一 · 背景与痛点
一家头部日化品牌，护肤、洗护、家清三条产品线，一年要推 50 到 200 款新品，每款还要改 5 到 15 版。研发团队只有 8 个人，一个人一天最多调 3 组配方。最资深的工程师今年 45 岁，脑子里装着 3000 组成功配比和 2000 组失败教训——这 5000 组经验只有他一个人知道，他退休那天，经验也退休。更麻烦的是时间：打样一周、测试一周、稳定性观察 3 到 4 周，一个循环就是 1 到 2 个月；膏霜稳不稳定，得等 45 天加速老化才知道。等你知道，竞品早就上市了。结果新品成功率长期卡在 15%——推 10 款，活下来不到 2 款。
四个绕不开的坎
- 试错靠手：一天调 3 组，1 万组方案够一个团队干 3 年
- 经验私有：5000 组成败经验只装在一个人脑子里，人走经验没
- 时间跳不过：稳定性要等 45 天，市场不等人
- 部门互相甩锅：研发说市场不会卖，市场说研发不懂消费者
二 · 关键做法
不训练模型，先把企业自己的「家底」搭出来：原料库、配方库、法规库。再让五个评审角色（能不能做、能不能放、能不能卖、能不能供、能不能批）同时打分，人最后只面对三张卡片。
- 先翻旧账从 12000 份历史研发记录里清洗出 5600 条能用的数据——失败的、被否掉的、半路废弃的，比成功方案更值钱，它们告诉 AI「什么不行」。
- 搭原料档案先做 500 种核心原料的属性卡：溶解度、pH 范围、配伍禁忌、法规状态，覆盖日常九成场景。
- 让 AI 先跑一遍拿最近 30 款新品需求试配伍预测，跟真人方案对照，看差在哪。
- 人坐下来校准研发和市场第一次对着同一份报告说话，6 个月迭代 48 版规则库——不是推翻重来，是每次发现边界不对就微调、入库、验证。
- 差异回炉AI 说「能混」、打样却发现 pH 漂移，这条差异自动入库。配伍预测准确率就这样从 78% 走到 97%。
三 · 成果与启示
| 指标 | 成果 |
|---|---|
| 新品成功率 | 15% → 35% 精力集中在那 20% 真有机会的方案上 |
| 配方开发周期 | 8 周 → 2 周 稳定性模拟替代了「等 45 天」 |
| 月度推新能力 | 2 款 → 8 款 每组方案的探索深度翻了 4 倍 |
| 配伍预测准确率 | 78% → 97%+ 差异回馈机制转起来之后 |
| 原料测试成本 | ↓ 60% 无效打样在虚拟阶段就被过滤 |
“不是人变快了，也不是研发团队扩编了——是每一组方案的探索深度翻了 4 倍。”
—— 产品创新 Agent最值钱的变化其实不在数字上。以前研发怪市场不懂产品，市场怪研发不懂消费者——现在他们一起维护配方库和趋势数据库。AI 把「能不能做、能不能放、能不能卖、能不能供、能不能批」摆在同一张报告上，信息对称了，架就不用吵了。还有一条经验值得带走：遇到冲突时别急着妥协。神经酸要软胶囊、GABA 要液态饮，两个成分天然冲突——六 V 的做法不是牺牲一方，而是裂变成「日款」和「夜款」两个产品。冲突不是否决票，是新产品出生的坐标。