AI w ocenie bezpieczeństwa składników. COT analizuje, gdzie technologia może rzeczywiście pomóc

Sztuczna inteligencja coraz częściej pojawia się nie tylko w projektowaniu produktów czy analizie danych R&D, ale również w dyskusji o przyszłości oceny bezpieczeństwa. Podczas posiedzenia 8 września 2026 r. brytyjski Committee on Toxicity of Chemicals in Food, Consumer Products and the Environment (COT) omawiał analizę SWOT dotyczącą wykorzystania AI w chemical risk assessment. Dokument wskazuje zarówno konkretne obszary, w których technologia może przyspieszyć pracę ekspertów, jak i bariery, które obecnie ograniczają jej zastosowanie w procesach regulacyjnych.

To ważne rozróżnienie: nie jest to nowa regulacja ani formalne stanowisko nakazujące stosowanie AI. Sam dokument został przygotowany jako materiał do dyskusji i wyraźnie zaznacza, że nie reprezentuje jeszcze stanowiska Komitetu. Pokazuje jednak, jakie pytania stawiają dziś eksperci odpowiedzialni za naukową ocenę ryzyka chemicznego w żywności i produktach konsumenckich.

Najpierw literatura i dane, dopiero później ocena ryzyka

COT dzieli potencjalne zastosowania AI według horyzontu czasowego. W krótkim terminie największą wartość widzi w wyszukiwaniu literatury, pozyskiwaniu danych i ich podsumowywaniu. W średnim terminie pojawia się wykorzystanie technologii przy programowaniu i rozwijaniu promptów, natomiast dopiero jako perspektywę długoterminową wskazano integrację AI bezpośrednio z procesem oceny ryzyka. To dość ostrożne podejście, ale z punktu widzenia branży suplementów diety jest istotne. Ocena bezpieczeństwa nowych składników, ekstraktów, mieszanin czy wysokich poziomów stosowania często wymaga przeglądania dużej liczby publikacji toksykologicznych, danych dotyczących ekspozycji, metabolizmu oraz potencjalnych interakcji.

Narzędzia AI mogą znacząco przyspieszyć pierwszy etap takiej pracy: identyfikować istotne badania, segregować dowody, wyszukiwać analogiczne związki chemiczne czy wskazywać potencjalne luki w danych. Nie oznacza to jednak, że mogą samodzielnie odpowiedzieć na pytanie, czy składnik jest bezpieczny. W dokumencie pojawiają się również bardziej zaawansowane zastosowania, takie jak predictive toxicology, analiza toksyczności mieszanin, agregowanej ekspozycji, integracja danych omics czy wykorzystanie podejść QSAR. Rozważane jest też federated learning, czyli trenowanie modeli przy wykorzystaniu wiedzy z wielu organizacji bez konieczności udostępniania samych poufnych danych źródłowych.

Największym problemem pozostaje wiarygodność danych

Lista ograniczeń przedstawiona w analizie jest długa i w dużej mierze znajoma firmom wykorzystującym narzędzia generatywne. COT wskazuje m.in. ryzyko halucynacji, problemy z reprodukowalnością wyników zależnych od promptu, ograniczoną możliwość interpretowania niejednoznacznych danych, brak przejrzystości modeli typu black box oraz trudność w określeniu applicability domain, czyli zakresu, w którym wynik modelu można uznać za wiarygodny. Do tego dochodzą kwestie własności danych, cyberbezpieczeństwa, odpowiedzialności za wynik oraz ryzyko, że modele będą trenowane na materiałach niskiej jakości. Eksperci zwracają uwagę także na rosnącą liczbę słabych publikacji generowanych przy wykorzystaniu AI, które w przyszłości mogą same stawać się elementem datasetów wykorzystywanych przez kolejne modele.

Dla sektora suplementów ma to szczególne znaczenie. Dane dotyczące botanicals czy złożonych mieszanin bywają heterogeniczne: różnią się częścią rośliny, metodą ekstrakcji, standaryzacją, dawką, populacją badaną czy sposobem raportowania. Algorytm może bardzo sprawnie przetwarzać taki zbiór, ale nie usunie automatycznie jego ograniczeń.

Jeżeli dane wejściowe nie pozwalają na jednoznaczny wniosek, szybsza analiza nie oznacza bardziej wiarygodnej oceny.

Co to może zmienić w R&D suplementów?

Najbardziej realistyczne zastosowanie w najbliższym czasie nie polega więc na zastąpieniu toksykologa lub specjalisty Regulatory Affairs. AI może raczej stać się narzędziem wspierającym etap poprzedzający decyzję ekspercką. Przy ocenie potencjalnego nowego składnika system może pomóc zebrać publikacje, zidentyfikować istniejące badania toksykologiczne, znaleźć strukturalnie podobne substancje, przygotować mapę dowodów czy wskazać brakujące dane. Dla działów R&D może to oznaczać wcześniejsze wychwytywanie problemów, zanim projekt receptury wejdzie w bardziej kosztowną fazę. Jeśli na etapie screeningu okaże się, że dla składnika istnieją sygnały hepatotoksyczności, możliwe interakcje albo niejasności dotyczące ekspozycji, zespół może wcześniej zdecydować o potrzebie dodatkowych badań lub zmianie surowca. Podobny kierunek rozwija się w ramach New Approach Methodologies i Next Generation Risk Assessment, czyli podejść mających zwiększać wykorzystanie danych mechanistycznych, modeli in vitro i metod obliczeniowych oraz ograniczać zależność od badań na zwierzętach. COT wymienia te obszary jako jedno z potencjalnych pól dla dalszego rozwoju AI.

AI nie skróci drogi do compliance automatycznie

Dla producentów najważniejszym wnioskiem jest zachowanie proporcji. Generowanie podsumowania kilkudziesięciu badań w kilka minut może być wartościowe, ale dokument bezpieczeństwa nie staje się wiarygodny tylko dlatego, że powstał szybciej. Nadal trzeba zweryfikować źródła, jakość badań, sposób interpretacji danych, ekspozycję i zasadność przenoszenia wyników między populacjami czy składnikami. Brytyjska Food Standards Agency podkreśla przy tym, że AI powinno wspierać ekspertów, a nie ich zastępować. W aktualizacji naukowej FSA wskazuje na konieczność walidacji technologii, zachowania wiedzy toksykologicznej oraz human oversight.

Dla branży suplementów to prawdopodobnie najbardziej realistyczny scenariusz najbliższych lat: AI będzie stopniowo wchodzić do wyszukiwania danych, oceny podobieństwa substancji, predictive toxicology i przygotowywania części dokumentacji. Ostateczna odpowiedzialność za ocenę bezpieczeństwa pozostanie jednak po stronie ludzi.

Zobacz również: Ekstrakty roślinne w suplementach diety – od jakości surowca do powtarzalności działania surowca

Przejdź do artykułu