dostęp: 13.03.2026]

6. Ta i wsp. / In silico Prediction of Skin Sensitization: Quo vadis? / Frontiers in Pharmacology / [online] / https://pmc.ncbi.nlm.nih.gov/articles/PMC8129647/ / [dostęp: 13.03.2026]

7. Strickland i wsp. / Integrated decision strategies for skin sensitization hazard / Journal of Applied Toxicology / [online] / https://pubmed.ncbi.nlm.nih.gov/26851134/ / [dostęp: 13.03.2026]

8. Lee i wsp. / Deep learning-based skin care product recommendation: A focus on cosmetic ingredient analysis and facial skin conditions / Journal of Cosmetic Dermatology / [online] / https://pubmed.ncbi.nlm.nih.gov/38411029/ / [dostęp: 13.03.2026]

9. Humphrey i wsp. / A Randomized, Double-blind, Placebo-controlled Clinical Study Investigating the Efficacy and Tolerability of a Peptide Serum Targeting Expression Lines / Journal of Clinical and Aesthetic Dermatology / [online] / https://pmc.ncbi.nlm.nih.gov/articles/PMC8211334/ / [dostęp: 13.03.2026]

10. Bae i wsp. / Plasma-Engineered PDRN: Surface Charge Neutralization and Nanosizing Enhance Uptake and Regeneration Potential / International Journal of Molecular Sciences / [online] / https://pmc.ncbi.nlm.nih.gov/articles/PMC12473307/ / [dostęp: 13.03.2026]

Disclaimer

Artykuł ma charakter informacyjny i edukacyjny - nie zastępuje konsultacji z dermatolożką ani kosmetolożką.

Autorka

Juliana Jelińska

Asystentka R&D

Wspiera codzienne działania działu R&D – przygotowuje próbki, przeprowadza testy i ankiety z nowymi produktami oraz pomaga w prowadzeniu dokumentacji. Angażuje się również w zadania związane z kontrolą jakości, traktując każde z nich jako okazję do nauki i rozwoju.

konsultacje@veolibotanica.pl

ZOBACZ TAKŻE

• Skinimalizm nowej generacji - formulacja kosmetyków oparta na funkcji, a nie liczbie składników

• Komórki macierzyste, egzosomy i czynniki wzrostu - jak biotechnologia zmienia pielęgnację skóry

• Jak łączyć peptydy z retinolem, aby uniknąć podrażnień skóry?