Como antecipar tendências de beleza para um público que ainda não experimentou as condições que o produto promete tratar? Essa pergunta ganha contornos técnicos quando falamos de cosméticos voltados para a menopausa — um público que, por definição, está envelhecendo, mas cujas necessidades de pele são radicalmente diferentes das de uma mulher de 30 anos. A Natura, ao desenvolver a MenoSkin — uma pele bioimpressa que reproduz os efeitos da menopausa —, não está apenas inovando em materiais: está construindo um pipeline de dados que conecta biologia, impressão 3D e inteligência artificial de forma rara entre as empresas brasileiras de consumo.
Do ponto de vista de um engenheiro de software que trabalha com sistemas de IA, o que mais me chama atenção não é a bioimpressão em si, mas o que ela representa como fonte de dados estruturados e controlados. Em vez de depender de testes clínicos longos, caros e com alta variabilidade interpessoal, a Natura criou um modelo biológico sintético — um dataset vivo, por assim dizer — que pode ser interrogado repetidamente, em condições controladas, e gerar medições consistentes. É um movimento que aproxima a indústria de beleza dos métodos que a indústria farmacêutica já adota com organ-on-a-chip e modelos de tecido 3D, mas com um diferencial: o foco em previsão de tendências, não apenas em eficácia.
O pipeline de dados da bioimpressão: onde a IA entra
Para que a MenoSkin seja útil na antecipação de tendências, ela precisa ser capaz de simular não apenas a pele de uma mulher na menopausa, mas também as respostas dessa pele a diferentes bioativos, concentrações e combinações. Isso gera um volume enorme de dados: expressão gênica, produção de colágeno, níveis de hidratação, inflamação, permeabilidade. Cada parâmetro é uma feature num modelo preditivo. O gargalo, como em qualquer projeto de IA, está na anotação e na curadoria desses dados.
Na minha experiência com pipelines de dados para indústrias reguladas, o que separa um projeto bem-sucedido de um fracasso é a capacidade de rastrear a procedência de cada medição. Com a pele bioimpressa, a Natura pode controlar fatores como lote de células, lote de biomateriais, condições de cultura e tempo de maturação. Isso significa que os dados gerados têm um grau de controle muito maior do que os obtidos de voluntários humanos, onde fatores como alimentação, estresse e ciclo hormonal introduzem ruído. A contrapartida é que a pele bioimpressa ainda é uma simplificação da realidade — e cabe à IA lidar com a incerteza dessa simplificação.
Modelagem preditiva com dados sintéticos biológicos
Um dos usos mais interessantes da IA nesse contexto é a geração de modelos que extrapolam os resultados da MenoSkin para populações mais amplas. A pele bioimpressa pode ser derivada de células de um número limitado de doadoras. Para entender como diferentes etnias, idades e históricos de exposição solar responderiam, a Natura precisaria de um número inviável de linhagens celulares. É aí que técnicas de aprendizado de máquina — especialmente modelos generativos e de aumento de dados — podem preencher lacunas, criando perfis sintéticos de resposta a partir de correlações aprendidas com dados reais.
Isso me lembra um desafio que enfrentei ao construir um sistema de recomendação para um marketplace de saúde: os dados de interação eram escassos para produtos de nicho. A solução foi usar variational autoencoders para gerar embeddings de usuários e produtos, combinando dados transacionais com características demográficas. No caso da Natura, o equivalente seria combinar os dados de resposta da MenoSkin com dados epidemiológicos e de consumo de beleza, criando um modelo que prediz quais bioativos terão maior aceitação para um segmento demográfico específico, antes mesmo de um protótipo ser testado em humanos.
Trade-offs técnicos: entre a precisão biológica e a velocidade da IA
Não existe almoço grátis em engenharia, e o uso de bioimpressão como fonte de dados para IA não é exceção. O primeiro trade-off evidente é o custo. Manter um laboratório de bioimpressão, com pessoal qualificado, reagentes e controle de qualidade, é caro e de escala limitada. Se a Natura quisesse gerar dados para milhares de combinações de bioativos, teria que expandir significativamente sua capacidade de produção de pele sintética. Isso contrasta com abordagens puramente in silico, como simulações de dinâmica molecular ou modelos de deep learning que predizem interações moleculares sem qualquer experimento biológico.
Por outro lado, a vantagem da MenoSkin em relação a modelos computacionais puros é a validação experimental. Um modelo de IA que prevê que um extrato de planta aumenta a produção de colágeno pode estar errado por mil razões — desde a biodisponibilidade real do composto até a metabolização pela pele. A MenoSkin fornece um feedback biológico real, ainda que simplificado, que pode ser usado para corrigir e refinar o modelo. É um ciclo de aprendizado ativo: o modelo sugere experimentos, a pele bioimpressa testa, os resultados realimentam o modelo. Na prática, é a aplicação do conceito de active learning para a biologia, e isso é um diferencial competitivo enorme.
Infraestrutura de dados e integração com sistemas de produto
Para que esse ciclo funcione em escala industrial, a Natura precisa de uma infraestrutura de dados robusta. Não basta ter os dados da MenoSkin em planilhas; é necessário um pipeline que integre os resultados dos experimentos com os sistemas de gestão de formulações, com os dados de tendências de mercado e com os feedbacks de consumidores reais. Isso me remete a desafios arquiteturais que vi em projetos de data lake para empresas de consumo: a diversidade de formatos (imagens de histologia, séries temporais de permeação, dados de expressão gênica, relatórios de eficácia) exige schemas flexíveis e metadados ricos.
Além disso, a rastreabilidade regulatória é um fator crítico. Em cosméticos, a ANVISA exige comprovação de segurança e eficácia. Se a Natura quiser usar dados gerados por IA baseados em pele bioimpressa como parte de um dossiê regulatório, terá que demonstrar a correlação entre os resultados da MenoSkin e os resultados em humanos. Isso significa que o pipeline de IA precisa incorporar incerteza calibrada — não basta dar uma previsão; é preciso fornecer intervalos de confiança baseados em validação experimental. Esse é um ponto que muitas empresas de IA ignoram, mas que faz toda a diferença quando o produto final precisa ser aprovado por órgãos reguladores.
Implicações para o mercado de trabalho e para engenheiros de IA
O caso da Natura ilustra uma tendência que vejo se acelerar: a fusão entre engenharia de software, ciência de dados e biologia. Nos próximos anos, engenheiros que entendem de pipelines de dados, modelagem preditiva e, principalmente, de validação experimental serão cada vez mais valorizados em indústrias que vão além da tecnologia pura — farmacêutica, cosméticos, alimentos, agricultura. A capacidade de construir sistemas que integram dados de sensores biológicos, imagens de microscopia e resultados de ensaios clínicos em um único modelo de IA é uma habilidade rara e bem remunerada.
Para quem atua em IA, a lição mais importante é: não subestime a complexidade dos dados biológicos. Eles têm ruído estrutural, dependências espaciais e temporais, e são afetados por fatores que não estão no dataset. Um modelo de classificação que funciona bem em imagens de pele bioimpressa pode falhar completamente em pele humana real se as distribuições forem diferentes. Técnicas de domain adaptation e transfer learning são essenciais, e exigem um entendimento profundo do domínio — não apenas de algoritmos.
Riscos e limitações: o que a Natura (e todos nós) precisa considerar
O maior risco que vejo nessa abordagem é o viés de representação. A pele bioimpressa é derivada de células de doadoras específicas. Se a base de doadoras não for diversa etnicamente, os modelos de IA treinados com esses dados podem perpetuar desigualdades — produzindo produtos que funcionam melhor para um grupo populacional do que para outro. A Natura, como empresa brasileira com forte atuação em inclusão, provavelmente está atenta a isso, mas é um ponto que merece escrutínio técnico constante.
Outro risco é a dependência excessiva do modelo de pele bioimpressa como única fonte de dados. Por mais fiel que seja, a MenoSkin não captura a complexidade sistêmica do corpo humano — como o microbioma da pele, a influência hormonal de outros órgãos ou a resposta imunológica individual. A IA pode gerar previsões muito precisas para o modelo, mas que não se traduzem em eficácia real. Por isso, a validação em humanos continuará sendo necessária, ainda que em menor escala e com maior direcionamento.
Uma perspectiva pessoal sobre o futuro da convergência
Quando comecei a trabalhar com sistemas de recomendação e processamento de linguagem natural, há mais de 15 anos, nunca imaginei que um dia estaria escrevendo sobre bioimpressão e IA aplicada a cosméticos. Mas a verdade é que as fronteiras entre as disciplinas estão se dissolvendo. A Natura não é uma empresa de tecnologia, mas está usando tecnologia de ponta para resolver problemas que são, essencialmente, de engenharia de dados e modelagem preditiva. Para nós, engenheiros de software, isso abre um campo imenso de atuação.
O que me entusiasma não é apenas a inovação em si, mas a abordagem metódica: construir um modelo biológico controlado, gerar dados de alta qualidade com rastreabilidade total e usar IA para extrair padrões que seriam invisíveis a olho nu. É exatamente o tipo de mentalidade que defendo nos meus projetos — começar com a qualidade dos dados, não com a complexidade dos algoritmos. Se a Natura conseguir escalar esse modelo, ela não só antecipará tendências de beleza, mas criará um novo padrão de como pesquisa e desenvolvimento podem ser feitos com inteligência artificial.
Para quem está construindo carreira em IA, meu conselho é: aprenda biologia básica, entenda os fundamentos de experimentação e não tenha medo de sujar as mãos com dados imperfeitos. O futuro da IA não está apenas nos modelos gigantes de linguagem, mas na aplicação disciplinada dessas técnicas a domínios onde o custo do erro é alto — e o impacto, transformador.