Irgendwo in einem Labor, das überhaupt nicht wie ein Parfümeurstudio aussieht – kein Organ mit Hunderten von braunen Fläschchen, keine Duftstreifen, die wie ein Papierpfau auf einem Schreibtisch ausgebreitet sind, keine fleckige Leder-Schürze, die an einem Haken hinter der Tür hängt – komponiert eine Maschine ein Parfum. 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 oben mehr Leichtigkeit oder an der Basis mehr Wärme braucht. Sie hat Daten. Sie verfügt über ungefähr vierhunderttausend Formeln aus dem vergangenen Jahrhundert, digitalisiert und mit Verbraucherpanel-Bewertungen, Verkaufszahlen, regionalen Vorlieben und molekularen Beschreibungen versehen. Sie hat einen Algorithmus, der darauf trainiert ist, statistische Korrelationen zwischen bestimmten Zutatenkombinationen und spezifischen Verbraucherreaktionen zu erkennen: Kaufabsicht, wahrgenommene Qualität, emotionale Assoziation, Wiederkaufwahrscheinlichkeit. Und sie wurde gebeten, eine Formel zu erstellen, die nach allen messbaren Kriterien optimal ist.
12 Minuten Lesezeit
Sie wird Erfolg haben. Die von ihr produzierte Formel wird in Verbraucherpanels gut abschneiden. Sie wird in verschiedenen demografischen Gruppen positiv getestet. Sie wird niemanden beleidigen. Sie wird niemanden verwirren. Sie wird einen komfortablen, gut besetzten Bereich des olfaktorischen Raums einnehmen, das Gebiet, das die Branche als „kommerziellen Sweet Spot“ bezeichnet und das jeder mit funktionierendem Geruchssinn als „vertraut“ bezeichnet. Sie wird, nach Urteil der meisten Menschen, die sie wahrnehmen, vollkommen in Ordnung riechen.
Die Frage ist, ob „vollkommen in Ordnung“ Parfümerie ist.
Der Einsatz von maschinellem Lernen bei der Parfümentwicklung ist keine Spekulation. Er findet gerade jetzt im industriellen Maßstab in den Forschungsabteilungen der weltweit größten Duft- und Aromenfirmen statt. Die Technologie variiert in der Komplexität: Einige Systeme sind relativ einfache Vorhersagemodelle, die Zutatenersatz basierend auf Kosten und Verfügbarkeit vorschlagen; andere sind tiefe neuronale Netze, die auf jahrzehntelangen proprietären Formeldaten trainiert wurden, aber die zugrundeliegende Logik ist in jedem Fall dieselbe. Man füttert die Maschine mit einem großen Korpus bestehender Formeln, gepaart mit Verbraucherreaktionsdaten. Man lässt die Maschine die statistischen Zusammenhänge zwischen molekularer Zusammensetzung und menschlicher Präferenz lernen. Dann bittet man die Maschine, neue Formeln zu generieren, die die Wahrscheinlichkeit eines gewünschten Verbraucherresultats maximieren.
Im Wesentlichen ist das Regressionsanalyse angewandt auf Parfümerie. Es ist in keinem sinnvollen Sinne Schöpfung.
Der Unterschied ist wichtig, und es lohnt sich, genau zu erklären, warum. Regressionsanalyse, die mathematische Technik im Kern der meisten maschinellen Lernverfahren, findet die beste Anpassungslinie durch eine Wolke von Datenpunkten. Sie identifiziert die zentrale Tendenz. 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 sehr viel. Aber Parfümerie ist kein Vorhersageproblem. Es ist, oder war zumindest historisch, ein kreatives Problem. Und kreative Probleme werden nicht durch das Finden des Zentrums gelöst. Sie werden durch das Finden der Randbereiche gelöst.
Jedes Parfum, das die Branche wirklich verändert hat, jede Komposition, die im Rückblick eine Ära definiert oder eine neue Kategorie eröffnet hat, tat dies, indem sie von der damaligen Konsensmeinung abwich. Der erste moderne Fougère war 1882 nicht das, was man von einem Herrenduft erwartete. Die erste große aldehydische Blume war in den 1920ern nicht das, was man von einem Damenduft erwartete. Der erste frische maskuline Duft auf Basis von Dihydromyrcenol und Hedion war in den 1980ern nicht das, was man von einem Herrenduft erwartete. Das erste Clean-Skin-Musk-Molekül war Anfang der 2000er nicht das, was man von irgendeinem Parfum erwartete. In jedem Fall gelang die Komposition nicht, weil sie bestehende Vorlieben traf, sondern weil sie neue schuf. Sie fand nicht das Zentrum. Sie verschob das Zentrum.
Ein Algorithmus, der auf historischen Daten trainiert wurde, kann per Definition das Zentrum nicht verschieben. Er kann es nur finden. Er kann es mit chirurgischer Präzision finden und Formeln generieren, die den Sweet Spot mit einer Effizienz einnehmen, die kein menschlicher Parfümeur erreichen könnte. Aber den Sweet Spot einzunehmen ist keine Innovation. Es ist Optimierung. Und die Geschichte der Parfümerie legt nahe, dass Optimierung und Innovation nicht dasselbe sind und sich sogar widersprechen können.
Es gibt ein Gegenargument, das ernsthaft berücksichtigt werden sollte. Das Gegenargument lautet: Menschliche Parfümeure sind auch, in gewissem Sinne, Algorithmen. Sie sind biologische neuronale Netze, trainiert auf einen Korpus olfaktorischer Daten, alles, was sie je 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 herabsteigt. Es ist Mustererkennung, Neukombination und iterative Verfeinerung. Der Parfümeur setzt sich ans Organ, wählt Materialien basierend auf Erfahrung und Intuition, 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 genau geht dann verloren?
Was verloren geht, ist der Fehler.
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 und nicht vorhersehen konnten. 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 kombinieren wollten, und das Ergebnis ist besser als geplant. Die Geschichte der Parfümerie ist übersät mit solchen Unfällen, Kompositionen, die ihren Charakter nicht einem bewussten Design verdanken, sondern einer ungeplanten Materialkollision, 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 verirrt sich nicht zufällig in unerforschtes Gebiet, weil er sich überhaupt nicht verirrt. Er bewegt sich mit mathematischer Präzision zum Optimum. Und das Optimum, definiert durch Verbraucherpanel-Daten, ist immer das Zentrum. Der Durchschnitt. Der Konsens.
Das kreative Potenzial des Fehlers ist keine romantische Fantasie. Es ist ein gut dokumentiertes Phänomen in jedem kreativen Bereich. Der Biologe, der Penicillin entdeckt, weil eine Petrischale verunreinigt war. Der Physiker, der die kosmische Hintergrundstrahlung entdeckt, weil eine Antenne unerklärliches Rauschen aufzeichnete. 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 Abweichungen eliminieren sollen, eliminieren dadurch auch die Möglichkeit des Durchbruchs.
Ein zweiter Einwand gegen die rechnergestützte Parfümerie, eher philosophischer Natur, betrifft die Natur der Präferenz selbst.
Verbraucherpanel-Daten, auf denen diese Algorithmen trainiert werden, messen die erklärte Präferenz. Sie erfassen, was Menschen sagen, dass sie mögen, wenn sie gefragt werden. Aber erklärte Präferenz und tatsächliche Präferenz sind nicht dasselbe. Erklärte Präferenz ist konservativ. Wenn man zwischen Vertrautem und Unbekanntem wählen soll, entscheiden sich die meisten Menschen in den meisten Kontexten für 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 olfaktorischer Bewertung, wo das Fehlen eines gemeinsamen Vokabulars es Verbrauchern besonders schwer macht, zu artikulieren, warum sie etwas mögen oder nicht mögen. Angesichts eines wirklich neuen Parfums, das in keine bestehende Kategorie passt, das gleichermaßen verwirrt und fasziniert, wird ein Verbraucherpanel es meist niedrig bewerten. Nicht weil das Parfum schlecht ist, sondern weil das Panel keinen Bewertungsrahmen hat.
Ein Algorithmus, der auf Verbraucherpanel-Daten trainiert wurde, übernimmt diesen Konservatismus. Er lernt, dass Neuheit riskant und Vertrautheit sicher ist. Er lernt, dass die Parfums, die Menschen am höchsten bewerten, diejenigen sind, die am meisten den Parfums ähneln, die sie bereits hoch bewertet haben. Kurz gesagt, er lernt die grundlegendste Lektion der Marktforschung: Menschen mögen, was sie bereits mögen. Und er optimiert entsprechend.
Das Ergebnis ist eine Maschine, die hervorragend darin ist, das zu produzieren, was die Branche „sichere Wetten“ nennt, Parfums, die nicht scheitern, die eine Mindestschwelle kommerzieller Tragfähigkeit erreichen, die niemanden überraschen, verstören oder herausfordern, der sie riecht. Diese Parfums 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 veränderten, waren zum Zeitpunkt ihrer Entstehung alle Überraschungen. Sie waren Dinge, die niemand verlangt hatte, Dinge, die in Vorabtests schlecht abschnitten, Dinge, die nicht erfolgreich waren, weil die Daten es sagten, sondern weil eine einzelne Person, ein Parfümeur, ein Kreativdirektor, ein Unternehmer trotz der Daten an sie glaubte.
Ein Algorithmus kann an nichts glauben, trotz der Daten. Glauben trotz der Daten ist das Eine, wozu ein Algorithmus von Natur aus nicht fähig ist. 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 kreativer Fortschritte eine Geschichte von Menschen ist, die den Konsens ignorierten und Recht hatten, ist diese Begrenzung nicht geringfügig. Sie ist grundlegend.
Ich möchte 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 Reformulierungsprozess beschleunigen, wenn eine regulatorische Änderung den Rückzug einer eingeschränkten Zutat erzwingt. Sie kann kosteneffektive Ersatzstoffe vorschlagen, die den Charakter einer Komposition bewahren und gleichzeitig den Preis senken. Sie kann große Mengen an Verbraucherfeedback analysieren und Trends erkennen, die ein menschlicher Analyst übersehen könnte. Sie kann den riesigen multidimensionalen Raum möglicher Zutatenkombinationen kartieren und Bereiche hervorheben, die menschliche Parfümeure noch nicht erkundet haben, ähnlich wie Gaschromatographie einst Formeln entschlüsselte, die zuvor als Geschäftsgeheimnisse galten. Das sind nützliche Funktionen. Sie sparen Zeit, senken Kosten und erweitern das Werkzeugset des Parfümeurs. Niemand mit Verstand lehnt das ab.
Was ich behaupte, ist, dass all dies Optimierungsfunktionen sind. Sie machen bestehende Prozesse effizienter. Sie schaffen nicht. Der Unterschied zwischen Optimieren und Schaffen ist nicht semantisch. Er 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 ist im Ersteren hervorragend. Es ist strukturell unfähig zum Letzteren, weil Letzteres per Definition bedeutet, über die Daten hinauszugehen, und maschinelles Lernen per Definition eine Methode ist, um 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. Briefings sind enger. Budgets kleiner. Die Kosten des Scheiterns höher. In diesem Umfeld ist ein Werkzeug, das die Anzahl der Iterationen bis zu einer akzeptablen Formel reduziert, enorm wertvoll. Aber „akzeptabel“ trägt in diesem Satz viel Gewicht. Eine akzeptable Formel erfüllt das Briefing, erzielt ausreichende Testergebnisse und bleibt unter der Kostengrenze. Eine akzeptable Formel ist kein Meisterwerk. Sie ist in den meisten Fällen nicht einmal besonders interessant. Sie ist ausreichend. Und Ausreichend ist im industriellen Maßstab der Feind der Kunst.
Es gibt eine letzte Überlegung, und sie ist vielleicht die beunruhigendste. Je mehr die Parfümentwicklung auf algorithmische Werkzeuge angewiesen ist, die auf Verbraucherdaten trainiert sind, desto mehr wird das Ergebnis der Branche sich einem statistischen Durchschnitt annähern. Jede neue 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 Ausgabe des Algorithmus die Präferenzen verstärkt, auf denen er trainiert wurde. Verbraucher, die wiederholt KI-optimierten Parfums ausgesetzt sind, entwickeln Präferenzen, die von diesen Parfums geprägt sind, und diese Präferenzen werden wiederum die Trainingsdaten für die nächste Generation von Algorithmen. 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.
Dies ist kein hypothetisches Szenario. Es ist eine genaue Beschreibung dessen, was bereits in anderen kreativen Branchen passiert ist, die algorithmische Empfehlungs- und Generierungssysteme eingeführt haben. Musik-Streaming-Plattformen, deren Algorithmen auf Engagement optimieren, haben eine messbare Konvergenz in den klanglichen Eigenschaften populärer Musik erzeugt: lauter, kürzer, repetitiver, mit früher einsetzendem Refrain und engerem Dynamikumfang. Soziale Medienplattformen, deren Algorithmen auf Aufmerksamkeit optimieren, haben eine Konvergenz in den visuellen Eigenschaften populärer Inhalte erzeugt: gesättigter, enger beschnitten, emotional extremer. Der Algorithmus glättet die Landschaft nicht absichtlich. Er glättet sie als Nebeneffekt der Optimierung auf den Durchschnitt.
Die Parfümerie ist vor dieser Dynamik nicht gefeit. Wenn die Entwicklungspipeline der Branche zunehmend von KI-Werkzeugen abhängt, die auf Konsens optimieren, ist das unvermeidliche Ergebnis eine Verengung des olfaktorischen Feldes. Keine Verengung auf ein einziges Parfum – der Markt ist zu groß und zu segmentiert dafür – sondern eine Verengung innerhalb jedes Segments. Frische maskuline Düfte werden konvergieren. Süße feminine Düfte werden konvergieren. Amber-Oud-Düfte werden konvergieren. Jede Kategorie wird intern homogener, weil der Algorithmus, der jeden neuen Eintrag entwirft, auf denselben Daten trainiert wurde, die die bestehenden erzeugt haben. Das Feld wird sich nicht auf einen Punkt verengen. Es wird sich auf einen Cluster verengen.
Ob das wichtig ist, hängt davon ab, wofür man Parfümerie hält. Wenn sie eine Industrie ist, ein Gewerbe, das Konsumgüter produziert, um Marktnachfrage zu erfüllen, dann ist Optimierung die richtige Strategie und Konvergenz ein akzeptabler Preis. Verbraucher bekommen, was sie wollen. Unternehmen verdienen Geld. Niemand beschwert sich.
Aber wenn Parfümerie auch eine Kunst ist, eine kreative Disziplin, deren Zweck über die Befriedigung bestehender Präferenzen hinausgeht, um neue olfaktorische Möglichkeiten zu eröffnen, dann ist Konvergenz kein Preis. Sie 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 sein wird, das noch niemand gerochen hat, etwas, das kein Datensatz vorhergesagt hat, etwas, das ein Verbraucherpanel abgelehnt hätte, weil es in keine bestehende Kategorie passte.
Ein Algorithmus kann das nicht produzieren. Ein Parfümeur kann es. Nicht zuverlässig, nicht beständig, nicht termingerecht, nicht im Budget. Aber gelegentlich, unvorhersehbar, gegen jede kommerzielle Logik, wird ein Mensch, der an einem Organ umgeben von Hunderten brauner Fläschchen sitzt, Materialien so kombinieren, wie es 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 Branche 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 Parfums produzieren, die vollkommen in Ordnung sind, 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 sein müssen, die antwortet.
Sieben Extraits mit 20%, eine Kollektion. Das Discovery Set vereint alle sieben in 2 ml.
