Irgendwo in einem Labor, das in keiner Weise einem Parfümeurstudio ähnelt – keine Orgel mit Hunderten von braunen Flakons, keine Duftstreifen, die sich wie ein Papierpfau auf einem Schreibtisch fächern, keine lederne, fleckige Schürze, die an einem Haken hinter der Tür hängt – komponiert eine Maschine einen Duft. Die Maschine riecht nichts. Sie hat keine Nase. Sie hat keine Meinung dazu, ob Vetiver gut mit Grapefruit harmoniert, keinen Instinkt dafür, ob eine Komposition mehr Leichtigkeit in der Kopfnote oder mehr Wärme im Fond braucht. Sie hat Daten. Sie verfügt über etwa vierhunderttausend Formeln des vergangenen Jahrhunderts, digitalisiert und mit Verbraucherpanelwertungen, Verkaufszahlen, regionalen Vorlieben und molekularen Beschreibungen etikettiert. Sie besitzt einen Algorithmus, der darauf trainiert ist, statistische Korrelationen zwischen spezifischen Zutatenkombinationen und bestimmten Ergebnissen beim Verbraucher zu erkennen – Kaufabsicht, wahrgenommene Qualität, emotionale Assoziation, Wiederkaufwahrscheinlichkeit. Und man hat sie gebeten, eine Formel zu erstellen, die nach allen messbaren Kriterien optimal ist.
12 min
Sie wird Erfolg haben. Die von ihr erstellte Formel wird gute Bewertungen in Verbraucherpanels erzielen. Sie wird in verschiedenen Demografien positiv getestet. Sie wird niemanden beleidigen. Sie wird niemanden verwirren. Sie wird einen komfortablen und gut besiedelten Bereich des olfaktorischen Raums einnehmen, die Art von Gebiet, die die Industrie als „kommerziellen Gleichgewichtspunkt“ bezeichnet und die jeder mit funktionierender Nase als „vertraut“ bezeichnet. Sie wird, nach dem Urteil der meisten Menschen, die sie kennenlernen, perfekt gut riechen.
Die Frage ist, ob „perfekt gut“ Parfümerie ist.
Der Einsatz von maschinellem Lernen bei der Parfümentwicklung ist nicht spekulativ. Er findet gerade jetzt im industriellen Maßstab in den Forschungsabteilungen der größten weltweiten Parfüm- und Aromakonzerne statt. Die Technologie variiert in ihrer Raffinesse – einige Systeme sind relativ einfache prädiktive Modelle, die Zutatenersatz basierend auf Kosten und Verfügbarkeit vorschlagen; andere sind tiefe neuronale Netze, die auf Jahrzehnte proprietärer Formeldaten trainiert wurden – aber die zugrundeliegende Logik ist in allen Fällen dieselbe. Füttere die Maschine mit einem großen Korpus bestehender Formeln, verbunden mit Verbraucherdaten. Lass die Maschine die statistischen Beziehungen zwischen molekularer Zusammensetzung und menschlicher Präferenz lernen. Und bitte die Maschine dann, neue Formeln zu generieren, die die Wahrscheinlichkeit eines gewünschten Ergebnisses beim Verbraucher maximieren.
Im Wesentlichen ist das Regressionsanalyse angewandt auf Parfümerie. Es ist nicht im bedeutenden Sinne Schöpfung.
Die Unterscheidung ist wichtig, und die Gründe dafür müssen genau erklärt werden. Die Regressionsanalyse, die mathematische Technik im Kern der meisten maschinellen Lernverfahren, findet die beste Anpassungslinie durch eine Wolke von Datenpunkten. Sie identifiziert den zentralen Trend. Sie sagt dir, wo der Durchschnitt liegt. Das ist für viele Anwendungen enorm nützlich. Wenn du Immobilienpreise, Verbraucherverhalten, Krankheitsverläufe oder Wahlergebnisse vorhersagen willst, sagt dir der Durchschnitt viel. Aber Parfümerie ist kein Vorhersageproblem. Es ist, oder war zumindest historisch, ein kreatives Problem. Und kreative Probleme werden nicht gelöst, indem man das Zentrum findet. Sie werden gelöst, indem man die Randbereiche findet.
Jeder Duft, der die Branche wirklich verändert hat, jede Komposition, die rückblickend eine Epoche definiert oder eine neue Kategorie eröffnet hat, tat dies, indem sie vom Konsens ihrer Zeit abwich. Die erste moderne Fougère war nicht das, was man 1882 von einem Herrenduft erwartete. Das erste große aldehydische Floral war nicht das, was man in den 1920er Jahren von einem Damenduft erwartete. Der erste frische Herrenduft mit Dihydromyrcenol und Hedion war nicht das, was man in den 1980er Jahren von einem Herrenduft erwartete. Der erste molekulare Clean-Skin-Musk war nicht das, was man Anfang der 2000er Jahre von irgendeinem Duft erwartete. In jedem Fall war die Komposition erfolgreich, nicht weil sie den bestehenden Vorlieben entsprach, sondern weil sie neue schuf. Sie fand nicht das Zentrum. Sie verschob das Zentrum.
Ein Algorithmus, der auf historischen Daten trainiert wurde, kann per Konstruktion das Zentrum nicht verschieben. Er kann es nur finden. Er kann es mit chirurgischer Präzision finden und Formeln generieren, die den Gleichgewichtspunkt mit einer Effizienz einnehmen, die kein menschlicher Parfümeur erreichen könnte. Aber den Gleichgewichtspunkt einzunehmen ist keine Innovation. Es ist Optimierung. Und die Geschichte der Parfümerie legt nahe, dass Optimierung und Innovation nicht dasselbe sind und sich tatsächlich widersprechen können.
Ein Gegenargument, das eine ernsthafte Prüfung verdient. Das Gegenargument lautet: Menschliche Parfümeure sind in gewissem Sinne auch Algorithmen. Sie sind biologische neuronale Netze, trainiert an einem Korpus olfaktorischer Daten – alles, was sie gerochen haben, jede Formel, die sie studiert haben, jede Verbraucherreaktion, die sie im Laufe ihrer Karriere beobachtet haben. Ihr kreativer Prozess ist nicht, wie Romantiker gerne annehmen, ein Geistesblitz, der von der Muse herabkommt. Es ist Mustererkennung, Neukombination und iterative Verfeinerung. Der Parfümeur setzt sich an die Orgel, wählt Materialien basierend auf Erfahrung und Intuition aus, mischt eine Testformel, bewertet sie, passt an, bewertet erneut. Der Prozess ist empirisch, nicht mystisch. Wenn eine Maschine dieselben Operationen schneller und systematischer ausführen kann, was geht dann genau verloren?
Es geht der Fehler verloren.
Das klingt paradox, also seien wir präzise. Menschliche Parfümeure machen Fehler. Sie überdosieren eine Zutat und entdecken, dass die Überdosierung einen Effekt erzeugt, den sie nicht erwartet hatten und nicht hätten vorhersagen können. Sie verunreinigen versehentlich eine Testcharge und entdecken, dass der Verunreinigung etwas Interessantes hinzufügt. Die Geschichte der synthetischen Durchbrüche in der Parfümerie ist voller solcher glücklicher Zufälle. Sie lesen ihre eigenen Notizen falsch und kombinieren Materialien, die sie nicht beabsichtigt hatten zu kombinieren, und das Ergebnis ist besser als geplant. Die Geschichte der Parfümerie ist übersät mit solchen Unfällen – Kompositionen, die ihren Charakter nicht einem bewussten Plan verdanken, sondern einer unerwarteten Kollision von Materialien, die ein sorgfältigerer Prozess verhindert hätte.
Ein Algorithmus macht diese Fehler nicht. Ein Algorithmus tut genau das, was ihm gesagt wird. Er optimiert die Zielfunktion. Er folgt dem Gradienten. Er betritt nicht versehentlich unerforschtes Terrain, weil er sich überhaupt nicht verirrt. Er bewegt sich mit mathematischer Präzision zum Optimum. Und das Optimum, definiert durch Verbraucherdaten, ist immer das Zentrum. Der Durchschnitt. Der Konsens.
Das kreative Potenzial des Fehlers ist kein romantischer Mythos. Es ist ein gut dokumentiertes Phänomen in jedem kreativen Bereich. Der Biologe, der Penicillin wegen einer verunreinigten Petrischale entdeckt. Der Physiker, der die kosmische Hintergrundstrahlung wegen eines unerklärlichen Rauschens in einer Antenne entdeckt. Der Musiker, der eine neue harmonische Sprache entdeckt, weil eine Saite mitten im Konzert riss und eine Improvisation erzwang. Das sind keine apokryphen Geschichten, die Ungeschickte trösten sollen. Es sind dokumentierte Fälle eines allgemeinen Prinzips: Kreative Durchbrüche entstehen oft durch Abweichungen vom Plan, und Systeme, die darauf ausgelegt sind, Abweichungen zu eliminieren, eliminieren per Konstruktion auch die Möglichkeit des Durchbruchs.
Ein zweites, eher philosophisches Argument gegen die rechnergestützte Parfümerie betrifft die Natur der Präferenz selbst.
Die Verbraucherdaten, auf denen diese Algorithmen trainiert werden, messen die deklarierte Präferenz. Sie erfassen, was Menschen sagen, dass sie mögen, wenn man sie fragt. Aber deklarierte Präferenz und tatsächliche Präferenz sind nicht dasselbe. Die deklarierte Präferenz ist konservativ. Wenn man Menschen bittet, zwischen Vertrautem und Unbekanntem zu wählen, wählen die meisten Menschen in den meisten Kontexten das Vertraute. Das ist keine Dummheit. Es ist ein gut dokumentierter kognitiver Bias, der Mere-Exposure-Effekt, erstmals beschrieben vom Psychologen Robert Zajonc in einem wegweisenden Artikel von 1968 im Journal of Personality and Social Psychology, und er wirkt stark bei der olfaktorischen Bewertung, wo das Fehlen eines gemeinsamen Vokabulars es Verbrauchern außergewöhnlich schwer macht, zu artikulieren, warum sie etwas mögen oder nicht mögen. Bei einem wirklich neuen Duft, der keiner bestehenden Kategorie entspricht, der gleichermaßen verwirrt und fasziniert, wird ein Verbraucherpanel ihm meist eine niedrige Bewertung geben. Nicht weil der Duft schlecht ist, sondern weil das Panel keinen Rahmen hat, ihn zu bewerten.
Ein Algorithmus, der auf Verbraucherdaten trainiert wurde, übernimmt diesen Konservatismus. Er lernt, dass Neuheit riskant und Vertrautheit sicher ist. Er lernt, dass die Düfte, die Menschen am höchsten bewerten, denen ähneln, die sie bereits gut bewertet haben. Er lernt also die grundlegendste Lektion der Verbraucherforschung: Menschen mögen, was sie bereits mögen. Und er optimiert entsprechend.
Das Ergebnis ist eine Maschine, die hervorragend darin ist, das zu produzieren, was die Industrie „sichere Werte“ nennt – Düfte, die nicht scheitern, die ein Mindestmaß an kommerzieller Lebensfähigkeit erreichen, die niemanden überraschen, stören oder herausfordern, der sie riecht. Diese Düfte werden sich verkaufen. Einige werden sich sehr gut verkaufen. Aber sie werden die Branche nicht verändern, denn die Veränderung der Branche erfordert, etwas zu produzieren, das Verbraucherpanels nicht bewerten können. Die Kompositionen, die die Parfümerie verändert haben, waren alle zum Zeitpunkt ihrer Entstehung Überraschungen. Es waren Dinge, die niemand verlangt hatte, Dinge, die in Vorabtests schlecht abschnitten, Dinge, die erfolgreich waren, nicht weil die Daten sagten, dass sie es würden, sondern weil eine einzelne Person – ein Parfümeur, ein Kreativdirektor, ein Unternehmer – trotz der Daten daran glaubte.
Ein Algorithmus kann an nichts glauben, trotz der Daten. Trotz der Daten zu glauben ist das Einzige, was ein Algorithmus von Natur aus nicht kann. Ein Algorithmus folgt den Daten. Das ist seine Stärke und seine Begrenzung. Und in einem Bereich, in dem die wichtigsten Entscheidungen diejenigen sind, die den Daten widersprechen, in dem die gesamte Geschichte des kreativen Fortschritts eine Geschichte von Menschen ist, die den Konsens ignorieren und Recht behalten, ist diese Begrenzung nicht geringfügig. Sie ist grundlegend.
Lassen Sie uns klarstellen, was ich nicht behaupte. Ich behaupte nicht, dass künstliche Intelligenz in der Parfümerie keine Rolle spielt. Sie hat offensichtliche und wertvolle Anwendungen. Sie kann den Prozess der Neufassung beschleunigen, wenn eine regulatorische Änderung den Rückzug einer eingeschränkten Zutat erfordert. Sie kann wirtschaftliche Ersatzvorschläge machen, die den Charakter einer Komposition bewahren und gleichzeitig den Preis senken. Sie kann große Datensätze von Verbraucherfeedback analysieren und Trends erkennen, die ein menschlicher Analyst übersehen könnte. Sie kann den weiten multidimensionalen Raum möglicher Zutatenkombinationen kartieren und Bereiche aufzeigen, die menschliche Parfümeure noch nicht erkundet haben, ähnlich wie die Gaschromatographie einst Formeln entschlüsselte, die zuvor Geschäftsgeheimnisse waren. Das sind nützliche Funktionen. Sie sparen Zeit, senken Kosten und erweitern das Werkzeugset des Parfümeurs. Niemand mit Verstand lehnt sie ab.
Was ich behaupte, ist, dass all dies Optimierungsfunktionen sind. Sie machen bestehende Prozesse effizienter. Sie schaffen nicht. Die Unterscheidung zwischen Optimieren und Schaffen ist keine semantische. Es ist der Unterschied zwischen dem Finden der besten Route durch eine bekannte Landschaft und der Entdeckung, dass die Landschaft über ihre bekannten Grenzen hinausgeht. Maschinelles Lernen glänzt im Ersteren. Es ist strukturell unfähig zum Zweiten, weil Letzteres per Definition erfordert, über die Daten hinauszugehen, und maschinelles Lernen per Definition eine Methode ist, Muster aus Daten zu extrahieren.
Die Begeisterung der Parfümindustrie für rechnergestützte Werkzeuge ist verständlich. Die Ökonomie der modernen Parfümerie ist brutal. Die durchschnittliche Entwicklungszeit für einen kommerziellen Duft wurde von Jahren auf Monate komprimiert. Die Briefings sind enger. Die Budgets kleiner. Die Kosten des Scheiterns höher. In diesem Umfeld ist ein Werkzeug, das die Anzahl der Iterationen zur Erreichung einer akzeptablen Formel reduzieren kann, enorm wertvoll. Aber „akzeptabel“ trägt in diesem Satz viel Gewicht. Eine akzeptable Formel ist eine, die den Brief erfüllt, eine angemessene Bewertung im Test erzielt und das Kostenlimit nicht überschreitet. Eine akzeptable Formel ist kein Meisterwerk. Sie ist in den meisten Fällen nicht einmal besonders interessant. Sie ist angemessen. Und Angemessenheit ist auf industrieller Ebene der Feind der Kunst.
Es gibt eine letzte Überlegung, und sie ist vielleicht die beunruhigendste. Je mehr die Parfümentwicklung auf algorithmischen Werkzeugen basiert, die mit Verbraucherdaten trainiert wurden, desto mehr wird die Produktion der Industrie zu einem statistischen Mittelwert konvergieren. Jede neue, von KI optimierte Formel wird per Design das Zentrum der Präferenzverteilung einnehmen. Im Laufe der Zeit wird sich das Zentrum selbst verschieben, aber langsam, weil die Produktion des Algorithmus die Präferenzen verstärkt, auf denen er trainiert wurde. Verbraucher, die wiederholt KI-optimierten Düften ausgesetzt sind, entwickeln Präferenzen, die von diesen Düften geprägt sind, und diese Präferenzen werden wiederum die Trainingsdaten der nächsten Algorithmusgeneration. Das Ergebnis ist eine Rückkopplungsschleife: Die Maschine produziert, was die Menschen mögen, die Menschen lernen, das zu mögen, was die Maschine produziert, und die Maschine produziert mehr davon.
Das ist kein hypothetisches Szenario. Es ist eine genaue Beschreibung dessen, was bereits in anderen kreativen Branchen passiert ist, die algorithmische Empfehlungssysteme und Generierungssysteme eingeführt haben. Musik-Streaming-Plattformen, deren Algorithmen auf Engagement optimieren, haben eine messbare Konvergenz in den klanglichen Merkmalen populärer Musik erzeugt – lauter, kürzer, repetitiver, mit früherem Refrain und engerer Dynamik. Soziale Medienplattformen, deren Algorithmen auf Aufmerksamkeit optimieren, haben eine Konvergenz in den visuellen Merkmalen populärer Inhalte erzeugt – gesättigter, enger beschnitten, emotional extremer. Der Algorithmus glättet die Landschaft nicht absichtlich. Er glättet sie als Nebeneffekt der Optimierung für den Durchschnitt.
Die Parfümerie ist gegen diese Dynamik nicht immun. Wenn die Entwicklungs-Pipeline der Industrie zunehmend von KI-Werkzeugen abhängt, die auf Konsens optimieren, ist das unvermeidliche Ergebnis eine Verengung des olfaktorischen Feldes. Nicht eine Verengung auf einen einzigen Duft – der Markt ist zu groß und zu segmentiert dafür – sondern eine Verengung innerhalb jedes Segments. Frische Herrendüfte werden konvergieren. Süße Damendüfte werden konvergieren. Orientalische Oud-Düfte werden konvergieren. Jede Kategorie wird intern homogener, weil der Algorithmus, der jede neue Kreation entwirft, auf denselben Daten trainiert wurde, die die bestehenden Kreationen hervorgebracht haben. Das Feld wird sich nicht auf einen Punkt verengen. Es wird sich zu einem Aggregat verengen.
Ob das wichtig ist, hängt davon ab, wofür Sie Parfümerie halten. Wenn es eine Industrie ist, ein Geschäft, das Konsumgüter produziert, die auf Marktnachfrage reagieren, dann ist Optimierung die richtige Strategie, und Konvergenz ein akzeptabler Preis. Die Verbraucher bekommen, was sie wollen. Die Unternehmen verdienen Geld. Niemand beschwert sich.
Aber wenn Parfümerie auch eine Kunst ist, eine kreative Disziplin, deren Ziel über die Befriedigung bestehender Präferenzen hinausgeht, um neue olfaktorische Erfahrungen zu eröffnen, dann ist Konvergenz kein Preis. Es ist eine Katastrophe. Denn Kunst, nach jeder Definition, die es wert ist, verteidigt zu werden, erfordert die Möglichkeit der Überraschung. Sie erfordert die Möglichkeit, dass die nächste Komposition etwas ist, das niemand zuvor gerochen hat, etwas, das kein Datensatz vorhergesagt hat, etwas, das ein Verbraucherpanel abgelehnt hätte, weil es keiner bestehenden Kategorie entsprach.
Ein Algorithmus kann das nicht produzieren. Ein Parfümeur kann es. Nicht zuverlässig, nicht konstant, nicht termingerecht, nicht im Budget. Aber gelegentlich, unvorhersehbar, gegen jede geschäftliche Logik, wird ein Mensch an einer Orgel umgeben von Hunderten brauner Flakons Materialien auf eine Weise kombinieren, die keine Maschine vorgeschlagen hätte, und das Ergebnis wird etwas wirklich Neues sein. Etwas, das das Zentrum verschiebt, statt es einzunehmen. Etwas, von dem die Daten sagten, es würde nicht funktionieren.
Diese Momente sind selten. Sie werden seltener. Und wenn die Industrie nicht aufpasst, werden sie ganz aufhören – nicht weil die Technologie sie verbietet, sondern weil die Ökonomie keinen Raum mehr für sie lässt. Die Maschine wird komponieren. Die Maschine wird optimieren. Die Maschine wird perfekt gut duftende Parfums produzieren, die in jedem Panel gut abschneiden und niemanden beleidigen.
Ob das als Parfümerie zählt, ist eine Frage, die die Maschine nicht beantworten kann. Es wird eine Nase brauchen, die antwortet.
