Bagaimana AI Mempercepat Penelitian & Pengembangan Makanan dan Minuman, Tanpa Mengganti Ilmuwan Makanan

Industri makanan dan minuman (F&B) belum pernah menghadapi tekanan bersaing yang lebih banyak. Konsumen mengharapkan produk yang lebih sehat, label yang lebih bersih, dan bahan yang lebih berkelanjutan. Pengecer menginginkan siklus inovasi yang lebih cepat. Persyaratan regulasi terus berkembang di pasar global. Sementara itu, biaya bahan dan rantai pasokan tetap tidak dapat diprediksi.

Bagi tim penelitian dan pengembangan (R&D), tantangan ini jarang muncul secara terpisah. Keputusan pengembangan produk baru (NPD) memerlukan penyeimbangan puluhan variabel, mulai dari nutrisi, rasa, dan fungsionalitas hingga biaya, sumber bahan, pelabelan, dan kepatuhan regulasi. Hasilnya adalah proses pengembangan produk yang semakin kompleks, di mana bahkan perubahan kecil dapat memicu pekerjaan tambahan selama berminggu‑minggu.

AI mulai mengubah persamaan itu. Meskipun banyak pembicaraan tentang AI berfokus pada pembuatan konten atau produktivitas kantor, peluang terbesar bagi merek F&B mungkin terletak pada membantu ilmuwan makanan membuat keputusan yang lebih baik dan lebih awal tentang peluncuran produk ke pasar. Alih‑alih menggantikan keahlian ilmiah, AI berpotensi mempercepat pengembangan produk dengan membebaskan tim R&D untuk menghabiskan lebih banyak waktu menyelesaikan masalah yang tidak dapat digantikan oleh teknologi.

Dari Mencari Informasi hingga Mengevaluasi Kemungkinan

Bagi kami yang berada di industri ini, kami tahu sebagian besar pekerjaan formulasi masih melibatkan pencarian informasi. Ilmuwan biasanya harus berpindah antara spesifikasi bahan, dokumentasi pemasok, basis data nutrisi, referensi regulasi, formulasi sebelumnya, dan catatan internal hanya untuk menjawab pertanyaan yang relatif sederhana. Dapatkah bahan ini diganti? Akankah produk ini tetap memenuhi target nutrisi? Bagaimana penghilangan gula memengaruhi tekstur? Apakah ada pemasok alternatif? Menemukan jawaban‑jawaban tersebut sering melibatkan konsultasi dengan banyak sistem dan pakar sebelum percobaan sebenarnya dimulai. AI memiliki kemampuan untuk mempersingkat proses itu secara dramatis.

Alih‑alih menghabiskan berjam‑jam mengumpulkan informasi, ilmuwan dapat mengevaluasi banyak skenario dalam hitungan menit. Daripada membandingkan secara manual puluhan atribut bahan, mereka dapat dengan cepat memahami pertukaran antara pendekatan yang berbeda dan memusatkan perhatian pada menentukan opsi mana yang paling memenuhi tujuan produk. Nilai terbesar muncul ketika AI didasarkan pada data milik organisasi, bukan sekadar informasi publik. Ketika terhubung dengan spesifikasi bahan perusahaan, resep, temuan eksperimental, jaringan pemasok, prosedur operasi standar, dan data historis, AI dapat mengevaluasi kemungkinan dalam konteks bagaimana bisnis tersebut sebenarnya mengembangkan produk. Perubahan ini, dari mencari informasi menjadi mengevaluasi kemungkinan, mungkin menjadi salah satu kontribusi terbesar AI bagi inovasi makanan.

Membuat Keputusan Lebih Baik Lebih Awal

Salah satu realitas paling mahal dalam NPD adalah waktu yang dibutuhkan untuk menemukan kendala. Produk baru yang menjanjikan pada akhirnya dapat gagal karena bahan tidak tersedia secara komersial, tidak memenuhi persyaratan pelabelan, melebihi target biaya, atau menimbulkan tantangan manufaktur yang tidak terduga. Pada saat masalah‑masalah ini muncul, tim mungkin sudah menginvestasikan waktu dan sumber daya laboratorium yang signifikan. AI dapat membantu mengidentifikasi banyak kendala ini jauh lebih awal. Penelitian terbaru dari McKinsey menemukan bahwa satu perusahaan F&B meningkatkan empat kali laju peluncuran inovasi dan mengurangi rata‑rata pengeluaran per proyek sebesar 70% setelah mengubah pendekatan R&D dengan AI.

Dengan mempertimbangkan secara simultan tujuan akhir produk bersama nutrisi, kekhawatiran alergen, fungsi bahan, pertimbangan sumber, dan persyaratan regulasi, AI dapat membantu tim mengenali potensi hambatan sebelum menjadi masalah yang mahal dan memakan waktu. Karena rekomendasi tersebut didasarkan pada hubungan pemasok perusahaan, bahan yang disetujui, dan formulasi masa lalu, ilmuwan dapat mengeksplorasi ide‑baru dengan kepercayaan diri yang lebih tinggi.

Hal ini tidak menghilangkan kebutuhan akan pengujian laboratorium, evaluasi sensorik, atau tinjauan regulasi. Langkah‑langkah tersebut tetap penting. Namun, memulai fase‑fase tersebut dengan pengembangan awal yang lebih kuat dapat mengurangi iterasi yang tidak perlu dan memungkinkan tim memfokuskan sumber daya pada area yang dapat memberikan nilai terbesar.

Melestarikan Pengetahuan Institusional

Ilmuwan berpengalaman mengembangkan sejumlah besar keahlian praktis sepanjang karier mereka, memahami mengapa substitusi tertentu gagal, kondisi proses mana yang menghasilkan hasil lebih baik, atau bagaimana upaya reformulasi sebelumnya mengatasi tantangan regulasi. Terlalu sering, pengetahuan tersebut tersimpan dalam buku catatan, spreadsheet, atau pengalaman individu. Seiring organisasi tumbuh dan karyawan berpengalaman pensiun atau berpindah peran, banyak pembelajaran itu menjadi sulit diakses atau bahkan hilang sama sekali.

Sistem AI yang mampu menangkap resep akhir dan alasan di balik keputusan pengembangan berpotensi menciptakan memori institusional yang hidup. Tim proyek di masa depan dapat membangun atas pekerjaan sebelumnya alih‑alih secara tidak sadar mengulangi pendekatan yang tidak berhasil atau memulai analisis dari awal. Pengetahuan institusional itu menjadi semakin berharga ketika diterapkan pada pekerjaan baru. Daripada hanya mengandalkan pengetahuan AI yang umum, tim dapat memanfaatkan sistem yang menggunakan konteks organisasi jauh melampaui kapasitas satu ilmuwan atau manajer pengadaan. Dalam industri di mana jadwal pengembangan produk secara langsung memengaruhi daya saing, melestarikan dan menggunakan kembali pengetahuan organisasi dapat menjadi sama berharganya dengan menghasilkan ide‑baru.

Inovasi dalam Kendala Dunia Nyata

Salah satu kesalahpahaman tentang AI adalah bahwa AI terbatas pada sekadar menghasilkan ide. Namun, ide saja tidak begitu berharga dalam ilmu makanan. Inovasi yang berhasil memerlukan penyeimbangan antara kreativitas dan kepraktisan. Produk baru memiliki nilai sedikit jika bahan tidak dapat diperoleh secara konsisten, biaya melebihi target komersial, atau persyaratan regulasi menghalangi masuk pasar.

Pada kenyataannya, janji terbesar AI adalah membantu ilmuwan mengeksplorasi kemungkinan yang lebih layak, bukan sekadar lebih banyak kemungkinan. Dengan mengevaluasi banyak kendala secara bersamaan, AI dapat mendorong eksperimen yang lebih luas sambil tetap berlandaskan realitas komersial. Ilmuwan mungkin menemukan kombinasi bahan atau strategi reformulasi yang tidak akan mereka pertimbangkan sebelumnya, namun tetap yakin bahwa opsi‑opsi tersebut dapat secara realistis bergerak menuju komersialisasi. Keseimbangan antara kreativitas dan kelayakan ini menjadi semakin penting seiring produsen mengejar formulasi yang lebih sehat, protein alternatif, pengurangan gula, dan pilihan bahan yang lebih berkelanjutan.

Keahlian Manusia Tetap Menjadi Keunggulan Kompetitif

Meskipun AI berkembang pesat, pengembangan produk makanan akan terus bergantung pada keahlian manusia. Tidak ada algoritma yang dapat menggantikan evaluasi sensorik, pemahaman konsumen, kreativitas, atau penilaian praktis yang dibawa oleh ilmuwan makanan berpengalaman dalam keputusan formulasi. AI juga tidak dapat sepenuhnya memperhitungkan pertukaran halus yang muncul selama komersialisasi dan manufaktur.

Sebaliknya, AI dengan cepat menjadi alat pendukung keputusan, yang membantu ilmuwan mengevaluasi opsi lebih cepat, mengidentifikasi risiko lebih awal, dan menghabiskan lebih sedikit waktu mengumpulkan informasi. Merek yang berhasil dalam AI akan menjadi mereka yang memandang AI bukan sebagai pengganti otomatis keahlian ilmiah, melainkan sebagai perpanjanganannya.

Masa depan R&D F&B tidak akan ditentukan oleh mesin yang mengembangkan produk secara sepenuhnya mandiri. Itu akan ditentukan oleh ilmuwan yang dilengkapi dengan alat, informasi, dan waktu yang lebih baik untuk fokus pada apa yang mereka lakukan paling baik: menyelesaikan masalah kompleks yang membawa produk inovatif ke pasar, lebih cepat.