Czy AI poprawnie opisuje perfumy?

30.10.2026

Sztuczna inteligencja coraz częściej pomaga konsumentom poznawać perfumy i wybierać zapachy. Na ile jednak można ufać jej rekomendacjom? Firma Scento przeanalizowała odpowiedzi trzech popularnych narzędzi AI dotyczące kompozycji zapachowych 100 perfum. Okazało się, że Gemini w 49 proc. odpowiedzi wymieniał nuty nieobecne na oficjalnej liście producenta. ChatGPT i Perplexity wypadły lepiej, ale również popełniały błędy.

Badanie przeprowadzone przez Scento, europejską platformę specjalizującą się w sprzedaży próbek oryginalnych perfum, pokazuje jedno z wyzwań związanych z wykorzystaniem sztucznej inteligencji w branży beauty. Narzędzia AI potrafią szczegółowo opisywać kompozycje zapachowe, jednak nie zawsze bazują na informacjach pochodzących bezpośrednio od producentów.

ChatGPT, Gemini i Perplexity. Które AI najlepiej zna perfumy?

20 października 2026 r. badacze Scento zadali trzem narzędziom AI identyczne pytania dotyczące nut głowy, serca i bazy 100 perfum. Następnie porównali uzyskane odpowiedzi z oficjalnymi piramidami zapachowymi publikowanymi przez marki. W przypadku dziewięciu kompozycji wykorzystano zgodne informacje pochodzące od dwóch autoryzowanych sprzedawców.

Wyniki pokazały istotne różnice między poszczególnymi systemami. ChatGPT uwzględnił wszystkie oficjalnie wymienione nuty zapachowe w 82 proc. odpowiedzi, Perplexity w 78 proc., a Gemini w 69 proc. W przypadku 39 z 99 perfum, dla których uzyskano odpowiedzi ze wszystkich trzech systemów, każde narzędzie podało listę nut w pełni zgodną z oficjalną specyfikacją.

Badanie wykazało również, że odpowiedzi dotyczące perfum marek designerskich częściej zawierały dodatkowe nuty niż odpowiedzi dotyczące perfum niszowych. Różnica wynosiła od 22 do 32 punktów procentowych, zależnie od analizowanego narzędzia AI.

Autorzy zastrzegają jednak, że obecność nuty niewymienionej przez producenta nie musi automatycznie oznaczać błędu. Percepcja zapachu jest subiektywna, a opisy kompozycji mogą uwzględniać również akordy i skojarzenia olfaktoryczne. Warto też pamiętać o ograniczeniach metodologicznych. Test przeprowadzono jednokrotnie, w języku angielskim, z lokalizacji w Stanach Zjednoczonych. Wyniki pokazują zatem działanie narzędzi w określonych warunkach, a nie ich stałą skuteczność.

Scento uruchamia bazę danych perfum dla sztucznej inteligencji

Równolegle z publikacją badania firma poinformowała o uruchomieniu Scento Perfume API, bezpłatnego rozwiązania umożliwiającego asystentom AI i programistom dostęp do uporządkowanych informacji o perfumach.

Baza obejmuje ponad 1400 kompozycji zapachowych pochodzących z portfolio ponad 140 marek designerskich i niszowych. Zawiera pełne piramidy zapachowe, czyli nuty głowy, serca i bazy, a także informacje o ponad 400 surowcach perfumeryjnych, takich jak irys czy ambroksan.

Scento opracowało również własny system klasyfikacji obejmujący 14 rodzin zapachowych. Rozwiązanie pozwala asystentom AI między innymi porównywać od dwóch do czterech zapachów, wyszukiwać perfumy o podobnej strukturze, identyfikować wspólne składniki kompozycji oraz przygotowywać propozycje zestawów zapachowych na określone okazje.

System korzysta z 12 narzędzi udostępniających dane w trybie tylko do odczytu. Odpowiedzi zawierają odnośniki do odpowiednich stron perfum w serwisie Scento, dostępnym w dziesięciu językach.

AI zmienia sposób wyszukiwania i odkrywania zapachów

Z biznesowego punktu widzenia inicjatywa Scento wpisuje się w szerszą zmianę, w jaki sposób konsumenci poszukują informacji o kosmetykach. Coraz większą rolę w procesie odkrywania produktów mogą odgrywać asystenci AI, którzy porównują oferty, analizują składniki i proponują produkty odpowiadające indywidualnym preferencjom.

Dla marek perfumeryjnych oznacza to nowe wyzwanie związane z jakością i dostępnością danych produktowych. Jeśli konsumenci pytają sztuczną inteligencję o charakter zapachu, jego skład czy podobieństwo do innych kompozycji, poprawność odpowiedzi zależy również od tego, do jakich źródeł informacji system ma dostęp. Scento próbuje wykorzystać tę zmianę, łącząc bazę wiedzy o perfumach z własnym kanałem sprzedaży. Każda odpowiedź generowana z wykorzystaniem API może kierować użytkownika do strony konkretnego zapachu w serwisie firmy. To przykład rozwiązania, w którym narzędzie informacyjne wspiera jednocześnie odkrywanie produktów i potencjalną konwersję sprzedażową.

Od wyszukiwania zapachu do zakupu próbki

Strategia Scento opiera się na modelu try before the bottle, czyli wypróbowaniu zapachu przed zakupem pełnowymiarowego flakonu. Firma chce uczestniczyć w procesie zakupowym już na etapie poszukiwania informacji, zanim konsument zdecyduje się przetestować perfumy na własnej skórze.