结论先行：把口径收紧到"公开可核实"之后，截至 2026 年 9 月 18 日，全球化妆品行业的 AI 案例共 138 个，来自 47 家公司，覆盖 21 个应用领域。四个切面最能说明问题：领域上，AI 皮肤/头皮/头发诊断以 23 个居首，但真正深入研发与制造闭环的 L5 级项目只有 36 个；国家上，中国 31 个、韩国 27 个，数量接近而结构完全不同；证据上，110 个为公司官方口径，10 个只有技术合作方证据；商业化上，86 个已产品化或商业化，但只有 34 个披露了可引用的量化结果。换句话说，这个行业不缺案例，缺的是能核验的数字。
一、21 个应用领域的完整分布
| 应用领域 | 案例数 | 代表案例 |
|---|---|---|
| AI 皮肤/头皮/头发诊断 | 23 | Skin Genius、Kirei Skin AI 2.0、POLA Skin Analysis |
| AI Beauty Advisor / Agent | 15 | Beauty Genius、AMORE CHAT、Ulta AI |
| AI 配方设计与优化 | 13 | VOYAGER、欧莱雅×IBM 基础模型、Philyra |
| AI 客服/企业知识助手 | 13 | L'Oréal GPT、ConsumerIQ、ChatBTN |
| AI 个性化化妆品 | 10 | CUSTOM.ME、COSMAX 3WAAU、DUOLAB |
| AIGC 营销内容 | 9 | CreAItech、Beauty AI Studio、Coty×Pencil |
| AI 色号匹配/虚拟试妆 | 8 | 雅诗兰黛 iMatch、e.l.f. IlluminateAI、Magic Mirror |
| AI 新原料/活性物发现 | 7 | LG EXAONE Discovery、谷雨 AI 酶筛选 |
| AI 智能制造 / Physical AI | 7 | 上美无人车间、Kolmar AI Factory |
| AI 生物标志物/DNA/组学 | 6 | FANCL SKIN PATCH、资生堂 Beauty DNA Program |
| AI 包装/供应链/经营预测 | 5 | Kolmarpkg.com、花王需求预测 |
| AI 分子设计 | 4 | 贝泰妮 BTN-737、逸仙 AlphaFold3 PDRN 筛选 |
| AI 消费者趋势洞察 | 3 | ConsumerIQ、潘婷 Sunkiss Glow Spray |
| AI 多肽/蛋白设计 | 3 | Kolmar PTPD-12、华熙 Protein AI Design |
| AI 植物/中药活性发现 | 3 | 上海家化 AI-TCM、珀莱雅天然植物分子 |
| AI 广告与媒体投放 | 2 | 欧莱雅 BETIQ、拜尔斯道夫 Marketing AI |
| AI 功效评价 | 2 | 爱茉莉皮肤刺激诊断、IFF 神经科学香氛 |
| AI 社媒/VOC 分析 | 2 | 珀莱雅 AI VOC、IFF ScentChat |
| AI 环境安全与生态毒理预测 | 1 | 资生堂 AI-QSAR 生物降解性 |
| AI 安全评价与毒理文献识别 | 1 | 资生堂 Safety Literature Screening |
| AI 安全性/毒理/微生物评价 | 1 | 珀莱雅 AI 斑贴试验机器人 |
| AI 稳定性预测 | 0 | 本库无独立可核实案例 |
这张表有两个反直觉的地方值得展开。
第一，面向消费者的项目远多于面向研发的项目。皮肤诊断 23 个、美容顾问 15 个、色号与试妆 8 个，三者合计 46 个，占全部案例的三分之一；而新原料发现 7 个、分子设计 4 个、多肽蛋白设计 3 个，合计只有 14 个。行业目前的 AI 投入，重心在前端触点而不是后端研发。
第二，"AI 稳定性预测"一个案例都没有。这是一个很有信息量的空白。配方稳定性（分层、变色、黏度）是化妆品研发中最耗时的验证环节之一，理论上非常适合做预测建模，但没有任何一家企业以可核实的方式公开过这类 AI 应用。合理的解释是：稳定性数据高度依赖具体配方体系，难以跨企业复用，且企业普遍将其视为配方核心资产而不对外披露。
二、国家分布：中国 31 与韩国 27 的差别
| 国家/地区（原始口径） | 案例数 | 结构特征 |
|---|---|---|
| 中国 | 31 | 集中在研发与制造（AI 分子设计、智能制造、企业内部智能体） |
| 韩国 | 27 | 集中在个性化定制与代工体系（COSMAX、Kolmar、爱茉莉） |
| 美国/全球 | 16 | 集中在零售与 Agentic Commerce |
| 日本 | 14 | 集中在皮肤科研与数据库积累（资生堂、花王、POLA、FANCL） |
| 法国/全球 | 10 | 集中在集团级平台（欧莱雅、Sephora） |
| 德国/全球 | 8 | 集中在营销与供应链（汉高、拜尔斯道夫、DOUGLAS） |
| 英国/全球 | 7 | 集中在内容生成与零售（联合利华、THG、Charlotte Tilbury） |
数量接近，结构差异极大。中国的 31 个案例里，有相当比例是年报与交易所披露（华熙生物、贝泰妮、上美、丸美、珀莱雅、水羊、逸仙）——因为 A 股与港股的年报要求披露研发与技术进展，反而给外部观察者留下了更硬的证据链。韩国的 27 个则大量来自代工厂的可持续发展报告（COSMAX、Kolmar），这与其 ODM/OBM 产业地位直接相关。
这也解释了一个现象：中国案例的证据等级整体更高。在 14 个 A+ 级（年报/ESG/监管披露）案例中，中国企业占了相当比重。
三、证据等级：110 个 A，10 个只有合作方证据
| 等级 | 案例数 | 含义 | 使用建议 |
|---|---|---|---|
| A+ | 14 | 年报、ESG/可持续发展报告、交易所或监管披露，且明确到具体 AI 应用或量化结果 | 核心结论优先引用 |
| A | 110 | 公司或品牌官网、官方新闻稿明确说明 AI 应用 | 可直接进入主库 |
| A/B | 3 | 公司官方与技术合作方信息交叉 | 建议继续追原始技术文件 |
| B | 10 | 技术合作方官方案例明确说明 AI，但品牌自身未详细披露 | 引用时须标注合作方证据 |
| C | 1 | 论文、会议、权威媒体 | 关键结论建议二次核验 |
| D | 0 | 只能证明 AR/数字化但无法证明 AI | 不进入主库 |
B 级的 10 个案例几乎全部指向同一家技术供应商——Perfect Corp。雅诗兰黛 iMatch、倩碧 Shade Match Science、Tarte 色号匹配、Clarins AI Skin Observer、KOSÉ DECORTÉ、Cetaphil、The Body Shop UAE、RéVive，这些项目的共同点是：品牌自己的公开页面只说"AI 皮肤分析""AI 色号匹配"，技术细节全部由供应商的案例页提供。
这不算造假，但引用时需要谨慎：供应商案例页属于营销材料，其描述的算法能力不一定等于品牌实际部署的范围。
四、AI 深度：只有 36 个项目进了研发与制造闭环
| 深度等级 | 案例数 | 判定标准 |
|---|---|---|
| L3 | 43 | 工具化应用：单环节使用 AI 能力，未改变原有流程 |
| L4 | 59 | 流程嵌入：AI 进入既有研发、营销或服务流程并产生可识别产出 |
| L5 | 35 | 研发或制造闭环：AI 直接参与配方、原料发现、个性化制造 |
| L5+ | 1 | 自主实验：AI Agent 自主设计实验并控制实验设备执行 |
L5+ 只有一个，是乐敦制药的 ReaLab AI——自主型 AI Agent 完成实验设计、专业数据库搜索、数据分析、实验计划，并控制实验机器人执行和记录。这是目前全球唯一一个把"AI 自己动手做实验"落到实处的化妆品案例，技术合作方为 Hutzper。
其余 35 个 L5 的分布也很说明问题：个性化制造与定制（CUSTOM.ME、TONEWORK、3WAAU 系列、MOQ 1）占了近十个，配方与原料（VOYAGER、fibona、EXAONE Discovery、PTPD-12、Philyra）占七个，智能制造（上美无人车间、Kolmar AI Factory、华熙合成生物）占三个。个性化定制是 L5 最密集的领域，因为它天然要求"诊断—配方—制造"三段打通，必须做到闭环。
五、时间：87% 的案例集中在最近三年
按首次披露或上线年份统计：2017 年 1 个、2018 年 3 个、2019 年 2 个、2020 年 1 个、2021 年 1 个、2022 年 4 个、2023 年 5 个、2024 年 21 个、2025 年 67 个、2026 年 26 个。2024 至 2026 年合计 114 个，占已标注年份案例的 87%。
2025 年一个年份就有 67 个，几乎等于此前所有年份的总和。这个陡峭的曲线说明：化妆品行业的 AI 应用不是渐进式渗透，而是在 2024 年后集中爆发。触发因素很清楚——大模型在 2023 年后可用，2024 年起企业开始把它接进具体业务流程。
六、商业化 86 个，但有量化结果的只有 34 个
| 指标 | 数量 | 占比 | 说明 |
|---|---|---|---|
| 已产品化/商业化 | 86 | 62% | 对外提供服务或已用于上市产品 |
| 未商业化 | 52 | 38% | 内部研发、科研或建设中 |
| 披露量化结果 | 34 | 25% | 有可引用的速度、周期或规模数字 |
| 明确技术合作方 | 38 | 28% | 公开披露了外部技术供应商 |
最后一个数字值得单独说：138 个案例里只有 38 个公开了技术合作方。这意味着七成以上的项目，外界无法判断其 AI 能力是自研、采购还是贴牌。对准备跟进的企业来说，这直接影响供应商选型——你看到的"某品牌的 AI 测肤"，很可能和你将要采购的是同一套方案。
七、进不了名单的品牌
收紧口径的代价是，一批广为人知的案例被挡在了主库之外：
| 品牌 | 项目 | 可确认的内容 | 为什么暂不纳入 |
|---|---|---|---|
| CHANEL | Virtual Makeup Try-On | 有虚拟试妆 | 品牌页面未明确核心算法使用 AI |
| Dior | 部分 Virtual Try-On | 数字试妆/Beauty Tech | 公开页对 AI 算法表述不足 |
| NARS / M·A·C | Virtual Try-On | 数字试妆 | 需逐项目确认是否 AI 而非纯 AR |
| APR / Medicube | AGE-R / Skin Tracker | 智能美容仪、Skin Tracker | 消费者页面未证明核心功能使用 AI |
| Mandom | 数字美容工具 | 数字化工具 | AI 证据不足 |
| KOSÉ | 部分 Virtual Try-On | 虚拟试妆 | 仅部分项目有合作方 AI 证据 |
把"纯 AR"排除在 AI 之外，是这个库最重要的一个判定原则。AR 试妆是几何贴合，AI 试妆需要模型理解肤色、面部特征与妆效之间的关系，两者的技术门槛与合规含义都不同。对企业而言这也是一条提醒：对外宣称"AI"，需要有能支撑的技术证据，否则在国内可能构成引人误解的商业宣传。
八、三个结构性发现
- 前端拥挤，后端稀缺。皮肤诊断、美容顾问、色号匹配合计 46 个案例，但同質化程度高；而安全评价、环境毒理、稳定性预测这些真正影响合规效率的领域，合计只有 3 个案例。这说明行业的 AI 投入目前更多由营销驱动，而不是由研发效率驱动。
- 中国的证据质量最高，但领域最窄。中国的 31 个案例集中在原料发现、分子设计、智能制造与企业智能体，几乎没有面向消费者的诊断与顾问类案例；而欧美日韩恰恰相反。这种分化与各自的产业结构有关，也意味着两边的 AI 能力很难直接对标。
- 能核验的数字是稀缺品。138 个案例中只有 34 个披露了量化结果。大量项目的对外表述停留在"提升效率""缩短周期"这类无法验证的说法上。对企业内部立项而言，这意味着外部案例的参考价值主要集中在"做什么"，而不是"做到多少"。
九、一个判断
138 个案例放在一起，最清晰的一条结论是：化妆品行业的 AI 应用已经越过了"有没有"的阶段，正在进入"做到哪一层"的阶段。数量不再是问题，深度才是——36 个 L5 级项目，1 个 L5+ 项目，这两个数字比 138 更能说明行业真实水位。
对准备投入的企业，这份清单给出的最实用建议是：先看清自己要解决的问题落在哪一层。如果目标是缩短研发周期，可参照的 L5 样本不超过十个，且高度依赖数据积累；如果目标是提升触点转化，则有 46 个成熟案例可以直接对标，但同質化风险也最高。把预算投在案例密集的地方，得到的往往不是优势，而是平均水平。
常见问题解答
全球化妆品行业有多少个可核实的 AI 案例？
截至 2026 年 9 月 18 日，按"公开可核实"口径统计共 138 个，来自 47 家公司，覆盖 21 个应用领域。按领域看，AI 皮肤/头皮/头发诊断 23 个居首，AI Beauty Advisor 15 个，AI 配方设计与 AI 客服/企业知识助手各 13 个。按国家看，中国 31 个、韩国 27 个、美国/全球 16 个、日本 14 个、法国/全球 10 个。按时间看，2024 至 2026 年合计 114 个，占已标注年份案例的 87%。
为什么 CHANEL 和 Dior 的虚拟试妆进不了 AI 案例库？
因为无法证明其核心算法使用了 AI。这些品牌的公开页面只能确认为数字试妆或纯 AR，未明确说明 AI 算法。数据库的纳入口径是把纯 AR 排除在 AI 之外——AR 试妆本质是几何贴合，AI 试妆需要模型理解肤色、面部特征与妆效之间的关系，两者技术门槛不同。同样被列为待核实的还有 NARS、M·A·C、APR/Medicube、Mandom 与 KOSÉ 的部分项目。
AI 深度分级是怎么划分的？
分四层。L3 为工具化应用，单环节使用 AI 能力、未改变原有流程，共 43 个；L4 为流程嵌入，AI 进入既有研发营销或服务流程并产生可识别产出，共 59 个；L5 为研发或制造闭环，AI 直接参与配方、原料发现或个性化制造，共 35 个；L5+ 为自主实验，仅 1 个，即乐敦制药的 ReaLab AI，由自主型 AI Agent 完成实验设计、数据库搜索、数据分析并控制实验机器人执行。
138 个案例中有多少已经商业化？
86 个已产品化或商业化，占 62%；52 个未商业化，处于内部研发、科研或建设阶段。但只有 34 个披露了可引用的量化结果，占 25%；只有 38 个明确公开了技术合作方，占 28%。这意味着七成以上项目外界无法判断其 AI 能力是自研、采购还是贴牌，外部案例的参考价值主要集中在做什么，而不是做到多少。
哪个应用领域是空白？
AI 稳定性预测在本库中为零。配方稳定性（分层、变色、黏度）是化妆品研发最耗时的验证环节之一，理论上很适合预测建模，但没有任何企业以可核实的方式公开过这类应用。合理解释是稳定性数据高度依赖具体配方体系、难以跨企业复用，且企业普遍将其视为配方核心资产。安全评价与环境毒理方向同样稀缺，两个领域合计只有 2 个案例。
参考资料
- IBM Newsroom：IBM 与欧莱雅共建化妆品可持续配方 AI 基础模型
- 资生堂：VOYAGER 与首款 AI 开发防晒产品新闻稿
- Beiersdorf：Skin Age Clock 与 17 年表观遗传学研究
- L'Oréal：Cell BioPrint 蛋白质生物标志物分析设备
- 界面新闻：薇诺娜以妆械联合重构药房皮肤健康服务
相关阅读
- 化妆品行业的AI时刻：138个全球案例拆解一场正在发生的产业革命
- 化妆品AI案例全景：138个全球项目，谁在真做谁在讲故事
- 化妆品AI配方大模型：从IBM基础模型到自主实验机器人ReaLab
- 化妆品AI测肤全球图谱：23个影像诊断对阵6个生物标志物项目
- 化妆品AI原料发现：从200万种酶到1天出候选，17个项目的真实进度
- 化妆品虚拟试妆：为什么CHANEL和Dior进不了AI案例库
- 化妆品AI Agent大战：28个对话式助手与购物智能体的落地盘点
- 化妆品企业的AI内功：13个内部智能体与可测量的提效数字
- 化妆品合规技术咨询服务全览：备案注册、安全评估、功效评价、飞检应对与打假维权八大核心服务详解
数据来源：全球化妆品行业 AI 应用案例数据库 https://www.lv-1.cn/cosmetics-ai/
