En algún lugar de un laboratorio que no se parece en nada al estudio de un perfumista, sin un órgano equipado con cientos de frascos marrones, sin tiras de papel desplegadas sobre un escritorio como un pavo real de papel, sin un delantal de cuero manchado colgado en un gancho detrás de la puerta, una máquina está componiendo un perfume. La máquina no huele nada. No tiene nariz. No tiene opinión sobre si el vetiver combina bien con la toronja, ni instinto para saber si una composición necesita más ligereza en la parte superior o más calidez en la base. Tiene datos. Tiene aproximadamente cuatrocientos mil fórmulas del último siglo, 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 de los consumidores: intención de compra, calidad percibida, asociación emocional, probabilidad de recompra. Y se le ha pedido que produzca una fórmula que sea, según todos los estándares medibles, óptima.
Lectura de 12 minutos
Tendrá éxito. La fórmula que produzca obtendrá buenas puntuaciones en los paneles de consumidores. Será evaluada positivamente en múltiples demografías. No ofenderá a nadie. No confundirá a nadie. Ocupará una región cómoda y bien poblada del espacio olfativo, el tipo de territorio que la industria llama el ‘punto dulce comercial’ y que cualquiera con una nariz funcional llama ‘familiar’. Olerá, según el juicio de la mayoría de las personas que la encuentren, perfectamente bien.
La pregunta 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 compañías mundiales de fragancias y sabores. La tecnología varía en sofisticación: algunos sistemas son modelos predictivos relativamente simples que sugieren sustituciones de ingredientes basadas en costo y 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. Se alimenta a la máquina con un gran corpus de fórmulas existentes emparejadas con datos de respuesta de consumidores. Se deja que la máquina aprenda las relaciones estadísticas entre la composición molecular y la preferencia humana. Luego se le pide que genere nuevas fórmulas que maximicen la probabilidad de un resultado deseado por el consumidor.
Esto es, en esencia, análisis de regresión aplicado a la perfumería. No es, en ningún sentido significativo, creación.
La distinción importa, y vale la pena ser preciso sobre por qué. El análisis de regresión, la técnica matemática en el corazón de la mayoría del aprendizaje automático, encuentra la línea de mejor ajuste a través de una nube de puntos de datos. Identifica la tendencia central. Te dice dónde está el promedio. Esto es enormemente útil para muchas aplicaciones. Si quieres predecir precios inmobiliarios, comportamiento del consumidor, trayectorias de enfermedades o resultados electorales, conocer el promedio 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, en retrospectiva, definió una era o abrió una nueva categoría, lo hizo desviándose del consenso de su tiempo. El primer fougère moderno no fue lo que nadie esperaba de una fragancia masculina en 1882. La primera gran floral aldehídica no fue lo que nadie esperaba de una fragancia femenina en los años 20. El primer masculino fresco construido sobre dihidromircenol y hediona no fue lo que nadie esperaba de una fragancia masculina en los años 80. El primer almizcle molecular de piel limpia no fue 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 dulce con una eficiencia que ningún perfumista humano podría igualar. Pero ocupar el punto dulce no es innovación. Es optimización. Y la historia de la perfumería sugiere que optimización e innovación no son lo mismo, y de hecho pueden estar en oposición.
Hay un contraargumento, y merece consideración seria. El contraargumento dice lo siguiente: los perfumistas humanos también son, 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 en el órgano, selecciona materiales 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?
Se pierde el error.
Esto suena paradójico, así que seamos precisos. Los perfumistas humanos cometen errores. Sobredosifican un ingrediente y descubren que la sobredosis crea un efecto que no habían anticipado y que no podían haber predicho. Contaminan accidentalmente un lote de prueba y descubren que el contaminante añade algo interesante. La historia de los avances sintéticos en perfumería está llena de estas felices coincidencias. Malinterpretan sus propias notas y combinan materiales 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 al diseño deliberado sino a una colisión imprevista de materiales que un proceso más cuidadoso habría evitado.
Un algoritmo no comete estos errores. Un algoritmo hace exactamente lo que se le dice. Optimiza la función objetivo. Sigue el gradiente. No se aventura en territorios inexplorados por accidente, porque no se aventura en absoluto. Se mueve, con precisión matemática, hacia el óptimo. Y el óptimo, definido por datos de paneles de consumidores, es siempre el centro. El promedio. El consenso.
El potencial creativo del error no es una fantasía romántica. Es un fenómeno bien documentado en todos los campos creativos. El biólogo que descubre la penicilina por un plato de Petri contaminado. 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 medio del concierto y forzó una improvisación. Estas no son historias apócrifas 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 también eliminarán, por construcción, la posibilidad del avance.
Una segunda objeción a la perfumería computacional, más filosófica, concierne 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 le 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. Esto 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 disgusta algo. Frente a un perfume genuinamente nuevo, uno que no encaja en ninguna categoría existente, que confunde e intriga a partes iguales, un panel de consumidores, más a menudo que no, le dará una puntuación baja. No porque el perfume sea malo, sino porque el panel no tiene un marco para evaluarlo.
Un algoritmo entrenado con datos de paneles de consumidores hereda este conservadurismo. Aprende que la novedad es arriesgada y la familiaridad es segura. Aprende que los perfumes que la gente califica más alto son los que más se parecen a los perfumes que ya han calificado alto. Aprende, en resumen, 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 hábil para producir lo que la industria llama ‘apuestas seguras’, perfumes que no fallarán, que alcanzarán un umbral mínimo de viabilidad comercial, que no sorprenderán, perturbarán 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 requiere producir algo que los paneles de consumidores no saben cómo puntuar. Las composiciones que cambiaron la perfumería fueron, en el momento de su creación, todas sorpresas. Eran cosas que nadie había pedido, cosas que obtuvieron malas puntuaciones 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.
Permítanme ser claro sobre lo que no estoy argumentando. No estoy diciendo que la inteligencia artificial no tenga un papel en la perfumería. Tiene aplicaciones obvias y valiosas. Puede acelerar el proceso de reformulación cuando un cambio regulatorio obliga a retirar un ingrediente restringido. Puede sugerir sustituciones rentables que preserven 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 posibles combinaciones de ingredientes y destacar regiones que los perfumistas humanos aún no han explorado, de manera similar a como la cromatografía de gases una vez descifró fórmulas que antes estaban guardadas como secretos comerciales. Estas son funciones útiles. Ahorran tiempo, reducen costos y amplían el conjunto de herramientas del perfumista. Nadie serio se opone a eso.
Lo que argumento es que todas estas son funciones de optimización. Hacen que los procesos existentes sean 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 requiere, 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 promedio de desarrollo para una fragancia comercial se ha comprimido de años a meses. Los briefs son más estrictos. Los presupuestos son menores. El costo del fracaso es mayor. En este entorno, una herramienta que pueda reducir el número de iteraciones necesarias para alcanzar una fórmula aceptable es enormemente valiosa. Pero ‘aceptable’ hace mucho trabajo en esa frase. Una fórmula aceptable es aquella que cumple con el brief, obtiene puntuaciones adecuadas en las pruebas y se mantiene bajo el techo de costos. Una fórmula aceptable no es una obra maestra. Ni siquiera, en la mayoría de los casos, es particularmente interesante. Es adecuada. Y la adecuación, a escala industrial, es el enemigo del arte.
Hay una consideración final, y puede ser la más preocupante. Cuanto más dependa el desarrollo de perfumes de herramientas algorítmicas entrenadas con datos de consumidores, más convergerá la producción de la industria hacia un promedio estadístico. Cada nueva fórmula optimizada por IA ocupará, por diseño, el centro de la distribución de preferencias. Con el tiempo, el centro mismo se desplazará, 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 a su vez se convertirán en los datos de entrenamiento para la siguiente generación de algoritmos. El resultado es un ciclo de retroalimentación: la máquina produce lo que a la gente le gusta, la gente aprende a gustarle lo que la máquina produce, y la máquina produce más de eso.
Esto no es un escenario hipotético. Es una descripción precisa de lo que ya ha ocurrido en otras industrias creativas que adoptaron sistemas algorítmicos de recomendación y generación. Las plataformas de streaming musical, cuyos algoritmos optimizan el compromiso, han producido una convergencia medible en las características sonoras de la música popular: más fuerte, más corta, más repetitiva, con el coro llegando antes y el rango dinámico reduciéndose. Las plataformas de redes sociales, cuyos algoritmos optimizan 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 un efecto secundario de optimizar para el promedio.
La perfumería no es inmune a esta dinámica. Si la cadena de desarrollo de la industria depende cada vez más 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 grande y segmentado para eso, sino un estrechamiento dentro de cada segmento. Los masculinos frescos convergerán. Las femeninas dulces convergerán. Las fragancias ámbar 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 existentes. El campo no se estrechará a un punto. Se estrechará a un clúster.
Si esto importa 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 una catástrofe. Porque el arte, por cualquier definición que valga la pena defender, 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 predijo, algo que un panel de consumidores habría rechazado porque no encajaba en ninguna categoría existente.
Un algoritmo no puede producir eso. Un perfumista sí. No de manera confiable, no consistentemente, no a tiempo, no con presupuesto. Pero ocasionalmente, de manera impredecible, contra toda lógica comercial, un ser humano sentado en un órgano rodeado de cientos de frascos marrones combinará materiales de una manera que ninguna máquina habría sugerido, y el resultado será algo genuinamente nuevo. Algo que mueve el centro en lugar de ocuparlo. Algo que los datos dijeron que no debería funcionar.
Estos momentos son raros. Están volviéndose más raros. Y si la industria no tiene cuidado, dejarán de ocurrir por completo, no porque la tecnología lo prohíba, sino porque la economía ya no deja espacio para ellos. La máquina compondrá. La máquina optimizará. La máquina producirá perfumes que son perfectamente aceptables, que obtienen buenas puntuaciones en todos los paneles y que no ofenden a nadie.
Si eso cuenta como perfumería es una pregunta que la máquina no está equipada para resolver. Tendrá que ser una nariz la que responda.
Siete extraits al 20%, una colección. El Set de Descubrimiento reúne los siete en 2 ml.
