En algún lugar de un laboratorio que no se parece en nada a un estudio de perfumista — sin un órgano lleno de cientos de frascos marrones, sin tiras de prueba abaniqueándose sobre un escritorio como un pavo real de papel, sin un delantal de cuero manchado colgado de un gancho detrás de la puerta — una máquina compone un perfume. La máquina no huele nada. No tiene nariz. No tiene opinión sobre si el vetiver combina bien con la toronja, ni instinto sobre si una composición necesita más ligereza en la salida o más calidez en el fondo. Tiene datos. Tiene unas cuatrocientas mil fórmulas del siglo pasado, digitalizadas y etiquetadas con puntuaciones de paneles de consumidores, cifras de ventas, preferencias regionales y descriptores moleculares. Tiene un algoritmo entrenado para identificar correlaciones estadísticas entre combinaciones específicas de ingredientes y resultados específicos en el consumidor — intención de compra, calidad percibida, asociación emocional, probabilidad de recompra. Y se le ha pedido que produzca una fórmula que sea, según cualquier criterio medible, óptima.
12 min
Lo logrará. La fórmula que produzca obtendrá buenas puntuaciones en paneles de consumidores. Será evaluada positivamente a través de múltiples demografías. No ofenderá a nadie. No desconcertará a nadie. Ocupirá una región cómoda y bien poblada del espacio olfativo, el tipo de territorio que la industria llama el «punto de equilibrio comercial» y que cualquiera con una nariz funcional llama el «familiar». Olerá, según el juicio de la mayoría de las personas que la encuentren, perfectamente bien.
La cuestión es si «perfectamente bien» es perfumería.
La aplicación del aprendizaje automático al desarrollo de perfumes no es especulativa. Está ocurriendo ahora mismo, a escala industrial, en las divisiones de investigación de las mayores empresas mundiales de perfumes y aromas. La tecnología varía en sofisticación — algunos sistemas son modelos predictivos relativamente simples que sugieren sustituciones de ingredientes basadas en el costo y la disponibilidad; otros son redes neuronales profundas entrenadas con décadas de datos de fórmulas propietarias — pero la lógica subyacente es la misma en todos los casos. Alimenta la máquina con un amplio corpus de fórmulas existentes asociadas a datos de respuesta de consumidores. Deja que la máquina aprenda las relaciones estadísticas entre composición molecular y preferencia humana. Luego pide a la máquina que genere nuevas fórmulas que maximicen la probabilidad de un resultado deseado en el consumidor.
Es, en esencia, análisis de regresión aplicado a la perfumería. No es, en un sentido significativo, creación.
La distinción importa, y es necesaria la precisión sobre las razones. El análisis de regresión, la técnica matemática en el corazón de la mayoría de los aprendizajes automáticos, encuentra la línea de mejor ajuste a través de una nube de puntos de datos. Identifica la tendencia central. Te dice dónde está la media. Es enormemente útil para muchas aplicaciones. Si quieres predecir precios inmobiliarios, comportamiento de consumidores, trayectorias de enfermedades o resultados electorales, conocer la media te dice mucho. Pero la perfumería no es un problema de predicción. Es, o al menos históricamente ha sido, un problema creativo. Y los problemas creativos no se resuelven encontrando el centro. Se resuelven encontrando el margen.
Cada perfume que realmente cambió la industria, cada composición que, retrospectivamente, definió una época o abrió una nueva categoría, lo hizo desviándose del consenso de su tiempo. La primera fougère moderna no era lo que nadie esperaba de un perfume masculino en 1882. El primer gran floral aldehídico no era lo que nadie esperaba de un perfume femenino en los años 1920. El primer masculino fresco con dihidromircenol y hediona no era lo que nadie esperaba de un perfume masculino en los años 1980. El primer molecular piel-limpia-musk no era lo que nadie esperaba de ningún perfume a principios de los 2000. En cada caso, la composición tuvo éxito no porque coincidiera con las preferencias existentes sino porque creó nuevas. No encontró el centro. Movió el centro.
Un algoritmo entrenado con datos históricos no puede, por construcción, mover el centro. Solo puede encontrarlo. Puede encontrarlo con precisión quirúrgica, y puede generar fórmulas que ocupen el punto de equilibrio con una eficiencia que ningún perfumista humano podría igualar. Pero ocupar el punto de equilibrio no es innovación. Es optimización. Y la historia de la perfumería sugiere que optimización e innovación no son lo mismo, y pueden de hecho ser opuestas.
Un contraargumento, y merece un examen serio. El contraargumento es el siguiente: los perfumistas humanos son también, en cierto sentido, algoritmos. Son redes neuronales biológicas entrenadas con un corpus de datos olfativos — todo lo que han olido, cada fórmula que han estudiado, cada respuesta de consumidor que han observado a lo largo de una carrera. Su proceso creativo no es, como los románticos gustan imaginar, un destello de inspiración descendiendo de la musa. Es reconocimiento de patrones, recombinación y refinamiento iterativo. El perfumista se sienta al órgano, selecciona materias basándose en la experiencia y la intuición, mezcla una fórmula de prueba, la evalúa, ajusta, evalúa de nuevo. El proceso es empírico, no místico. Si una máquina puede realizar las mismas operaciones más rápido y de forma más sistemática, ¿qué se pierde, exactamente?
Lo que se pierde es el error.
Esto parece paradójico, así que seamos precisos. Los perfumistas humanos cometen errores. Sobredosifican un ingrediente y descubren que la sobredosificación crea un efecto que no habían previsto y que no podrían haber predicho. Contaminan accidentalmente un lote de prueba y descubren que el contaminante añade algo interesante. La historia de las revoluciones sintéticas en perfumería está llena de tales colisiones felices. Malinterpretan sus propias notas y combinan materias que no tenían intención de combinar, y el resultado es mejor que lo planeado. La historia de la perfumería está llena de estos accidentes — composiciones que deben su carácter no a un diseño deliberado sino a una colisión imprevista de materias que un proceso más cuidadoso habría evitado.
Un algoritmo no comete esos errores. Un algoritmo hace exactamente lo que se le dice que haga. Optimiza la función objetivo. Sigue el gradiente. No se aventura en un territorio inexplorado por accidente, porque no se aventura en absoluto. Se mueve, con precisión matemática, hacia el óptimo. Y el óptimo, tal como lo definen los datos de paneles de consumidores, es siempre el centro. La media. El consenso.
El potencial creativo del error no es un fantasma romántico. Es un fenómeno bien documentado en cada campo creativo. El biólogo que descubre la penicilina por una caja de Petri contaminada. El físico que descubre el fondo cósmico de microondas por un ruido inexplicado en una antena. El músico que descubre un nuevo lenguaje armónico porque una cuerda se rompió en pleno concierto e impuso una improvisación. No son historias apócrifas contadas para consolar a los torpes. Son ocurrencias documentadas de un principio general: los avances creativos a menudo provienen de desviaciones del plan, y los sistemas diseñados para eliminar la desviación eliminarán también, por construcción, la posibilidad del avance.
Una segunda objeción, más filosófica, a la perfumería computacional, y se refiere a la naturaleza misma de la preferencia.
Los datos de paneles de consumidores, los datos con los que se entrenan estos algoritmos, miden la preferencia declarada. Registran lo que la gente dice que le gusta cuando se les pregunta. Pero la preferencia declarada y la preferencia real no son lo mismo. La preferencia declarada es conservadora. Cuando se les pide elegir entre lo familiar y lo desconocido, la mayoría de las personas, en la mayoría de los contextos, eligen lo familiar. No es estupidez. Es un sesgo cognitivo bien documentado, el efecto de mera exposición, descrito por primera vez por el psicólogo Robert Zajonc en un artículo fundamental de 1968 en el Journal of Personality and Social Psychology, y opera poderosamente en la evaluación olfativa, donde la ausencia de un vocabulario compartido hace excepcionalmente difícil para los consumidores articular por qué les gusta o no algo. Frente a un perfume verdaderamente nuevo, que no encaja en ninguna categoría existente, que confunde e intriga por igual, un panel de consumidores le dará, la mayoría de las veces, una puntuación baja. No porque el perfume sea malo, sino porque el panel no tiene el marco para evaluarlo.
Un algoritmo entrenado con datos de paneles de consumidores hereda ese conservadurismo. Aprende que la novedad es arriesgada y la familiaridad segura. Aprende que los perfumes que la gente puntúa más alto son los que más se parecen a perfumes que ya han puntuado bien. Aprende, en suma, la lección más fundamental de la investigación de consumidores: a la gente le gusta lo que ya le gusta. Y optimiza en consecuencia.
El resultado es una máquina sumamente capaz de producir lo que la industria llama «valores seguros» — perfumes que no fallarán, que alcanzarán un mínimo de viabilidad comercial, que no sorprenderán, no molestarán ni desafiarán a nadie que los huela. Estos perfumes se venderán. Algunos se venderán muy bien. Pero no cambiarán la industria, porque cambiar la industria exige producir algo que los paneles de consumidores no saben puntuar. Las composiciones que cambiaron la perfumería fueron todas, en el momento de su creación, sorpresas. Eran cosas que nadie había pedido, cosas que no puntuaban bien en pruebas preliminares, cosas que tuvieron éxito no porque los datos dijeran que lo harían sino porque una sola persona — un perfumista, un director creativo, un emprendedor — creyó en ellas a pesar de los datos.
Un algoritmo no puede creer en nada a pesar de los datos. Creer a pesar de los datos es lo único que un algoritmo es constitucionalmente incapaz de hacer. Un algoritmo sigue los datos. Esa es su virtud y su limitación. Y en un campo donde las decisiones más importantes son las que contradicen los datos, donde toda la historia del avance creativo es una historia de personas ignorando el consenso y teniendo razón, esa limitación no es menor. Es fundamental.
Seamos claros sobre lo que no defiendo. No defiendo que la inteligencia artificial no tenga ningún papel en la perfumería. Tiene aplicaciones evidentes y valiosas. Puede acelerar el proceso de reformulación cuando un cambio regulatorio impone la retirada de un ingrediente restringido. Puede sugerir sustituciones económicas que mantengan el carácter de una composición mientras reducen su precio. Puede analizar grandes conjuntos de datos de retroalimentación de consumidores e identificar tendencias que un analista humano podría pasar por alto. Puede mapear el vasto espacio multidimensional de combinaciones posibles de ingredientes y destacar regiones que los perfumistas humanos aún no han explorado, de la misma manera que la cromatografía de gases descodificaba en su día fórmulas que antes estaban encerradas en secreto comercial. Son funciones útiles. Ahorran tiempo, reducen costos y amplían la caja de herramientas del perfumista. Nadie serio se opone a ellas.
Lo que defiendo es que todas son funciones de optimización. Hacen los procesos existentes más eficientes. No crean. La distinción entre optimizar y crear no es semántica. Es la distinción entre encontrar la mejor ruta a través de un paisaje conocido y descubrir que el paisaje se extiende más allá de sus fronteras conocidas. El aprendizaje automático sobresale en lo primero. Es estructuralmente incapaz de lo segundo, porque lo segundo exige, por definición, ir más allá de los datos, y el aprendizaje automático es, por definición, un método para extraer patrones de datos.
El entusiasmo de la industria del perfume por las herramientas computacionales es comprensible. La economía de la perfumería moderna es brutal. El tiempo medio de desarrollo de un perfume comercial se ha comprimido de años a meses. Los briefs son más ajustados. Los presupuestos más pequeños. El costo del fracaso más alto. En este entorno, una herramienta que puede reducir el número de iteraciones necesarias para alcanzar una fórmula aceptable es enormemente valiosa. Pero «aceptable» hace mucho trabajo en esta frase. Una fórmula aceptable es aquella que cumple con el brief, obtiene una puntuación adecuada en la prueba y no supera el límite de costo. Una fórmula aceptable no es una obra maestra. Ni siquiera es, en la mayoría de los casos, particularmente interesante. Es adecuada. Y la adecuación, a escala industrial, es la enemiga del arte.
Hay una última consideración, y quizás la más inquietante. Cuanto más dependa el desarrollo de perfumes de herramientas algorítmicas entrenadas con datos de consumidores, más convergerá la producción de la industria hacia una media estadística. Cada nueva fórmula optimizada por IA ocupará, por diseño, el centro de la distribución de preferencias. Con el tiempo, el centro mismo se moverá, pero lentamente, porque la producción del algoritmo refuerza las mismas preferencias con las que fue entrenado. Los consumidores expuestos repetidamente a perfumes optimizados por IA desarrollarán preferencias moldeadas por esos perfumes, y esas preferencias se convertirán a su vez en los datos de entrenamiento de la próxima generación de algoritmos. El resultado es un ciclo de retroalimentación: la máquina produce lo que a la gente le gusta, la gente aprende a gustar lo que la máquina produce, y la máquina produce más de eso.
No es un escenario hipotético. Es una descripción precisa de lo que ya ha ocurrido en otras industrias creativas que han adoptado sistemas de recomendación y generación algorítmica. Las plataformas de streaming musical, cuyos algoritmos optimizan para el compromiso, han producido una convergencia medible en las características sonoras de la música popular — más fuerte, más corta, más repetitiva, con el estribillo llegando antes y el rango dinámico reduciéndose. Las plataformas de redes sociales, cuyos algoritmos optimizan para la atención, han producido una convergencia en las características visuales del contenido popular — más saturado, más recortado, más emocionalmente extremo. El algoritmo no aplana el paisaje deliberadamente. Lo aplana como efecto secundario de optimizar para la media.
La perfumería no está inmunizada contra esta dinámica. Si la cadena de desarrollo de la industria se vuelve cada vez más dependiente de herramientas de IA que optimizan para el consenso, el resultado inevitable es un estrechamiento del campo olfativo. No un estrechamiento a un solo perfume — el mercado es demasiado amplio y segmentado para eso — sino un estrechamiento dentro de cada segmento. Los masculinos frescos convergerán. Los femeninos dulces convergerán. Los orientales con oud convergerán. Cada categoría se volverá más homogénea internamente, porque el algoritmo que diseña cada nueva entrada está entrenado con los mismos datos que produjeron las entradas existentes. El campo no se estrechará a un punto. Se estrechará a un agregado.
Que esto importe depende de para qué creas que sirve la perfumería. Si es una industria, un comercio que produce bienes de consumo diseñados para satisfacer la demanda del mercado, entonces la optimización es la estrategia correcta, y la convergencia es un costo aceptable. Los consumidores obtienen lo que quieren. Las empresas ganan dinero. Nadie se queja.
Pero si la perfumería es también un arte, una disciplina creativa cuyo propósito va más allá de satisfacer preferencias existentes para revelar nuevas posibilidades de experiencia olfativa, entonces la convergencia no es un costo. Es un desastre. Porque el arte, según cualquier definición digna de defensa, requiere la posibilidad de la sorpresa. Requiere la posibilidad de que la próxima composición sea algo que nadie haya olido antes, algo que ningún conjunto de datos haya predicho, algo que un panel de consumidores habría rechazado porque no encajaba en ninguna categoría existente.
Un algoritmo no puede producir eso. Un perfumista sí puede. No de manera confiable, no de manera constante, no en los plazos, no en el presupuesto. Pero ocasionalmente, impredeciblemente, contra toda lógica comercial, un ser humano sentado en un órgano rodeado de cientos de frascos marrones combinará materias de una manera que ninguna máquina habría sugerido, y el resultado será algo verdaderamente nuevo. Algo que mueve el centro en lugar de ocuparlo. Algo que los datos decían que no debería funcionar.
Esos momentos son raros. Se vuelven más raros. Y si la industria no presta atención, dejarán de ocurrir por completo — no porque la tecnología lo impida, sino porque la economía ya no deja espacio para ellos. La máquina compondrá. La máquina optimizará. La máquina producirá perfumes perfectamente bien que obtendrán buenas puntuaciones en cada panel y no ofenderán a nadie.
Si eso cuenta como perfumería es una cuestión que la máquina no está equipada para decidir. Tendrá que ser una nariz la que responda.
