Quelque part dans un laboratoire qui ne ressemble en rien à un studio de parfumeur — pas d'orgue garni de centaines de flacons bruns, pas de mouillettes s'éventant sur un bureau comme un paon de papier, pas de tablier de cuir taché pendu à un crochet derrière la porte — une machine compose un parfum. La machine ne sent rien. Elle n'a pas de nez. Elle n'a aucun avis sur la question de savoir si le vétiver se marie bien avec le pamplemousse, aucun instinct sur le fait qu'une composition ait besoin de plus de légèreté en tête ou de plus de chaleur en fond. Elle a des données. Elle a environ quatre cent mille formules du siècle écoulé, numérisées et étiquetées avec des scores de panels de consommateurs, des chiffres de ventes, des préférences régionales et des descripteurs moléculaires. Elle a un algorithme entraîné à identifier les corrélations statistiques entre des combinaisons spécifiques d'ingrédients et des résultats spécifiques chez le consommateur — intention d'achat, qualité perçue, association émotionnelle, probabilité de rachat. Et on lui a demandé de produire une formule qui sera, selon tout critère mesurable, optimale.
12 min
Elle réussira. La formule qu'elle produira obtiendra de bons scores en panels de consommateurs. Elle testera positivement à travers de multiples démographies. Elle n'offensera personne. Elle ne déroutera personne. Elle occupera une région confortable et bien peuplée de l'espace olfactif, le genre de territoire que l'industrie appelle le « point d'équilibre commercial » et que quiconque possède un nez fonctionnel appelle le « familier ». Elle sentira, selon le jugement de la plupart des gens qui la rencontreront, parfaitement bien.
La question est de savoir si « parfaitement bien » est de la parfumerie.
L'application de l'apprentissage automatique au développement de parfums n'est pas spéculative. Elle a lieu en ce moment, à l'échelle industrielle, dans les divisions de recherche des plus grandes entreprises mondiales de parfums et d'arômes. La technologie varie en sophistication — certains systèmes sont des modèles prédictifs relativement simples qui suggèrent des substitutions d'ingrédients basées sur le coût et la disponibilité ; d'autres sont des réseaux neuronaux profonds entraînés sur des décennies de données de formules propriétaires — mais la logique sous-jacente est la même dans tous les cas. Alimentez la machine avec un large corpus de formules existantes associées à des données de réponse des consommateurs. Laissez la machine apprendre les relations statistiques entre composition moléculaire et préférence humaine. Puis demandez à la machine de générer de nouvelles formules qui maximisent la probabilité d'un résultat souhaité chez le consommateur.
C'est, en essence, de l'analyse de régression appliquée à la parfumerie. Ce n'est pas, dans un sens significatif, de la création.
La distinction importe, et la précision sur les raisons est nécessaire. L'analyse de régression, la technique mathématique au cœur de la plupart des apprentissages automatiques, trouve la droite de meilleur ajustement à travers un nuage de points de données. Elle identifie la tendance centrale. Elle vous dit où se trouve la moyenne. C'est énormément utile pour de nombreuses applications. Si vous voulez prédire les prix de l'immobilier, le comportement des consommateurs, les trajectoires de maladies ou les résultats d'élections, connaître la moyenne vous en dit beaucoup. Mais la parfumerie n'est pas un problème de prédiction. C'est, ou du moins ça l'a historiquement été, un problème créatif. Et les problèmes créatifs ne se résolvent pas en trouvant le centre. Ils se résolvent en trouvant la marge.
Chaque parfum qui a véritablement changé l'industrie, chaque composition qui, rétrospectivement, a défini une époque ou ouvert une nouvelle catégorie, l'a fait en déviant du consensus de son temps. La première fougère moderne n'était pas ce que quiconque attendait d'un parfum masculin en 1882. Le premier grand floral aldéhydé n'était pas ce que quiconque attendait d'un parfum féminin dans les années 1920. Le premier masculin frais au dihydromyrcénol et à l'hédione n'était pas ce que quiconque attendait d'un parfum masculin dans les années 1980. Le premier moléculaire peau-propre-musc n'était pas ce que quiconque attendait d'aucun parfum au début des années 2000. Dans chaque cas, la composition a réussi non parce qu'elle correspondait aux préférences existantes mais parce qu'elle en créa de nouvelles. Elle ne trouva pas le centre. Elle déplaça le centre.
Un algorithme entraîné sur des données historiques ne peut pas, par construction, déplacer le centre. Il ne peut que le trouver. Il peut le trouver avec une précision chirurgicale, et il peut générer des formules qui occupent le point d'équilibre avec une efficacité qu'aucun parfumeur humain ne pourrait égaler. Mais occuper le point d'équilibre n'est pas de l'innovation. C'est de l'optimisation. Et l'histoire de la parfumerie suggère que l'optimisation et l'innovation ne sont pas la même chose, et peuvent en fait être opposées.
Un contre-argument, et il mérite un examen sérieux. Le contre-argument est le suivant : les parfumeurs humains sont aussi, en un sens, des algorithmes. Ce sont des réseaux neuronaux biologiques entraînés sur un corpus de données olfactives — tout ce qu'ils ont senti, chaque formule qu'ils ont étudiée, chaque réponse de consommateur qu'ils ont observée au cours d'une carrière. Leur processus créatif n'est pas, comme les romantiques aiment l'imaginer, un éclair d'inspiration descendant de la muse. C'est de la reconnaissance de patterns, de la recombinaison et du raffinement itératif. Le parfumeur s'assied à l'orgue, sélectionne des matières basées sur l'expérience et l'intuition, mélange une formule d'essai, l'évalue, ajuste, évalue à nouveau. Le processus est empirique, non mystique. Si une machine peut accomplir les mêmes opérations plus vite et plus systématiquement, qu'est-ce qui est perdu, exactement ?
Ce qui est perdu est l'erreur.
Cela semble paradoxal, alors soyons précis. Les parfumeurs humains font des erreurs. Ils surdosent un ingrédient et découvrent que le surdosage crée un effet qu'ils n'avaient pas prévu et n'auraient pas pu prédire. Ils contaminent accidentellement un lot d'essai et découvrent que le contaminant ajoute quelque chose d'intéressant. L'histoire des percées synthétiques en parfumerie est parsemée de telles collisions heureuses. Ils lisent mal leurs propres notes et combinent des matières qu'ils n'avaient pas l'intention de combiner, et le résultat est meilleur que ce qu'ils avaient planifié. L'histoire de la parfumerie est jonchée de ces accidents — des compositions qui doivent leur caractère non à un dessein délibéré mais à une collision imprévue de matières qu'un processus plus soigneux aurait empêchée.
Un algorithme ne fait pas ces erreurs. Un algorithme fait exactement ce qu'on lui dit de faire. Il optimise la fonction objective. Il suit le gradient. Il ne s'aventure pas dans un territoire inexploré par accident, parce qu'il ne s'aventure pas du tout. Il se déplace, avec une précision mathématique, vers l'optimum. Et l'optimum, tel que défini par les données de panels de consommateurs, est toujours le centre. La moyenne. Le consensus.
Le potentiel créatif de l'erreur n'est pas un fantasme romantique. C'est un phénomène bien documenté dans chaque domaine créatif. Le biologiste qui découvre la pénicilline à cause d'une boîte de Petri contaminée. Le physicien qui découvre le fond diffus cosmologique à cause d'un bruit inexpliqué dans une antenne. Le musicien qui découvre un nouveau langage harmonique parce qu'une corde cassa en plein concert et imposa une improvisation. Ce ne sont pas des histoires apocryphes racontées pour réconforter les maladroits. Ce sont des occurrences documentées d'un principe général : les percées créatives proviennent souvent de déviations par rapport au plan, et les systèmes conçus pour éliminer la déviation élimineront aussi, par construction, la possibilité de la percée.
Une seconde objection, plus philosophique, à la parfumerie computationnelle, et elle concerne la nature de la préférence elle-même.
Les données de panels de consommateurs, les données sur lesquelles ces algorithmes sont entraînés, mesurent la préférence déclarée. Elles enregistrent ce que les gens disent aimer quand on le leur demande. Mais la préférence déclarée et la préférence réelle ne sont pas la même chose. La préférence déclarée est conservatrice. Quand on leur demande de choisir entre le familier et l'inconnu, la plupart des gens, dans la plupart des contextes, choisissent le familier. Ce n'est pas de la stupidité. C'est un biais cognitif bien documenté, l'effet de simple exposition, décrit pour la première fois par le psychologue Robert Zajonc dans un article fondateur de 1968 dans le Journal of Personality and Social Psychology, et il opère puissamment dans l'évaluation olfactive, où l'absence d'un vocabulaire partagé rend exceptionnellement difficile pour les consommateurs d'articuler pourquoi ils aiment ou n'aiment pas quelque chose. Face à un parfum véritablement nouveau, qui ne correspond à aucune catégorie existante, qui confond et intrigue en parts égales, un panel de consommateurs lui donnera, le plus souvent, un score bas. Non parce que le parfum est mauvais, mais parce que le panel n'a pas le cadre pour l'évaluer.
Un algorithme entraîné sur des données de panels de consommateurs hérite de ce conservatisme. Il apprend que la nouveauté est risquée et la familiarité sûre. Il apprend que les parfums que les gens notent le plus haut sont ceux qui ressemblent le plus à des parfums qu'ils ont déjà bien notés. Il apprend, en somme, la leçon la plus fondamentale de la recherche consommateur : les gens aiment ce qu'ils aiment déjà. Et il optimise en conséquence.
Le résultat est une machine suprêmement douée pour produire ce que l'industrie appelle des « valeurs sûres » — des parfums qui n'échoueront pas, qui atteindront un minimum de viabilité commerciale, qui ne surprendront, ne dérangeront ni ne défieront quiconque les sentira. Ces parfums se vendront. Certains se vendront très bien. Mais ils ne changeront pas l'industrie, parce que changer l'industrie exige de produire quelque chose que les panels de consommateurs ne savent pas noter. Les compositions qui ont changé la parfumerie étaient toutes, au moment de leur création, des surprises. C'étaient des choses que personne n'avait demandées, des choses qui ne scoraient pas bien en tests préliminaires, des choses qui réussirent non parce que les données disaient qu'elles le feraient mais parce qu'une seule personne — un parfumeur, un directeur de création, un entrepreneur — y crut malgré les données.
Un algorithme ne peut croire en quoi que ce soit malgré les données. Croire malgré les données est la seule chose dont un algorithme est constitutionnellement incapable. Un algorithme suit les données. C'est sa vertu et sa limitation. Et dans un domaine où les décisions les plus importantes sont celles qui contredisent les données, où toute l'histoire de l'avancée créative est une histoire de gens ignorant le consensus et ayant raison, cette limitation n'est pas mineure. Elle est fondamentale.
Soyons clairs sur ce que je ne soutiens pas. Je ne soutiens pas que l'intelligence artificielle n'a aucun rôle en parfumerie. Elle a des applications évidentes et précieuses. Elle peut accélérer le processus de reformulation quand un changement réglementaire impose le retrait d'un ingrédient restreint. Elle peut suggérer des substitutions économiques qui maintiennent le caractère d'une composition tout en réduisant son prix. Elle peut analyser de grands ensembles de données de retours consommateurs et identifier des tendances qu'un analyste humain pourrait manquer. Elle peut cartographier le vaste espace multidimensionnel des combinaisons d'ingrédients possibles et mettre en lumière des régions que les parfumeurs humains n'ont pas encore explorées, de la même manière que la chromatographie en phase gazeuse décodait jadis des formules qui étaient auparavant enfermées dans le secret commercial. Ce sont des fonctions utiles. Elles font gagner du temps, réduisent les coûts et élargissent la boîte à outils du parfumeur. Aucune personne sérieuse ne s'y oppose.
Ce que je soutiens, c'est que ce sont toutes des fonctions d'optimisation. Elles rendent les processus existants plus efficaces. Elles ne créent pas. La distinction entre optimiser et créer n'est pas sémantique. C'est la distinction entre trouver le meilleur itinéraire à travers un paysage connu et découvrir que le paysage s'étend au-delà de ses frontières connues. L'apprentissage automatique excelle dans le premier. Il est structurellement incapable du second, parce que le second exige, par définition, d'aller au-delà des données, et l'apprentissage automatique est, par définition, une méthode pour extraire des patterns de données.
L'enthousiasme de l'industrie du parfum pour les outils computationnels est compréhensible. L'économie de la parfumerie moderne est brutale. Le délai moyen de développement d'un parfum commercial a été compressé d'années à mois. Les briefs sont plus serrés. Les budgets plus petits. Le coût de l'échec plus élevé. Dans cet environnement, un outil qui peut réduire le nombre d'itérations nécessaires pour atteindre une formule acceptable est énormément précieux. Mais « acceptable » fait beaucoup de travail dans cette phrase. Une formule acceptable est une qui répond au brief, obtient un score adéquat en test et ne dépasse pas le plafond de coût. Une formule acceptable n'est pas un chef-d'œuvre. Ce n'est même pas, dans la plupart des cas, particulièrement intéressant. C'est adéquat. Et l'adéquation, à l'échelle industrielle, est l'ennemie de l'art.
Il y a une dernière considération, et c'est peut-être la plus troublante. Plus le développement de parfums repose sur des outils algorithmiques entraînés sur des données de consommateurs, plus la production de l'industrie convergera vers une moyenne statistique. Chaque nouvelle formule optimisée par l'IA occupera, par conception, le centre de la distribution des préférences. Au fil du temps, le centre lui-même se déplacera, mais lentement, parce que la production de l'algorithme renforce les préférences mêmes sur lesquelles il a été entraîné. Les consommateurs qui sont exposés de manière répétée à des parfums optimisés par l'IA développeront des préférences façonnées par ces parfums, et ces préférences deviendront à leur tour les données d'entraînement de la prochaine génération d'algorithmes. Le résultat est une boucle de rétroaction : la machine produit ce que les gens aiment, les gens apprennent à aimer ce que la machine produit, et la machine en produit davantage.
Ce n'est pas un scénario hypothétique. C'est une description précise de ce qui s'est déjà passé dans d'autres industries créatives qui ont adopté des systèmes de recommandation et de génération algorithmiques. Les plateformes de streaming musical, dont les algorithmes optimisent pour l'engagement, ont produit une convergence mesurable dans les caractéristiques sonores de la musique populaire — plus forte, plus courte, plus répétitive, avec le refrain arrivant plus tôt et la plage dynamique se rétrécissant. Les plateformes de médias sociaux, dont les algorithmes optimisent pour l'attention, ont produit une convergence dans les caractéristiques visuelles du contenu populaire — plus saturé, plus recadré, plus émotionnellement extrême. L'algorithme n'aplatit pas le paysage délibérément. Il l'aplatit comme effet secondaire de l'optimisation pour la moyenne.
La parfumerie n'est pas immunisée contre cette dynamique. Si le pipeline de développement de l'industrie devient de plus en plus dépendant d'outils d'IA qui optimisent pour le consensus, le résultat inévitable est un rétrécissement du champ olfactif. Non un rétrécissement à un seul parfum — le marché est trop large et trop segmenté pour cela — mais un rétrécissement au sein de chaque segment. Les masculins frais convergeront. Les féminins sucrés convergeront. Les orientaux au oud convergeront. Chaque catégorie deviendra plus homogène en interne, parce que l'algorithme qui conçoit chaque nouvelle entrée est entraîné sur les mêmes données qui ont produit les entrées existantes. Le champ ne rétrécira pas à un point. Il rétrécira à un agrégat.
Que cela importe dépend de ce que vous pensez que la parfumerie est pour. Si c'est une industrie, un commerce qui produit des biens de consommation conçus pour répondre à la demande du marché, alors l'optimisation est la bonne stratégie, et la convergence est un coût acceptable. Les consommateurs obtiennent ce qu'ils veulent. Les entreprises gagnent de l'argent. Personne ne se plaint.
Mais si la parfumerie est aussi un art, une discipline créative dont le but s'étend au-delà de la satisfaction des préférences existantes pour révéler de nouvelles possibilités d'expérience olfactive, alors la convergence n'est pas un coût. C'est une catastrophe. Parce que l'art, selon toute définition digne d'être défendue, requiert la possibilité de la surprise. Il requiert la possibilité que la prochaine composition soit quelque chose que personne n'a senti auparavant, quelque chose qu'aucun jeu de données n'a prédit, quelque chose qu'un panel de consommateurs aurait rejeté parce qu'il ne correspondait à aucune catégorie existante.
Un algorithme ne peut produire cela. Un parfumeur le peut. Pas de manière fiable, pas de manière constante, pas dans les délais, pas dans le budget. Mais occasionnellement, imprévisiblement, contre toute logique commerciale, un être humain assis à un orgue entouré de centaines de flacons bruns combinera des matières d'une manière qu'aucune machine n'aurait suggérée, et le résultat sera quelque chose de véritablement nouveau. Quelque chose qui déplace le centre plutôt que de l'occuper. Quelque chose que les données disaient ne pas devoir fonctionner.
Ces moments sont rares. Ils se font plus rares. Et si l'industrie ne fait pas attention, ils cesseront de se produire tout à fait — non parce que la technologie les interdit, mais parce que l'économie ne laisse plus de place pour eux. La machine composera. La machine optimisera. La machine produira des parfums parfaitement bien qui scoreront bien dans chaque panel et n'offenseront personne.
Que cela compte comme de la parfumerie est une question que la machine n'est pas équipée pour trancher. Il faudra que ce soit un nez qui réponde.
