La risposta breve è: sì, ma non automaticamente. L’intelligenza artificiale nel beauty può aiutare a usare meno materie prime, progettare formule più rapidamente, prevedere meglio la domanda e ridurre alcuni sprechi.
Ma l’AI stessa consuma energia, infrastrutture e risorse. Per questo la domanda interessante non è più: “L’intelligenza artificiale è sostenibile?” La domanda è: “In quale punto della filiera beauty l’AI riesce a evitare più risorse di quante ne consuma?”
È una differenza apparentemente piccola ma in realtà cambia completamente il modo in cui possiamo parlare di innovazione cosmetica.
La sostenibilità beauty vale già un quarto del mercato italiano
Il punto di partenza è economico. Secondo i dati elaborati da TEHA Group e Cosmetica Italia, nel 2025 i cosmetici a connotazione naturale e sostenibile hanno raggiunto in Italia un valore di circa 3,2 miliardi di euro, pari al 25% del mercato cosmetico nazionale.
Un euro ogni quattro speso in cosmetici riguarda quindi prodotti percepiti o progettati intorno ai temi della sostenibilità. Non è più una nicchia. È una delle direttrici su cui si sta muovendo l’intero settore. E contemporaneamente l’industria cosmetica italiana investe molto in ricerca e innovazione: circa il 6% del fatturato, contro una media intorno al 3% dell’industria manifatturiera italiana.
È proprio nell’intersezione fra queste due tendenze – sostenibilità e ricerca – che entra l’intelligenza artificiale.
Prima di produrre una formula possiamo simularla
Il caso forse più interessante arriva dai laboratori. L’Oréal ha esteso la propria collaborazione con NVIDIA introducendo sistemi di machine learning e computational chemistry nella ricerca cosmetica. Il principio è relativamente semplice: un ricercatore può utilizzare modelli computazionali per simulare il comportamento delle molecole, le loro interazioni e alcune caratteristiche degli ingredienti prima di realizzare fisicamente tutte le formulazioni possibili.
L’Oréal dichiara che questo approccio può rendere alcune fasi della scoperta fino a 100 volte più rapide rispetto ai metodi tradizionali. La velocità, però, è soltanto una parte della storia. Se riesco a scartare virtualmente centinaia di combinazioni poco promettenti, posso evitare una parte dei campioni, dei test e delle materie prime utilizzate nelle fasi preliminari di sviluppo. È qui che l’AI incontra concretamente la sostenibilità. Non perché il software sia “green”. Ma perché può aiutare a sbagliare meno prima di produrre.
Il vero spreco potrebbe essere ciò che produciamo inutilmente
Nel beauty siamo abituati a parlare di packaging. Flaconi più leggeri. Refill. Materiali riciclati. Riduzione della plastica.
Sono temi fondamentali. Ma c’è un’altra forma di spreco di cui si parla meno: produrre prodotti che il mercato non comprerà. Una crema perfettamente riciclabile rimane comunque uno spreco se viene prodotta, trasportata, immagazzinata e poi distrutta perché nessuno la desidera.
Qui entrano in gioco analytics e intelligenza artificiale. Vendite, ricerche online, social media, andamento delle tendenze, comportamento dei clienti e dati distributivi possono essere utilizzati per migliorare il demand forecasting.
Nel beauty questo passaggio è particolarmente importante perché il ciclo delle tendenze sta accelerando. TikTok può trasformare un ingrediente in un fenomeno mondiale e farlo scomparire altrettanto rapidamente.
La capacità di prevedere meglio la domanda diventa quindi anche una questione ambientale.
Packaging sostenibile: decidere prima, non correggere dopo
L’intelligenza artificiale generativa sta entrando anche nella progettazione del packaging. Un designer può chiedere a un sistema di generare numerose alternative considerando simultaneamente volume, forma, peso, materiale, estetica, trasportabilità e criteri ambientali.
Il vantaggio non consiste semplicemente nell’avere più idee. Consiste nella possibilità di introdurre i parametri di sostenibilità all’inizio del progetto, invece di verificarli soltanto alla fine.
È un cambiamento metodologico importante. Perché gran parte dell’impatto ambientale di un prodotto viene determinato quando le principali decisioni progettuali sono ancora sul tavolo.
Sostenibilità significa anche sapere cosa c’è dentro
Un’altra trasformazione interessante riguarda la possibilità di valutare prima l’impatto ambientale degli ingredienti. Alcune realtà stanno sviluppando metodologie per analizzare l’ecotossicità delle formulazioni già durante le fasi di ricerca e sviluppo.
L’obiettivo è semplice: individuare un possibile problema prima che il prodotto arrivi sul mercato. È una logica molto diversa da quella tradizionale. La sostenibilità non viene aggiunta al prodotto finito ma entra nel processo di formulazione. Ed è probabilmente questo il passaggio culturale più importante.
Personalizzare può significare anche produrre meglio
L’AI sta inoltre accelerando la personalizzazione della cosmetica. Analisi della pelle attraverso smartphone, imaging, questionari avanzati e sistemi predittivi possono contribuire a suggerire routine o prodotti maggiormente coerenti con le caratteristiche della persona.
Anche qui esiste un possibile beneficio ambientale. Un prodotto più adatto potrebbe ridurre acquisti sbagliati, prove ripetute e prodotti abbandonati dopo pochi utilizzi. Ma la personalizzazione apre un altro problema.
Su quali persone è stata addestrata l’intelligenza artificiale?
Fototipo, età, genere, condizioni di luce e caratteristiche della pelle influenzano le prestazioni dei sistemi di analisi. La qualità del dato diventa quindi parte della qualità del prodotto.
Inclusività e sostenibilità tecnologica iniziano, ancora una volta, a sovrapporsi.
Poi c’è l’elefante nella stanza: l’AI consuma energia
Tutto questo potrebbe far pensare che intelligenza artificiale e sostenibilità vadano naturalmente nella stessa direzione. Non è così semplice.
Dietro un algoritmo esistono data center, GPU, reti, sistemi di raffreddamento ed energia. Secondo l’International Energy Agency, i data center hanno consumato circa 415 TWh di elettricità nel 2024, l’1,5% del totale mondiale. Nel 2030 potrebbero arrivare a circa 945 TWh: più del doppio, e poco meno del 3% dei consumi elettrici globali.
L’AI ha quindi un costo fisico. Ed è proprio qui che le aziende dovranno diventare più mature. Non basta chiedersi quanta energia consumi un algoritmo. Bisogna confrontare quel consumo con ciò che il sistema permette eventualmente di evitare:
- meno campioni di laboratorio,
- meno prototipi,
- meno trasporti,
- meno scorte,
- meno resi,
- meno prodotti invenduti.
Il bilancio deve comprendere entrambi i lati.
Sustainable beauty: dalla comunicazione all’ingegneria
Forse il cambiamento più interessante è proprio questo. La sostenibilità nel beauty sta lentamente uscendo dal solo territorio della comunicazione. Non riguarda più soltanto ciò che possiamo scrivere sull’etichetta.
Riguarda:
- come formuliamo,
- come progettiamo,
- quanto produciamo,
- cosa trasportiamo,
- quali dati utilizziamo,
- quanto riusciamo a prevedere,
- quanti errori evitiamo.
L’intelligenza artificiale non rende sostenibile niente da sola. Sposta il momento in cui la sostenibilità viene decisa.
Oggi il bilancio è in attivo in due punti soprattutto: la ricerca, dove scartare una formula al computer significa non produrre il campione, e la previsione della domanda, dove ogni errore in meno è un lotto che non viene fabbricato, trasportato e infine distrutto. Sulla personalizzazione il conto resta aperto, perché lì il consumo si ripete a ogni utente e a ogni analisi.
Il criterio da portare in riunione, allora, non è se adottare l’AI. È quali risorse quel sistema permette di evitare, e se sono più di quelle che brucia per funzionare. Una domanda scomoda, che quasi nessuno si sta ponendo con i numeri alla mano.
Perché il futuro della cosmetica sostenibile potrebbe non essere fatto soltanto di prodotti migliori. Potrebbe essere fatto soprattutto di decisioni migliori prese prima che il prodotto esista.
| Fase della filiera | Cosa può evitare l’AI | Cosa costa comunque |
|---|---|---|
| Ricerca e formulazione | campioni, test preliminari, materie prime scartate | calcolo intensivo per la simulazione molecolare |
| Design del packaging | prototipi fisici, revisioni tardive di progetto | generazione di alternative, rendering |
| Previsione della domanda | sovrapproduzione, stoccaggio, invenduto distrutto | addestramento e aggiornamento continuo dei modelli |
| Personalizzazione | acquisti sbagliati, prodotti abbandonati | inferenza su ogni singolo utente, dataset da mantenere |
FAQ – Domande frequenti sull’intelligenza artificiale nel beauty
L’intelligenza artificiale rende il beauty più sostenibile?
Non in automatico. L’AI riduce sprechi dove permette di sbagliare meno prima di produrre: formule simulate, prototipi evitati, previsioni di domanda più precise. Consuma però energia e infrastrutture. Il bilancio va calcolato filiera per filiera, confrontando le risorse evitate con quelle impiegate.
Come si usa l’AI nella formulazione cosmetica?
Con modelli di machine learning e chimica computazionale si simula il comportamento delle molecole e le loro interazioni prima di realizzare fisicamente i campioni. L’Oréal, in collaborazione con NVIDIA, dichiara che alcune fasi della scoperta possono diventare fino a cento volte più rapide.
Quanto consuma l’intelligenza artificiale?
I data center hanno consumato circa 415 TWh nel 2024, l’1,5% dell’elettricità mondiale. La proiezione dell’International Energy Agency per il 2030 è di circa 945 TWh, poco meno del 3% del totale globale. Il consumo dipende dal modello, dal tipo di attività e dal mix energetico.
L’AI può ridurre l’invenduto nel settore cosmetico?
Sì, ed è probabilmente il punto di maggiore impatto ambientale. Incrociando vendite, ricerche online, tendenze social e dati distributivi si migliora la previsione della domanda. Una crema riciclabile prodotta e mai venduta resta uno spreco completo, packaging virtuoso compreso.
Quali rischi ha la diagnosi della pelle basata su AI?
Dipende dai dati addestramento. Fototipo, età, genere e condizioni di luce influenzano le prestazioni dei sistemi di analisi. Un modello addestrato su popolazioni poco varie produce consigli meno accurati per tutti gli altri. Inclusività e qualità del dato coincidono.
