Quelque part dans un laboratoire qui ne ressemble en rien à un atelier de parfumeur, sans orgue empilé de centaines de flacons bruns, sans mouillettes déployées sur un bureau comme un paon en papier, sans tablier en cuir taché accroché 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 aucune opinion sur l’association du vétiver avec le pamplemousse, aucun instinct pour savoir si une composition a besoin de plus de légèreté en tête ou de plus de chaleur en fond. Elle dispose de données. Elle possède environ quatre cent mille formules du siècle passé, numérisées et étiquetées avec les notes des panels consommateurs, les chiffres de vente, les préférences régionales et les descripteurs moléculaires. Elle a un algorithme entraîné à identifier les corrélations statistiques entre des combinaisons d’ingrédients spécifiques et des résultats consommateurs précis, comme l’intention d’achat, la qualité perçue, l’association émotionnelle, la probabilité de rachat. Et on lui a demandé de produire une formule qui sera, selon tous les critères mesurables, optimale.
Lecture de 11 minutes
Elle réussira. La formule qu’elle produira obtiendra de bons scores dans les panels consommateurs. Elle sera testée positivement à travers plusieurs démographies. Elle ne heurtera personne. Elle ne déroutera personne. Elle occupera une zone confortable et bien peuplée de l’espace olfactif, ce que l’industrie appelle le « sweet spot commercial » et que toute personne dotée d’un nez fonctionnel appelle « familier ». Elle sentira, selon le jugement de la plupart des personnes qui la rencontreront, parfaitement bien.
La question est de savoir si « parfaitement bien » est de la parfumerie.
Apprentissage automatique à l’échelle industrielle dans la parfumerie
L’application de l’apprentissage automatique au développement de parfums n’est pas spéculative. Elle se fait actuellement, à l’échelle industrielle, dans les divisions de recherche des plus grandes entreprises mondiales de parfums et 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 propriétaires de formules, mais la logique sous-jacente est la même dans tous les cas. On alimente la machine avec un large corpus de formules existantes associées à des données de réponse consommateurs. On laisse la machine apprendre les relations statistiques entre la composition moléculaire et la préférence humaine. Puis on demande à la machine de générer de nouvelles formules qui maximisent la probabilité d’un résultat consommateur souhaité.
C’est, en essence, une analyse de régression appliquée à la parfumerie. Ce n’est pas, en aucun sens significatif, de la création.
La distinction est importante, et il faut être précis sur les raisons. L’analyse de régression, la technique mathématique au cœur de la plupart des apprentissages automatiques, trouve la ligne de meilleure adéquation à travers un nuage de points de données. Elle identifie la tendance centrale. Elle indique où se situe la moyenne. C’est extrêmement 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 électoraux, savoir où se trouve la moyenne vous en dit beaucoup. Mais la parfumerie n’est pas un problème de prédiction. C’est, ou du moins cela a historiquement été, un problème créatif. Et les problèmes créatifs ne se résolvent pas en trouvant le centre. Ils se résolvent en trouvant la limite.
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 s’écartant du consensus de son temps. Le premier fougère moderne n’était pas ce à quoi on s’attendait pour un parfum masculin en 1882. La première grande fleur aldéhydée n’était pas ce à quoi on s’attendait pour un parfum féminin dans les années 1920. Le premier masculin frais à base de dihydromyrcénol et hédione n’était pas ce à quoi on s’attendait pour un parfum masculin dans les années 1980. La première molécule musquée à effet peau propre n’était pas ce à quoi on s’attendait pour un parfum au début des années 2000. Dans chaque cas, la composition a réussi non pas parce qu’elle correspondait aux préférences existantes, mais parce qu’elle en a créé de nouvelles. Elle n’a pas trouvé le centre. Elle a déplacé 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 sweet spot avec une efficacité qu’aucun parfumeur humain ne pourrait égaler. Mais occuper le sweet spot 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 même être opposées.
Les parfumeurs humains comme réseaux neuronaux biologiques
Un contre-argument, qui mérite une considération sérieuse. 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 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 motifs, de la recombinaison et un affinage itératif. Le parfumeur est assis à l’orgue, sélectionne les matières selon son expérience et son intuition, compose une formule d’essai, l’évalue, ajuste, évalue à nouveau. Le processus est empirique, pas mystique. Si une machine peut effectuer les mêmes opérations plus rapidement et plus systématiquement, qu’est-ce qui est perdu exactement ?
Ce qui est perdu, c’est l’erreur.
Cela semble paradoxal, alors je vais être précis. Les parfumeurs humains font des erreurs. Ils surdossent un ingrédient et découvrent que ce surdosage crée un effet qu’ils n’avaient pas prévu et ne pouvaient pas prévoir. Ils contaminent accidentellement un lot d’essai et constatent que le contaminant ajoute quelque chose d’intéressant. L’histoire des découvertes synthétiques en parfumerie est parsemée de ces heureux hasards. Ils mal interprètent leurs propres notes et combinent des matières qu’ils ne voulaient pas combiner, et le résultat est meilleur que ce qu’ils avaient prévu. L’histoire de la parfumerie est remplie de ces accidents, des compositions qui doivent leur caractère non pas à un design délibéré mais à une collision imprévue de matières qu’un processus plus rigoureux 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 par accident en territoire inconnu, car 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 des panels consommateurs, est toujours le centre. La moyenne. Le consensus.
Le potentiel créatif de l’erreur n’est pas une idée romantique. C’est un phénomène bien documenté dans tous les domaines créatifs. Le biologiste qui découvre la pénicilline grâce à une boîte de Pétri contaminée. Le physicien qui découvre le fond diffus cosmologique à micro-ondes à cause d’un bruit inexpliqué dans une antenne. Le musicien qui découvre un nouveau langage harmonique parce qu’une corde a cassé en plein concert et a forcé une improvisation. Ce ne sont pas des histoires apocryphes racontées pour réconforter les maladroits. Ce sont des cas documentés d’un principe général : les percées créatives naissent souvent de déviations par rapport au plan, et les systèmes conçus pour éliminer la déviation élimineront, par construction, aussi la possibilité de percée.
Données des panels consommateurs et nature de la préférence
Une deuxième objection, plus philosophique, à la parfumerie computationnelle, concerne la nature même de la préférence.
Les données des panels consommateurs, sur lesquelles ces algorithmes sont entraînés, mesurent la préférence déclarée. Elles enregistrent ce que les gens disent aimer lorsqu’on leur demande. Mais la préférence déclarée et la préférence réelle ne sont pas la même chose. La préférence déclarée est conservatrice. Lorsqu’on 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 d’exposition répétée, 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’exprimer pourquoi ils aiment ou n’aiment pas quelque chose. Face à un parfum véritablement nouveau, qui ne correspond à aucune catégorie existante, qui déroute et intrigue à parts égales, un panel de consommateurs lui attribuera, plus souvent qu’à son tour, une note basse. Non pas parce que le parfum est mauvais, mais parce que le panel manque du cadre pour l’évaluer.
Un algorithme entraîné sur des données de panels consommateurs hérite de ce conservatisme. Il apprend que la nouveauté est risquée et que la familiarité est sûre. Il apprend que les parfums que les gens notent le plus haut sont ceux qui ressemblent le plus aux parfums qu’ils ont déjà notés haut. Il apprend, en bref, 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 extrêmement efficace pour produire ce que l’industrie appelle des « paris sûrs », des parfums qui ne décevront pas, qui atteindront un niveau minimum de viabilité commerciale, qui ne surprendront, ne dérangeront ni ne défieront personne qui les sentira. Ces parfums se vendront. Certains se vendront très bien. Mais ils ne changeront pas l’industrie, car changer l’industrie nécessite de produire quelque chose que les panels consommateurs ne savent pas comment noter. Les compositions qui ont changé la parfumerie étaient toutes, au moment de leur création, des surprises. Elles étaient des choses que personne n’avait demandées, des choses qui ne réussissaient pas les tests préliminaires, des choses qui ont réussi non pas parce que les données le prédisaient mais parce qu’une seule personne, un parfumeur, un directeur créatif, un entrepreneur, y croyait malgré les données.
Un algorithme ne peut croire en rien malgré les données. Croire malgré les données est la seule chose qu’un algorithme est constitutionnellement incapable de faire. Un algorithme suit les données. C’est sa vertu et sa limite. Et dans un domaine où les décisions les plus importantes sont celles qui contredisent les données, où toute l’histoire de l’avancement créatif est une histoire de personnes ignorant le consensus et ayant raison, cette limite n’est pas mineure. Elle est fondamentale.
Où l’IA a sa place et où elle ne l’a pas
Permettez-moi d’être clair sur ce que je ne défends pas. Je ne dis 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 lorsqu’un changement réglementaire oblige à retirer 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 larges ensembles de données de retours consommateurs et identifier des tendances qu’un analyste humain pourrait manquer. Elle peut cartographier l’immense espace multidimensionnel des combinaisons possibles d’ingrédients et mettre en lumière des zones que les parfumeurs humains n’ont pas encore explorées, tout comme la chromatographie en phase gazeuse a un jour décodé des formules jusque-là gardées secrètes. Ce sont des fonctions utiles. Elles font gagner du temps, réduisent les coûts et élargissent la boîte à outils du parfumeur. Personne de sérieux 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 chemin 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 cas. Il est structurellement incapable du second, car ce dernier exige, par définition, d’aller au-delà des données, et l’apprentissage automatique est, par définition, une méthode d’extraction de motifs à partir 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 est passé de plusieurs années à quelques mois. Les cahiers des charges sont plus stricts. Les budgets plus serrés. Le coût de l’échec plus élevé. Dans ce contexte, un outil qui peut réduire le nombre d’itérations nécessaires pour atteindre une formule acceptable est extrêmement précieux. Mais « acceptable » fait beaucoup de travail dans cette phrase. Une formule acceptable est une formule qui répond au cahier des charges, obtient des scores adéquats aux tests et ne dépasse pas le plafond budgétaire. Une formule acceptable n’est pas un chef-d’œuvre. Elle n’est même pas, dans la plupart des cas, particulièrement intéressante. Elle est adéquate. Et l’adéquation, à l’échelle industrielle, est l’ennemi de l’art.
Convergence vers une moyenne statistique
Il y a une dernière considération, peut-être la plus inquiétante. Plus le développement des parfums s’appuie sur des outils algorithmiques entraînés sur des données consommateurs, plus la production de l’industrie convergera vers une moyenne statistique. Chaque nouvelle formule optimisée par IA occupera, par conception, le centre de la distribution des préférences. Avec le temps, ce centre lui-même se déplacera, mais il se déplacera lentement, car la production de l’algorithme renforce les préférences mêmes sur lesquelles il a été entraîné. Les consommateurs exposés de manière répétée à des parfums optimisés par IA développeront des préférences façonnées par ces parfums, et ces préférences deviendront à leur tour les données d’entraînement pour la génération suivante 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 produit davantage de cela.
Ce n’est pas un scénario hypothétique. C’est une description précise de ce qui s’est déjà produit dans d’autres industries créatives qui ont adopté des systèmes algorithmiques de recommandation et de génération. Les plateformes de streaming musical, dont les algorithmes optimisent l’engagement, ont produit une convergence mesurable des caractéristiques sonores de la musique populaire, plus forte, plus courte, plus répétitive, avec le refrain arrivant plus tôt et la dynamique réduite. Les plateformes de réseaux sociaux, dont les algorithmes optimisent l’attention, ont produit une convergence des caractéristiques visuelles des contenus populaires, plus saturés, plus recadrés, plus émotionnellement extrêmes. L’algorithme n’aplatit pas le paysage délibérément. Il l’aplatit comme un effet secondaire de l’optimisation pour la moyenne.
La parfumerie n’est pas immunisée contre cette dynamique. Si la chaîne de développement de l’industrie devient de plus en plus dépendante des outils IA qui optimisent le consensus, le résultat inévitable est un rétrécissement du champ olfactif. Pas un rétrécissement à un seul parfum, le marché est trop vaste et trop segmenté pour cela, mais un rétrécissement au sein de chaque segment. Les masculins frais convergeront. Les féminins doux convergeront. Les orientaux oud convergeront. Chaque catégorie deviendra plus homogène en interne, car l’algorithme qui conçoit chaque nouvelle entrée est entraîné sur les mêmes données qui ont produit les entrées existantes. Le champ ne se réduira pas à un point. Il se réduira à un amas.
La question de savoir si cela importe dépend de ce que vous pensez que la parfumerie est censée être. Si c’est une industrie, une entreprise qui produit des biens de consommation destinés à répondre à la demande du marché, alors l’optimisation est la bonne stratégie, et la convergence 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 dépasse 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. Car l’art, selon toute définition digne de ce nom, exige la possibilité de surprise. Il exige la possibilité que la prochaine composition soit quelque chose que personne n’a encore senti, quelque chose qu’aucun jeu de données n’a prédit, quelque chose qu’un panel consommateur aurait rejeté parce que cela ne correspondait à aucune catégorie existante.
Un algorithme ne peut pas produire cela. Un parfumeur le peut. Pas de manière fiable, pas de façon constante, pas selon un calendrier, pas dans un budget. Mais parfois, de manière imprévisible, contre toute logique commerciale, un être humain assis à un orgue entouré de centaines de flacons bruns combinera des matières d’une façon 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 impossible.
Ces moments sont rares. Ils deviennent de plus en plus rares. Et si l’industrie n’y prend pas garde, ils cesseront complètement, non pas parce que la technologie les interdit, mais parce que l’économie ne leur laisse plus de place. La machine composera. La machine optimisera. La machine produira des parfums parfaitement corrects qui obtiendront de bons scores dans tous les panels et ne heurteront personne.
La question de savoir si cela compte comme de la parfumerie est une question à laquelle la machine n’est pas équipée pour répondre. Elle devra être répondue par un nez.
