Da qualche parte in un laboratorio che non assomiglia affatto a uno studio di profumeria, senza organo con centinaia di bottiglie marroni, senza strisce odorose disposte a ventaglio su una scrivania come un pavone di carta, senza grembiule di pelle macchiato appeso a un gancio dietro la porta, una macchina sta componendo un profumo. La macchina non sente nulla. Non ha un naso. Non ha opinioni su se il vetiver si abbini bene al pompelmo, né istinto per capire se una composizione necessita di più leggerezza in cima o più calore alla base. Ha dati. Ha circa quattrocentomila formule del secolo passato, digitalizzate e taggate con punteggi di panel di consumatori, dati di vendita, preferenze regionali e descrittori molecolari. Ha un algoritmo addestrato a identificare correlazioni statistiche tra combinazioni specifiche di ingredienti e risultati specifici dei consumatori: intenzione di acquisto, qualità percepita, associazione emotiva, probabilità di riacquisto. E le è stato chiesto di produrre una formula che sarà, secondo ogni parametro misurabile, ottimale.
12 minuti di lettura
Ci riuscirà. La formula che produrrà otterrà buoni punteggi nei panel di consumatori. Testerà positivamente in molteplici demografie. Non offenderà nessuno. Non confonderà nessuno. Occuperà una zona confortevole e ben popolata dello spazio olfattivo, il tipo di territorio che l’industria chiama “punto dolce commerciale” e chi ha un naso funzionante chiama “familiare”. Profumerà, secondo il giudizio della maggior parte delle persone che lo incontreranno, perfettamente bene.
La domanda è se “perfettamente bene” sia profumeria.
L’applicazione del machine learning allo sviluppo del profumo non è speculativa. Sta accadendo proprio ora, su scala industriale, nelle divisioni di ricerca delle più grandi aziende mondiali di fragranze e aromi. La tecnologia varia in sofisticazione: alcuni sistemi sono modelli predittivi relativamente semplici che suggeriscono sostituzioni di ingredienti basate su costo e disponibilità; altri sono reti neurali profonde addestrate su decenni di dati proprietari di formule, ma la logica di base è la stessa in ogni caso. Si fornisce alla macchina un grande corpus di formule esistenti abbinate a dati di risposta dei consumatori. Si lascia che la macchina impari le relazioni statistiche tra composizione molecolare e preferenza umana. Poi si chiede alla macchina di generare nuove formule che massimizzino la probabilità di un risultato desiderato dal consumatore.
Questo è, in sostanza, un’analisi di regressione applicata alla profumeria. Non è, in alcun senso significativo, creazione.
La distinzione è importante, ed è utile essere precisi sul perché. L’analisi di regressione, la tecnica matematica al centro della maggior parte del machine learning, trova la linea di miglior adattamento attraverso una nuvola di punti dati. Identifica la tendenza centrale. Ti dice dove si trova la media. Questo è estremamente utile per molte applicazioni. Se vuoi prevedere i prezzi immobiliari, il comportamento dei consumatori, le traiettorie delle malattie o i risultati elettorali, conoscere la media ti dice molto. Ma la profumeria non è un problema di previsione. È, o almeno è stata storicamente, un problema creativo. E i problemi creativi non si risolvono trovando il centro. Si risolvono trovando il margine.
Ogni profumo che ha davvero cambiato l’industria, ogni composizione che, a posteriori, ha definito un’epoca o aperto una nuova categoria, lo ha fatto deviando dal consenso del suo tempo. Il primo fougère moderno non era ciò che ci si aspettava da una fragranza maschile nel 1882. Il primo grande floreale aldeidico non era ciò che ci si aspettava da una fragranza femminile negli anni ’20. Il primo maschile fresco costruito su diidromircenolo e edione non era ciò che ci si aspettava da una fragranza maschile negli anni ’80. Il primo muschio molecolare “pelle pulita” non era ciò che ci si aspettava da alcun profumo nei primi anni 2000. In ogni caso, la composizione ha avuto successo non perché corrispondeva alle preferenze esistenti, ma perché ne ha create di nuove. Non ha trovato il centro. Ha spostato il centro.
Un algoritmo addestrato su dati storici non può, per definizione, spostare il centro. Può solo trovarlo. Può trovarlo con precisione chirurgica e può generare formule che occupano il punto dolce con un’efficienza che nessun profumiere umano potrebbe eguagliare. Ma occupare il punto dolce non è innovazione. È ottimizzazione. E la storia della profumeria suggerisce che ottimizzazione e innovazione non sono la stessa cosa, e possono anzi essere opposte.
C’è un controargomento, e merita seria considerazione. Il controargomento è il seguente: anche i profumieri umani sono, in un certo senso, algoritmi. Sono reti neurali biologiche addestrate su un corpus di dati olfattivi, tutto ciò che hanno mai annusato, ogni formula che hanno studiato, ogni risposta dei consumatori che hanno osservato nel corso della carriera. Il loro processo creativo non è, come i romantici amano immaginare, un lampo di ispirazione che scende dalla musa. È riconoscimento di pattern, ricombinazione e raffinamento iterativo. Il profumiere si siede all’organo, seleziona materiali basandosi su esperienza e intuizione, miscela una formula di prova, la valuta, la aggiusta, la valuta di nuovo. Il processo è empirico, non mistico. Se una macchina può eseguire le stesse operazioni più velocemente e in modo più sistematico, cosa si perde esattamente?
Si perde l’errore.
Questo suona paradossale, quindi siamo precisi. I profumieri umani commettono errori. Sovradosano un ingrediente e scoprono che il sovradosaggio crea un effetto che non avevano previsto e non potevano prevedere. Contaminano accidentalmente un lotto di prova e scoprono che il contaminante aggiunge qualcosa di interessante. La storia delle scoperte sintetiche in profumeria è piena di queste fortunate coincidenze. Interpretano male i propri appunti e combinano materiali che non avevano intenzione di combinare, e il risultato è migliore di quanto avessero pianificato. La storia della profumeria è costellata di questi incidenti, composizioni che devono il loro carattere non a un progetto deliberato ma a una collisione imprevista di materiali che un processo più attento avrebbe evitato.
Un algoritmo non commette questi errori. Un algoritmo fa esattamente ciò che gli viene detto di fare. Ottimizza la funzione obiettivo. Segue il gradiente. Non si avventura in territori inesplorati per caso, perché non si avventura affatto. Si muove, con precisione matematica, verso l’ottimo. E l’ottimo, definito dai dati dei panel di consumatori, è sempre il centro. La media. Il consenso.
Il potenziale creativo dell’errore non è una fantasia romantica. È un fenomeno ben documentato in ogni campo creativo. Il biologo che scopre la penicillina grazie a una piastra di Petri contaminata. Il fisico che scopre la radiazione cosmica di fondo grazie a un rumore inspiegabile in un’antenna. Il musicista che scopre un nuovo linguaggio armonico perché una corda si è rotta a metà concerto e ha costretto a un’improvvisazione. Queste non sono storie apocrife raccontate per consolare i goffi. Sono eventi documentati di un principio generale: le svolte creative spesso derivano da deviazioni dal piano, e i sistemi progettati per eliminare la deviazione elimineranno anche, per definizione, la possibilità della svolta.
Un secondo obiezione alla profumeria computazionale, più filosofica, riguarda la natura stessa della preferenza.
I dati dei panel di consumatori, su cui questi algoritmi sono addestrati, misurano la preferenza dichiarata. Registrano ciò che le persone dicono di gradire quando vengono interrogate. Ma preferenza dichiarata e preferenza reale non sono la stessa cosa. La preferenza dichiarata è conservatrice. Quando si chiede di scegliere tra il familiare e l’ignoto, la maggior parte delle persone, nella maggior parte dei contesti, sceglie il familiare. Non è stupidità. È un bias cognitivo ben documentato, l’effetto della mera esposizione, descritto per la prima volta dallo psicologo Robert Zajonc in un articolo fondamentale del 1968 sul Journal of Personality and Social Psychology, e opera potentemente nella valutazione olfattiva, dove l’assenza di un vocabolario condiviso rende eccezionalmente difficile per i consumatori articolare perché gradiscono o meno qualcosa. Di fronte a un profumo genuinamente nuovo, che non rientra in nessuna categoria esistente, che confonde e incuriosisce in egual misura, un panel di consumatori lo valuterà, più spesso che no, con un punteggio basso. Non perché il profumo sia cattivo, ma perché il panel non ha un quadro di riferimento per valutarlo.
Un algoritmo addestrato su dati di panel di consumatori eredita questo conservatorismo. Impara che la novità è rischiosa e la familiarità è sicura. Impara che i profumi che le persone valutano più in alto sono quelli che somigliano di più a profumi che hanno già valutato positivamente. Impara, in breve, la lezione più fondamentale della ricerca sui consumatori: le persone amano ciò che già amano. E ottimizza di conseguenza.
Il risultato è una macchina estremamente abile nel produrre ciò che l’industria chiama “scommesse sicure”, profumi che non falliranno, che raggiungeranno una soglia minima di commerciabilità, che non sorprenderanno, disturberanno o sfideranno nessuno che li annusi. Questi profumi venderanno. Alcuni venderanno molto bene. Ma non cambieranno l’industria, perché cambiare l’industria richiede di produrre qualcosa che i panel di consumatori non sanno come valutare. Le composizioni che hanno cambiato la profumeria erano, al momento della loro creazione, tutte sorprese. Erano cose che nessuno aveva chiesto, cose che avevano punteggi bassi nei test preliminari, cose che hanno avuto successo non perché i dati dicevano che sarebbe successo, ma perché una singola persona, un profumiere, un direttore creativo, un imprenditore, ci credeva nonostante i dati.
Un algoritmo non può credere in nulla nonostante i dati. Credere nonostante i dati è l’unica cosa di cui un algoritmo è costituzionalmente incapace. Un algoritmo segue i dati. Questa è la sua virtù e il suo limite. E in un campo dove le decisioni più importanti sono quelle che contraddicono i dati, dove tutta la storia del progresso creativo è una storia di persone che ignorano il consenso e hanno ragione, quel limite non è marginale. È fondamentale.
Voglio essere chiaro su ciò che non sto sostenendo. Non sto dicendo che l’intelligenza artificiale non abbia un ruolo nella profumeria. Ha applicazioni ovvie e preziose. Può accelerare il processo di riformulazione quando un cambiamento normativo impone il ritiro di un ingrediente limitato. Può suggerire sostituzioni economiche che preservano il carattere di una composizione riducendone il prezzo. Può analizzare grandi insiemi di dati di feedback dei consumatori e identificare tendenze che un analista umano potrebbe perdere. Può mappare l’immenso spazio multidimensionale delle possibili combinazioni di ingredienti e evidenziare regioni che i profumieri umani non hanno ancora esplorato, in modo simile a come la cromatografia a gas una volta ha decodificato formule che prima erano segreti commerciali. Queste sono funzioni utili. Fanno risparmiare tempo, riducono i costi e ampliano gli strumenti del profumiere. Nessuno serio si oppone a tutto ciò.
Quello che sostengo è che queste sono tutte funzioni di ottimizzazione. Rendono i processi esistenti più efficienti. Non creano. La distinzione tra ottimizzare e creare non è semantica. È la distinzione tra trovare il percorso migliore attraverso un paesaggio noto e scoprire che il paesaggio si estende oltre i suoi confini conosciuti. Il machine learning eccelle nel primo. È strutturalmente incapace del secondo, perché il secondo richiede, per definizione, di andare oltre i dati, e il machine learning è, per definizione, un metodo per estrarre schemi dai dati.
L’entusiasmo dell’industria del profumo per gli strumenti computazionali è comprensibile. L’economia della profumeria moderna è brutale. Il tempo medio di sviluppo di una fragranza commerciale è stato compresso da anni a mesi. I brief sono più stringenti. I budget più piccoli. Il costo del fallimento più alto. In questo ambiente, uno strumento che può ridurre il numero di iterazioni necessarie per raggiungere una formula accettabile è enormemente prezioso. Ma “accettabile” fa un grande lavoro in quella frase. Una formula accettabile è quella che soddisfa il brief, ottiene punteggi adeguati nei test e resta sotto il tetto di costo. Una formula accettabile non è un capolavoro. Non è nemmeno, nella maggior parte dei casi, particolarmente interessante. È adeguata. E l’adeguatezza, su scala industriale, è il nemico dell’arte.
C’è un’ultima considerazione, e potrebbe essere la più inquietante. Più lo sviluppo del profumo si affida a strumenti algoritmici addestrati su dati dei consumatori, più l’output dell’industria convergerà verso una media statistica. Ogni nuova formula ottimizzata dall’IA occuperà, per progettazione, il centro della distribuzione delle preferenze. Nel tempo, il centro stesso si sposterà, ma lentamente, perché l’output dell’algoritmo rafforza le stesse preferenze su cui è stato addestrato. I consumatori esposti ripetutamente a profumi ottimizzati dall’IA svilupperanno preferenze modellate da quei profumi, e quelle preferenze diventeranno a loro volta i dati di addestramento per la generazione successiva di algoritmi. Il risultato è un circolo vizioso: la macchina produce ciò che piace alle persone, le persone imparano a piacere a ciò che la macchina produce, e la macchina produce di più.
Questo non è uno scenario ipotetico. È una descrizione accurata di ciò che è già accaduto in altre industrie creative che hanno adottato sistemi algoritmici di raccomandazione e generazione. Le piattaforme di streaming musicale, i cui algoritmi ottimizzano l’engagement, hanno prodotto una convergenza misurabile nelle caratteristiche sonore della musica popolare: più forte, più breve, più ripetitiva, con il ritornello che arriva prima e la gamma dinamica che si restringe. Le piattaforme social, i cui algoritmi ottimizzano l’attenzione, hanno prodotto una convergenza nelle caratteristiche visive dei contenuti popolari: più saturi, più ritagliati, più emotivamente estremi. L’algoritmo non appiattisce il paesaggio deliberatamente. Lo appiattisce come effetto collaterale dell’ottimizzazione per la media.
La profumeria non è immune a questa dinamica. Se la pipeline di sviluppo dell’industria diventa sempre più dipendente da strumenti IA che ottimizzano per il consenso, il risultato inevitabile è un restringimento del campo olfattivo. Non un restringimento a un solo profumo, il mercato è troppo grande e segmentato per questo, ma un restringimento all’interno di ogni segmento. I maschili freschi convergeranno. Le femminilità dolci convergeranno. Le fragranze ambra oud convergeranno. Ogni categoria diventerà più internamente omogenea, perché l’algoritmo che progetta ogni nuova entrata è addestrato sugli stessi dati che hanno prodotto quelle esistenti. Il campo non si restringerà a un punto. Si restringerà a un cluster.
Se questo sia un problema dipende da cosa si pensa che sia la profumeria. Se è un’industria, un commercio che produce beni di consumo progettati per soddisfare la domanda di mercato, allora l’ottimizzazione è la strategia giusta, e la convergenza un costo accettabile. I consumatori ottengono ciò che vogliono. Le aziende fanno soldi. Nessuno si lamenta.
Ma se la profumeria è anche un’arte, una disciplina creativa il cui scopo va oltre il soddisfare le preferenze esistenti per rivelare nuove possibilità di esperienza olfattiva, allora la convergenza non è un costo. È una catastrofe. Perché l’arte, per qualsiasi definizione che valga la pena difendere, richiede la possibilità della sorpresa. Richiede la possibilità che la prossima composizione sia qualcosa che nessuno ha mai annusato prima, qualcosa che nessun dataset ha previsto, qualcosa che un panel di consumatori avrebbe respinto perché non rientrava in nessuna categoria esistente.
Un algoritmo non può produrre questo. Un profumiere può. Non in modo affidabile, non costantemente, non nei tempi previsti, non nel budget. Ma occasionalmente, in modo imprevedibile, contro ogni logica commerciale, un essere umano seduto a un organo circondato da centinaia di bottiglie marroni combinerà materiali in un modo che nessuna macchina avrebbe suggerito, e il risultato sarà qualcosa di genuinamente nuovo. Qualcosa che sposta il centro invece di occuparlo. Qualcosa che i dati dicevano non avrebbe funzionato.
Questi momenti sono rari. Stanno diventando sempre più rari. E se l’industria non starà attenta, smetteranno del tutto, non perché la tecnologia lo vieti, ma perché l’economia non lascia più spazio per essi. La macchina comporrà. La macchina ottimizzerà. La macchina produrrà profumi perfettamente accettabili, che otterranno buoni punteggi in ogni panel e che non offenderanno nessuno.
Se questo sia profumeria è una domanda a cui la macchina non è attrezzata per rispondere. Dovrà essere un naso a rispondere.
Sette extrait al 20%, una collezione. Il Discovery Set riunisce tutti e sette in 2 ml.
