Ergens in een laboratorium dat totaal niet lijkt op een parfumeurstudio, geen orgel met honderden bruine flesjes, geen geurstrips verspreid op een bureau als een papieren pauw, geen bevlekt leren schort dat aan een haak achter de deur hangt, componeert een machine een parfum. De machine ruikt niets. Het heeft geen neus. Het heeft geen mening over of vetiver goed samengaat met grapefruit, geen instinct of een compositie meer lichtheid bovenin of meer warmte aan de basis nodig heeft. Het heeft data. Het heeft ongeveer vierhonderdduizend formules uit de afgelopen eeuw, gedigitaliseerd en getagd met scores van consumentenpanels, verkoopcijfers, regionale voorkeuren en moleculaire beschrijvingen. Het heeft een algoritme getraind om statistische correlaties te identificeren tussen specifieke ingrediëntencombinaties en specifieke consumentuitkomsten: koopintentie, waargenomen kwaliteit, emotionele associatie, heraankoopkans. En het is gevraagd een formule te produceren die, volgens elke meetbare standaard, optimaal zal zijn.
12 min leestijd
Het zal slagen. De formule die het produceert zal goed scoren in consumentenpanels. Het zal positief testen over meerdere demografische groepen. Het zal niemand beledigen. Het zal niemand verwarren. Het zal een comfortabele, goed bevolkte regio van de olfactorische ruimte innemen, het soort gebied dat de industrie het ‘commerciële zoete punt’ noemt en iedereen met een werkende neus ‘bekend’ noemt. Het zal, volgens de meeste mensen die het ruiken, perfect acceptabel ruiken.
De vraag is of ‘perfect acceptabel’ parfumerie is.
De toepassing van machine learning op parfumontwikkeling is niet speculatief. Het gebeurt nu, op industriële schaal, in de onderzoeksafdelingen van ’s werelds grootste geur- en smaakbedrijven. De technologie varieert in verfijning: sommige systemen zijn relatief eenvoudige voorspellende modellen die ingrediëntvervangingen voorstellen op basis van kosten en beschikbaarheid; andere zijn diepe neurale netwerken getraind op decennia aan propriëtaire formuledata, maar de onderliggende logica is in elk geval hetzelfde. Voer de machine een grote verzameling bestaande formules met consumentreactiegegevens in. Laat de machine de statistische relaties tussen moleculaire samenstelling en menselijke voorkeur leren. Vraag de machine vervolgens nieuwe formules te genereren die de kans op een gewenste consumentuitkomst maximaliseren.
Dit is in wezen regressieanalyse toegepast op parfumerie. Het is niet, in enige betekenisvolle zin, creatie.
Het onderscheid is belangrijk, en het is de moeite waard precies te zijn waarom. Regressieanalyse, de wiskundige techniek die aan de basis ligt van de meeste machine learning, vindt de best passende lijn door een wolk van datapunten. Het identificeert de centrale tendens. Het vertelt je waar het gemiddelde ligt. Dit is enorm nuttig voor veel toepassingen. Als je vastgoedprijzen, consumentengedrag, ziekteverlopen of verkiezingsuitslagen wilt voorspellen, vertelt het gemiddelde je veel. Maar parfumerie is geen voorspellingsprobleem. Het is, of het is dat historisch geweest, een creatief probleem. En creatieve problemen worden niet opgelost door het centrum te vinden. Ze worden opgelost door de marge te vinden.
Elk parfum dat de industrie echt veranderde, elke compositie die achteraf een tijdperk definieerde of een nieuwe categorie opende, deed dat door af te wijken van de consensus van zijn tijd. De eerste moderne fougère was niet wat iemand verwachtte van een mannenparfum in 1882. De eerste grote aldehydische bloemige geur was niet wat iemand verwachtte van een vrouwenparfum in de jaren 1920. De eerste frisse mannelijke geur gebouwd op dihydromyrcenol en hedione was niet wat iemand verwachtte van een mannenparfum in de jaren 1980. De eerste clean-skin musk molecuul was niet wat iemand verwachtte van een parfum in de vroege jaren 2000. In elk geval slaagde de compositie niet omdat het bestaande voorkeuren weerspiegelde, maar omdat het nieuwe voorkeuren creëerde. Het vond het centrum niet. Het verplaatste het centrum.
Een algoritme getraind op historische data kan, per definitie, het centrum niet verplaatsen. Het kan het alleen vinden. Het kan het met chirurgische precisie vinden, en het kan formules genereren die het zoete punt bezetten met een efficiëntie die geen menselijke parfumeur kan evenaren. Maar het bezetten van het zoete punt is geen innovatie. Het is optimalisatie. En de geschiedenis van parfumerie suggereert dat optimalisatie en innovatie niet hetzelfde zijn, en zelfs tegenstrijdig kunnen zijn.
Er is een tegenargument, en dat verdient serieuze overweging. Het tegenargument luidt als volgt: menselijke parfumeurs zijn ook, in zekere zin, algoritmes. Ze zijn biologische neurale netwerken getraind op een corpus van olfactorische data, alles wat ze ooit geroken hebben, elke formule die ze bestudeerd hebben, elke consumentreactie die ze in hun carrière hebben waargenomen. Hun creatieve proces is niet, zoals romantici graag denken, een flits van inspiratie die van de muze neerdaalt. Het is patroonherkenning, recombinatie en iteratieve verfijning. De parfumeur gaat zitten aan het orgel, selecteert materialen op basis van ervaring en intuïtie, mengt een proefformule, evalueert die, past aan, evalueert opnieuw. Het proces is empirisch, niet mystiek. Als een machine dezelfde handelingen sneller en systematischer kan uitvoeren, wat gaat er dan precies verloren?
Wat verloren gaat is fout.
Dit klinkt paradoxaal, dus laten we precies zijn. Menselijke parfumeurs maken fouten. Ze overdoseren een ingrediënt en ontdekken dat de overdosis een effect creëert dat ze niet hadden verwacht en niet hadden kunnen voorspellen. Ze besmetten per ongeluk een proefbatch en ontdekken dat het contaminant iets interessants toevoegt. De geschiedenis van synthetische doorbraken in parfumerie is bezaaid met zulke gelukkige toevalligheden. Ze lezen hun eigen aantekeningen verkeerd en combineren materialen die ze niet hadden bedoeld te combineren, en het resultaat is beter dan gepland. De geschiedenis van parfumerie ligt vol met deze ongelukken, composities die hun karakter niet te danken hebben aan bewuste ontwerpkeuzes maar aan een onvoorziene botsing van materialen die een zorgvuldiger proces had voorkomen.
Een algoritme maakt deze fouten niet. Een algoritme doet precies wat het wordt opgedragen. Het optimaliseert de doelstelling. Het volgt de gradiënt. Het dwaalt niet per ongeluk een onontgonnen gebied binnen, want het dwaalt helemaal niet. Het beweegt met wiskundige precisie naar het optimum. En het optimum, zoals gedefinieerd door consumentpaneldata, is altijd het centrum. Het gemiddelde. De consensus.
Het creatieve potentieel van fout is geen romantische fantasie. Het is een goed gedocumenteerd fenomeen in elk creatief veld. De bioloog die penicilline ontdekt door een besmet petrischaaltje. De natuurkundige die de kosmische achtergrondstraling ontdekt door onverklaarbare ruis in een antenne. De muzikant die een nieuwe harmonische taal ontdekt omdat een snaar tijdens een concert brak en improvisatie afdwong. Dit zijn geen apocriefe verhalen om de onhandigen te troosten. Het zijn gedocumenteerde voorbeelden van een algemeen principe: creatieve doorbraken komen vaak voort uit afwijkingen van het plan, en systemen die afwijkingen elimineren, zullen ook, per definitie, de mogelijkheid van doorbraken elimineren.
Een tweede bezwaar tegen computationele parfumerie, meer filosofisch, betreft de aard van voorkeur zelf.
Consumentenpaneldata, de data waarop deze algoritmes getraind zijn, meet verklaarde voorkeur. Het registreert wat mensen zeggen dat ze leuk vinden als ze ernaar gevraagd worden. Maar verklaarde voorkeur en daadwerkelijke voorkeur zijn niet hetzelfde. Verklaarde voorkeur is conservatief. Wanneer mensen moeten kiezen tussen het bekende en het onbekende, kiezen de meesten, in de meeste contexten, voor het bekende. Dit is geen domheid. Het is een goed gedocumenteerde cognitieve bias, het mere-exposure effect, voor het eerst beschreven door psycholoog Robert Zajonc in een baanbrekend artikel uit 1968 in het Journal of Personality and Social Psychology, en het werkt krachtig in olfactorische evaluatie, waar het ontbreken van een gedeeld vocabulaire het uitzonderlijk moeilijk maakt voor consumenten om uit te leggen waarom ze iets wel of niet leuk vinden. Geconfronteerd met een echt nieuw parfum, een dat in geen enkele bestaande categorie past, dat evenveel verwart als intrigeert, zal een consumentenpanel het vaker laag scoren. Niet omdat het parfum slecht is, maar omdat het panel geen kader heeft om het te beoordelen.
Een algoritme getraind op consumentenpaneldata erft dit conservatisme. Het leert dat nieuwigheid riskant is en vertrouwdheid veilig. Het leert dat de parfums die mensen het hoogst waarderen, de parfums zijn die het meest lijken op parfums die ze al hoog gewaardeerd hebben. Het leert, kortom, de meest fundamentele les van consumentenonderzoek: mensen houden van wat ze al leuk vinden. En het optimaliseert dienovereenkomstig.
Het resultaat is een machine die uitmuntend is in het produceren van wat de industrie ‘veilige keuzes’ noemt, parfums die niet zullen falen, die een minimale commerciële levensvatbaarheid bereiken, die niemand zullen verrassen, storen of uitdagen die ze ruiken. Deze parfums zullen verkopen. Sommige zullen heel goed verkopen. Maar ze zullen de industrie niet veranderen, want de industrie veranderen vereist het produceren van iets dat consumentenpanels niet weten hoe ze moeten beoordelen. De composities die parfumerie veranderden, waren op het moment van hun creatie allemaal verrassingen. Het waren dingen waar niemand om gevraagd had, dingen die slecht scoorden in voorlopige tests, dingen die slaagden niet omdat de data dat voorspelde, maar omdat één persoon, een parfumeur, een creatief directeur, een ondernemer, erin geloofde ondanks de data.
Een algoritme kan nergens in geloven ondanks de data. Geloven ondanks de data is het enige waar een algoritme constitutioneel niet toe in staat is. Een algoritme volgt de data. Dat is zijn deugd en zijn beperking. En in een veld waar de belangrijkste beslissingen die zijn die de data tegenspreken, waar de hele geschiedenis van creatieve vooruitgang een geschiedenis is van mensen die de consensus negeerden en gelijk hadden, is die beperking niet klein. Het is fundamenteel.
Laat me duidelijk zijn over wat ik niet beweer. Ik beweer niet dat kunstmatige intelligentie geen rol heeft in parfumerie. Het heeft duidelijke en waardevolle toepassingen. Het kan het herformuleringsproces versnellen wanneer een regelgevende wijziging de terugtrekking van een beperkt ingrediënt vereist. Het kan kosteneffectieve vervangingen voorstellen die het karakter van een compositie behouden terwijl de prijs daalt. Het kan grote hoeveelheden consumentenfeedback analyseren en trends identificeren die een menselijke analist zou missen. Het kan de enorme multidimensionale ruimte van mogelijke ingrediëntencombinaties in kaart brengen en regio’s aanwijzen die menselijke parfumeurs nog niet hebben verkend, op dezelfde manier waarop gaschromatografie ooit formules ontcijferde die eerder als bedrijfsgeheimen waren afgesloten. Dit zijn nuttige functies. Ze besparen tijd, verlagen kosten en breiden het gereedschap van de parfumeur uit. Niemand met gezond verstand heeft daar bezwaar tegen.
Wat ik betoog is dat dit allemaal optimalisatiefuncties zijn. Ze maken bestaande processen efficiënter. Ze creëren niet. Het onderscheid tussen optimaliseren en creëren is niet semantisch. Het is het verschil tussen het vinden van de beste route door een bekend landschap en het ontdekken dat het landschap verder reikt dan de bekende grenzen. Machine learning blinkt uit in het eerste. Het is structureel niet in staat tot het laatste, omdat het laatste per definitie betekent dat je verder gaat dan de data, en machine learning is per definitie een methode om patronen uit data te halen.
De enthousiasme van de parfumindustrie voor computationele tools is begrijpelijk. De economie van moderne parfumerie is meedogenloos. De gemiddelde ontwikkeltijd voor een commercieel parfum is ingekort van jaren tot maanden. Briefings zijn strakker. Budgetten zijn kleiner. De kosten van falen zijn hoger. In deze omgeving is een hulpmiddel dat het aantal iteraties om tot een acceptabele formule te komen kan verminderen enorm waardevol. Maar ‘acceptabel’ doet in die zin veel werk. Een acceptabele formule voldoet aan de briefing, scoort voldoende in tests en blijft onder het kostenplafond. Een acceptabele formule is geen meesterwerk. Het is meestal niet eens bijzonder interessant. Het is adequaat. En adequaatheid, op industriële schaal, is de vijand van kunst.
Er is een laatste overweging, en die is misschien wel de meest verontrustende. Hoe meer parfumontwikkeling afhankelijk wordt van algoritmische tools getraind op consumentendata, hoe meer de output van de industrie zal convergeren naar een statistisch gemiddelde. Elke nieuwe AI-geoptimaliseerde formule zal, per ontwerp, het centrum van de voorkeurverdeling innemen. In de loop van de tijd zal het centrum zelf verschuiven, maar langzaam, omdat de output van het algoritme de voorkeuren versterkt waarop het getraind is. Consumenten die herhaaldelijk worden blootgesteld aan AI-geoptimaliseerde parfums zullen voorkeuren ontwikkelen die door die parfums gevormd zijn, en die voorkeuren worden op hun beurt de trainingsdata voor de volgende generatie algoritmes. Het resultaat is een feedbacklus: de machine produceert wat mensen leuk vinden, mensen leren leuk te vinden wat de machine produceert, en de machine produceert er meer van.
Dit is geen hypothetisch scenario. Het is een nauwkeurige beschrijving van wat al is gebeurd in andere creatieve industrieën die algoritmische aanbevelings- en generatiesystemen hebben aangenomen. Muziekstreamingplatforms, waarvan de algoritmes optimaliseren voor betrokkenheid, hebben geleid tot een meetbare convergentie in de sonische kenmerken van populaire muziek: luider, korter, repetitiever, met het refrein eerder en het dynamisch bereik smaller. Sociale mediaplatforms, waarvan de algoritmes optimaliseren voor aandacht, hebben geleid tot een convergentie in de visuele kenmerken van populaire content: meer verzadigd, strakker bijgesneden, emotioneler extreem. Het algoritme effent het landschap niet bewust. Het effent het als bijwerking van optimalisatie voor het gemiddelde.
Parfumerie is niet immuun voor deze dynamiek. Als de ontwikkelingspijplijn van de industrie steeds afhankelijker wordt van AI-tools die optimaliseren voor consensus, is het onvermijdelijke resultaat een vernauwing van het olfactorische veld. Niet een vernauwing tot één parfum, de markt is te groot en te gesegmenteerd daarvoor, maar een vernauwing binnen elk segment. Frisse mannelijke geuren zullen convergeren. Zoete vrouwelijke geuren zullen convergeren. Amber-oud parfums zullen convergeren. Elke categorie wordt intern homogener, omdat het algoritme dat elke nieuwe toevoeging ontwerpt getraind is op dezelfde data die de bestaande parfums produceerden. Het veld zal niet versmallen tot een punt. Het zal versmallen tot een cluster.
Of dit uitmaakt hangt af van wat je denkt dat parfumerie is. Als het een industrie is, een handel die consumentengoederen produceert om aan de marktvraag te voldoen, dan is optimalisatie de juiste strategie en is convergentie een acceptabele prijs. Consumenten krijgen wat ze willen. Bedrijven verdienen geld. Niemand klaagt.
Maar als parfumerie ook een kunst is, een creatieve discipline waarvan het doel verder gaat dan het bevredigen van bestaande voorkeuren tot het onthullen van nieuwe mogelijkheden van olfactorische ervaring, dan is convergentie geen prijs. Het is een ramp. Want kunst, volgens elke verdedigbare definitie, vereist de mogelijkheid van verrassing. Het vereist de mogelijkheid dat de volgende compositie iets is wat niemand eerder rook, iets wat geen dataset voorspelde, iets wat een consumentenpanel zou hebben afgewezen omdat het in geen enkele bestaande categorie paste.
Een algoritme kan dat niet produceren. Een parfumeur kan dat wel. Niet betrouwbaar, niet consistent, niet volgens schema, niet binnen budget. Maar af en toe, onvoorspelbaar, tegen alle commerciële logica in, zal een mens die zit aan een orgel omringd door honderden bruine flesjes materialen combineren op een manier die geen machine had voorgesteld, en het resultaat zal iets echt nieuws zijn. Iets dat het centrum verplaatst in plaats van het te bezetten. Iets waarvan de data zei dat het niet zou werken.
Deze momenten zijn zeldzaam. Ze worden zeldzamer. En als de industrie niet oppast, zullen ze helemaal stoppen, niet omdat de technologie het verbiedt, maar omdat de economie er geen ruimte meer voor laat. De machine zal componeren. De machine zal optimaliseren. De machine zal parfums produceren die perfect acceptabel zijn, die goed scoren op elk panel, en die niemand beledigen.
Of dat parfumerie is, is een vraag die de machine niet kan beantwoorden. Het zal een neus moeten zijn die antwoord geeft.
Zeven extraits op 20%, één collectie. De Discovery Set brengt alle zeven samen in 2 ml.
