Ergens in een laboratorium dat totaal niet lijkt op een parfumeurstudio — geen orgel vol met honderden bruine flesjes, geen strookjes die als een papegaaienwaaier op een bureau liggen, geen leren schort met vlekken dat aan een haak achter de deur hangt — stelt een machine een parfum samen. De machine ruikt niets. Ze heeft geen neus. Ze heeft geen mening over de vraag of vetiver goed samengaat met grapefruit, geen instinct of een compositie meer lichtheid in de top of meer warmte in de basis nodig heeft. Ze heeft data. Ze heeft ongeveer vierhonderdduizend formules uit de afgelopen eeuw, gedigitaliseerd en gelabeld met scores van consumentenpanels, verkoopcijfers, regionale voorkeuren en moleculaire beschrijvingen. Ze heeft een algoritme getraind om statistische correlaties te identificeren tussen specifieke combinaties van ingrediënten en specifieke uitkomsten bij de consument — aankoopintentie, waargenomen kwaliteit, emotionele associatie, kans op heraankoop. En ze is gevraagd een formule te produceren die, volgens elke meetbare criterium, optimaal zal zijn.
12 min
Ze zal slagen. De formule die ze produceert zal goede scores halen bij consumentenpanels. Ze zal positief testen over meerdere demografieën. Ze zal niemand beledigen. Ze zal niemand verwarren. Ze zal een comfortabele en dichtbevolkte regio van de geurwereld innemen, het soort gebied dat de industrie het « commerciële evenwichtspunt » noemt en dat iedereen met een functionele neus het « vertrouwde » noemt. Ze zal, volgens het oordeel van de meeste mensen die haar ruiken, perfect lekker ruiken.
De vraag is of « perfect lekker » parfumerie is.
De toepassing van machine learning op de ontwikkeling van parfums is niet speculatief. Het gebeurt nu, op industriële schaal, in de onderzoeksafdelingen van de grootste wereldwijde parfum- en aroma bedrijven. De technologie varieert in verfijning — sommige systemen zijn relatief eenvoudige voorspellende modellen die substituties van ingrediënten voorstellen op basis van kosten en beschikbaarheid; andere zijn diepe neurale netwerken getraind op decennia aan data van eigen formules — maar de onderliggende logica is in alle gevallen hetzelfde. Voer de machine een grote verzameling bestaande formules in, gekoppeld aan data over consumentreacties. Laat de machine de statistische relaties leren tussen moleculaire samenstelling en menselijke voorkeur. Vraag de machine vervolgens nieuwe formules te genereren die de kans op een gewenste uitkomst bij de consument maximaliseren.
Het is in wezen regressieanalyse toegepast op parfumerie. Het is niet, in enige betekenisvolle zin, creatie.
Het onderscheid is belangrijk, en de precisie over de redenen is noodzakelijk. Regressieanalyse, de wiskundige techniek die ten grondslag ligt aan 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. Dat is enorm nuttig voor veel toepassingen. Als je de huizenprijzen, het 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 los je niet op door het centrum te vinden. Je lost ze op door de marge te vinden.
Elke parfum die de industrie echt heeft veranderd, 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 mannelijk parfum in 1882. De eerste grote aldehydische bloemige was niet wat iemand verwachtte van een vrouwelijk parfum in de jaren 1920. De eerste frisse mannelijke met dihydromyrcenol en hedione was niet wat iemand verwachtte van een mannelijk parfum in de jaren 1980. De eerste moleculaire huid-schoon-musk was niet wat iemand verwachtte van welk parfum dan ook begin jaren 2000. In elk geval slaagde de compositie niet omdat hij aansloot bij bestaande voorkeuren, maar omdat hij nieuwe creëerde. Hij vond het centrum niet. Hij 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 evenwichtspunt bezetten met een efficiëntie die geen menselijke parfumeur kan evenaren. Maar het bezetten van het evenwichtspunt is geen innovatie. Het is optimalisatie. En de geschiedenis van parfumerie suggereert dat optimalisatie en innovatie niet hetzelfde zijn, en zelfs tegengesteld kunnen zijn.
Een tegenargument, en het verdient serieuze overweging. Het tegenargument is als volgt: menselijke parfumeurs zijn ook, in zekere zin, algoritmes. Het zijn biologische neurale netwerken getraind op een corpus van geurdata — alles wat ze 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 plotselinge inspiratie van de muze. 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, 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 de fout.
Dat klinkt paradoxaal, dus laten we precies zijn. Menselijke parfumeurs maken fouten. Ze doseren een ingrediënt te hoog en ontdekken dat de overdosis een effect creëert dat ze niet hadden voorzien 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 zit vol met zulke gelukkige toevalligheden. Ze lezen hun eigen notities verkeerd en combineren materialen die ze niet hadden willen combineren, en het resultaat is beter dan gepland. De geschiedenis van parfumerie is bezaaid met zulke ongelukken — composities die hun karakter niet danken aan een bewuste bedoeling maar aan een onverwachte 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 doel-functie. Het volgt de gradiënt. Het waagt zich niet per ongeluk in onontgonnen gebied, want het waagt zich helemaal niet. Het beweegt zich, met wiskundige precisie, naar het optimum. En het optimum, zoals gedefinieerd door consumentenpaneldata, is altijd het centrum. Het gemiddelde. De consensus.
Het creatieve potentieel van de fout is geen romantische fantasie. Het is een goed gedocumenteerd fenomeen in elk creatief domein. De bioloog die penicilline ontdekt door een besmet petrischaaltje. De fysicus die de kosmische achtergrondstraling ontdekt door een onverklaarbare ruis in een antenne. De muzikant die een nieuwe harmonische taal ontdekt omdat een snaar brak tijdens een concert en improvisatie oplegde. Dit zijn geen apocriefe verhalen om onhandigen te troosten. Het zijn gedocumenteerde gevallen van een algemeen principe: creatieve doorbraken komen vaak voort uit afwijkingen van het plan, en systemen die ontworpen zijn om afwijkingen te elimineren, elimineren per definitie ook de mogelijkheid van doorbraken.
Een tweede bezwaar, meer filosofisch, tegen computationele parfumerie, betreft de aard van voorkeur zelf.
De data van consumentenpanels, waarop deze algoritmes getraind zijn, meten de verklaarde voorkeur. Ze registreren wat mensen zeggen leuk te vinden als ze ernaar gevraagd worden. Maar verklaarde voorkeur en werkelijke voorkeur zijn niet hetzelfde. Verklaarde voorkeur is conservatief. Als mensen moeten kiezen tussen het vertrouwde en het onbekende, kiezen de meeste mensen, in de meeste contexten, het vertrouwde. Dat is geen domheid. Het is een goed gedocumenteerde cognitieve bias, het effect van blootstelling, 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 geurbeoordeling, waar het ontbreken van een gedeelde woordenschat het uitzonderlijk moeilijk maakt voor consumenten om uit te leggen waarom ze iets wel of niet leuk vinden. Bij een echt nieuw parfum, dat niet in een bestaande categorie past, dat evenveel verwart als intrigeert, zal een consumentenpanel meestal een lage score geven. Niet omdat het parfum slecht is, maar omdat het panel het kader mist om het te beoordelen.
Een algoritme getraind op consumentenpaneldata erft dit conservatisme. Het leert dat nieuwigheid risicovol is en vertrouwdheid veilig. Het leert dat de parfums die mensen het hoogst waarderen, 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 waarden » noemt — parfums die niet zullen falen, die een minimum aan 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 kunnen beoordelen. De composities die de parfumerie veranderden, waren allemaal, op het moment van hun creatie, verrassingen. Het waren dingen die niemand had gevraagd, dingen die niet goed scoorden in voorlopige tests, dingen die slaagden niet omdat de data zeiden dat ze zouden slagen, 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 domein 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 onbeduidend. Ze is fundamenteel.
Laten we duidelijk zijn over wat ik niet beweer. Ik beweer niet dat kunstmatige intelligentie geen rol heeft in parfumerie. Ze heeft duidelijke en waardevolle toepassingen. Ze kan het proces van herformulering versnellen wanneer een regelgevende wijziging het verwijderen van een beperkt ingrediënt vereist. Ze kan economische substituties voorstellen die het karakter van een compositie behouden terwijl de prijs wordt verlaagd. Ze kan grote datasets van consumentenfeedback analyseren en trends identificeren die een menselijke analist zou missen. Ze kan de enorme multidimensionale ruimte van mogelijke ingrediëntencombinaties in kaart brengen en gebieden belichten die menselijke parfumeurs nog niet hebben verkend, net zoals gaschromatografie ooit formules ontcijferde die voorheen commercieel geheim waren. Dit zijn nuttige functies. Ze besparen tijd, verlagen kosten en breiden de gereedschapskist van de parfumeur uit. Niemand serieus verzet zich daartegen.
Wat ik beweer 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 de beste route vinden door een bekend landschap en ontdekken dat het landschap zich uitstrekt voorbij zijn bekende grenzen. Machine learning blinkt uit in het eerste. Het is structureel niet in staat tot het tweede, omdat het tweede per definitie vereist dat je voorbij de data gaat, en machine learning is per definitie een methode om patronen uit data te halen.
Het enthousiasme van de parfumindustrie voor computationele tools is begrijpelijk. De economie van moderne parfumerie is meedogenloos. De gemiddelde ontwikkeltijd van een commercieel parfum is ingekort van jaren tot maanden. De briefing is strakker. De budgetten kleiner. De kosten van falen hoger. In deze omgeving is een tool die het aantal iteraties om een acceptabele formule te bereiken kan verminderen enorm waardevol. Maar « acceptabel » doet veel werk in die zin. Een acceptabele formule voldoet aan de briefing, haalt een adequate score in tests en overschrijdt het kostenplafond niet. Een acceptabele formule is geen meesterwerk. Het is in de meeste gevallen niet eens bijzonder interessant. Het is adequaat. En adequaatheid is op industriële schaal de vijand van kunst.
Er is nog een laatste overweging, en dat is misschien wel de meest verontrustende. Hoe meer parfumontwikkeling steunt op algoritmische tools getraind op consumentendata, hoe meer de productie van de industrie zal convergeren naar een statistisch gemiddelde. Elke nieuwe door AI geoptimaliseerde formule zal per ontwerp het centrum van de voorkeurenverdeling innemen. In de loop van de tijd zal het centrum zelf verschuiven, maar langzaam, omdat de productie van het algoritme de voorkeuren versterkt waarop het getraind is. Consumenten die herhaaldelijk worden blootgesteld aan door AI geoptimaliseerde parfums zullen voorkeuren ontwikkelen gevormd door die parfums, 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 omarmd. Muziekstreamingplatforms, waarvan de algoritmes optimaliseren voor betrokkenheid, hebben een meetbare convergentie geproduceerd in de geluidskenmerken van populaire muziek — harder, korter, repetitiever, met het refrein eerder en een kleinere dynamische range. Sociale mediaplatforms, waarvan de algoritmes optimaliseren voor aandacht, hebben een convergentie geproduceerd in de visuele kenmerken van populaire content — meer verzadigd, meer bijgesneden, emotioneel extremer. 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 inkrimping van het geurveld. Niet een inkrimping tot één parfum — de markt is te groot en te gesegmenteerd daarvoor — maar een inkrimping binnen elk segment. Frisse mannelijk parfums zullen convergeren. Zoete vrouwelijke parfums zullen convergeren. Oosterse met oud zullen convergeren. Elke categorie wordt intern homogener, omdat het algoritme dat elke nieuwe creatie ontwerpt getraind is op dezelfde data die de bestaande creaties hebben voortgebracht. Het veld krimpt niet tot een punt. Het krimpt tot een aggregaat.
Of dat uitmaakt hangt af van wat je denkt dat parfumerie is. Als het een industrie is, een handel die consumptiegoederen produceert ontworpen om aan marktvraag te voldoen, dan is optimalisatie de juiste strategie, en is convergentie een acceptabele kost. Consumenten krijgen wat ze willen. Bedrijven verdienen geld. Niemand klaagt.
Maar als parfumerie ook een kunst is, een creatieve discipline met een doel dat verder gaat dan het voldoen aan bestaande voorkeuren om nieuwe mogelijkheden van geurbeleving te onthullen, dan is convergentie geen kost. 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 ooit eerder heeft geroken, iets wat geen enkele dataset voorspeld heeft, iets wat een consumentenpanel zou afwijzen omdat het in geen enkele bestaande categorie past.
Een algoritme kan dat niet produceren. Een parfumeur kan dat wel. Niet betrouwbaar, niet consistent, niet op tijd, niet binnen budget. Maar af en toe, onvoorspelbaar, tegen elke commerciële logica in, zal een mens die zit aan een orgel omringd door honderden bruine flesjes materialen combineren op een manier die geen machine zou hebben voorgesteld, en het resultaat zal iets echt nieuws zijn. Iets dat het centrum verplaatst in plaats van het te bezetten. Iets waarvan de data zeiden dat het niet zou werken.
Die momenten zijn zeldzaam. Ze worden zeldzamer. En als de industrie niet oppast, zullen ze helemaal ophouden te gebeuren — 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 goed zijn, die goed scoren in elk panel en niemand beledigen.
Of dat telt als parfumerie is een vraag die de machine niet kan beantwoorden. Dat zal een neus moeten doen.
