Irgendwo in einem Labor, das keinerlei Ähnlichkeit mit dem Atelier eines Parfümeurs hat - keine Orgel mit Hunderten brauner Flakons, keine auf einem Schreibtisch wie ein Papierpfau aufgefächerten Duftstreifen, keine fleckige Lederschürze, die hinter der Tür an einem Haken hängt -, komponiert eine Maschine ein Parfum. Die Maschine riecht nach nichts. Sie hat keine Nase. Sie hat keine Meinung dazu, ob Vetiver gut zu Grapefruit passt, und keinen Instinkt dafür, ob einer Komposition im Auftakt mehr Leichtigkeit oder in der Basis mehr Wärme fehlt. Sie hat Daten. Ungefähr vierhunderttausend Formeln aus dem vergangenen Jahrhundert, digitalisiert und mit Bewertungen von Verbraucherpanels, Verkaufszahlen, regionalen Vorlieben und Molekülbeschreibungen versehen. Sie hat einen Algorithmus, der darauf trainiert wurde, statistische Zusammenhänge zwischen bestimmten Kombinationen von Inhaltsstoffen und bestimmten Reaktionen von Verbrauchern zu erkennen: Kaufabsicht, wahrgenommene Qualität, emotionale Assoziation, Wahrscheinlichkeit eines erneuten Kaufs. Und sie wurde aufgefordert, eine Formel zu entwickeln, die nach jedem messbaren Standard optimal sein wird.
12 Min. Lesezeit
Sie wird Erfolg haben. Die von ihr entwickelte Formel wird bei Verbraucherpanels gut abschneiden. Sie wird in mehreren demografischen Gruppen positiv getestet werden. Sie wird niemanden vor den Kopf stoßen. Sie wird niemanden verwirren. Sie wird einen komfortablen, dicht besiedelten Bereich des olfaktorischen Raums einnehmen - genau jenes Terrain, das die Branche den „kommerziellen Sweet Spot“ nennt und jeder Mensch mit funktionierender Nase als „vertraut“ bezeichnet. Nach dem Urteil der meisten Menschen, die ihr begegnen, wird sie vollkommen in Ordnung riechen.
Die Frage ist, ob „vollkommen in Ordnung“ Parfümerie ist.
Die Anwendung von maschinellem Lernen bei der Entwicklung von Parfums ist keine Spekulation. Sie findet bereits jetzt im industriellen Maßstab statt, in den Forschungsabteilungen der größten Duftstoff- und Aromenhersteller der Welt. Der technologische Entwicklungsstand variiert: Manche Systeme sind relativ einfache Prognosemodelle, die auf Grundlage von Kosten und Verfügbarkeit Ersatzstoffe für Inhaltsstoffe vorschlagen; andere sind tiefe neuronale Netze, die mit jahrzehntelangen proprietären Formeldaten trainiert wurden. Doch die zugrunde liegende Logik ist in jedem Fall dieselbe. Man speist die Maschine mit einem großen Korpus bestehender Formeln, die mit Daten zu Reaktionen von Verbrauchern verknüpft sind. Man lässt die Maschine die statistischen Beziehungen zwischen molekularer Zusammensetzung und menschlicher Vorliebe erlernen. Dann bittet man die Maschine, neue Formeln zu erzeugen, die die Wahrscheinlichkeit einer gewünschten Reaktion der Verbraucher maximieren.
Im Wesentlichen handelt es sich dabei um Regressionsanalyse, angewandt auf die Parfümerie. In keinem sinnvollen Sinne ist das Schöpfung.
Der Unterschied ist entscheidend, und es lohnt sich, genau zu sein, warum. Die Regressionsanalyse, die mathematische Technik im Zentrum des maschinellen Lernens, findet die am besten passende Linie durch eine Wolke von Datenpunkten. Sie identifiziert die zentrale Tendenz. Sie sagt Ihnen, wo der Durchschnitt liegt. Das ist für viele Anwendungen außerordentlich nützlich. Wenn Sie Immobilienpreise, Verbraucherverhalten, Krankheitsverläufe oder Wahlergebnisse vorhersagen wollen, verrät Ihnen der Durchschnitt sehr viel. Doch Parfümerie ist kein Prognoseproblem. Sie ist - zumindest war sie das historisch - ein kreatives Problem. Und kreative Probleme werden nicht gelöst, indem man die Mitte findet. Sie werden gelöst, indem man den Rand findet.
Jedes Parfum, das die Branche tatsächlich verändert hat, jede Komposition, die im Rückblick eine Ära definierte oder eine neue Kategorie eröffnete, tat dies, indem sie vom Konsens ihrer Zeit abwich. Das erste moderne Fougère war 1882 nicht das, was irgendjemand von einem Herrenduft erwartete. Das erste große aldehydische Blütenparfum war in den 1920er-Jahren nicht das, was irgendjemand von einem Damenduft erwartete. Das erste frische Herrenparfum auf Basis von Dihydromyrcenol und Hedion war in den 1980er-Jahren nicht das, was irgendjemand von einem Herrenduft erwartete. Das erste saubere Hautmoschus-Molekül war Anfang der 2000er-Jahre nicht das, was irgendjemand von einem Parfum erwartete. In jedem Fall war die Komposition nicht deshalb erfolgreich, weil sie bestehenden Vorlieben entsprach, sondern weil sie neue Vorlieben schuf. Sie fand nicht die Mitte. Sie verschob die Mitte.
Ein auf historischen Daten trainierter Algorithmus kann die Mitte konstruktionsbedingt nicht verschieben. Er kann sie nur finden. Er kann sie mit chirurgischer Präzision finden und Formeln erzeugen, die den Sweet Spot mit einer Effizienz besetzen, die kein menschlicher Parfümeur erreichen könnte. Doch den Sweet Spot zu besetzen ist keine Innovation. Es ist Optimierung. Und die Geschichte der Parfümerie legt nahe, dass Optimierung und Innovation nicht dasselbe sind und sich möglicherweise sogar entgegenstehen.
Es gibt ein Gegenargument, und es verdient ernsthafte Beachtung. Es lautet folgendermaßen: Auch menschliche Parfümeure sind gewissermaßen Algorithmen. Sie sind biologische neuronale Netze, trainiert an einem Korpus olfaktorischer Daten: allem, was sie je gerochen haben, jeder Formel, die sie studiert haben, jeder Reaktion von Verbrauchern, die sie im Laufe ihrer Karriere beobachtet haben. Ihr kreativer Prozess ist nicht, wie Romantiker gern glauben, ein Geistesblitz, der von der Muse herabsteigt. Er besteht aus Mustererkennung, Neukombination und iterativer Verfeinerung. Der Parfümeur setzt sich an die Orgel, wählt aufgrund von Erfahrung und Intuition Materialien aus, mischt eine Versuchsmischung, beurteilt sie, passt sie an und beurteilt sie erneut. Der Prozess ist empirisch, nicht mystisch. Wenn eine Maschine dieselben Vorgänge schneller und systematischer ausführen kann, was genau geht dann verloren?
Verloren geht der Fehler.
Das klingt paradox, also seien wir präzise. Menschliche Parfümeure machen Fehler. Sie überdosieren einen Inhaltsstoff und entdecken, dass die Überdosierung einen Effekt erzeugt, den sie nicht erwartet hatten und nicht hätten vorhersagen können. Sie verunreinigen versehentlich eine Versuchsmischung und entdecken, dass die Verunreinigung etwas Interessantes hinzufügt. Die Geschichte der synthetischen Durchbrüche in der Parfümerie ist von solchen glücklichen Zusammenstößen durchsetzt. Sie lesen ihre eigenen Notizen falsch und kombinieren Materialien, die sie nicht kombinieren wollten, und das Ergebnis ist besser als das, was sie geplant hatten. Die Geschichte der Parfümerie ist übersät mit solchen Zufällen, mit Kompositionen, die ihren Charakter nicht einem bewussten Entwurf verdanken, sondern einem ungeplanten Zusammenprall von Materialien, den ein sorgfältigerer Prozess verhindert hätte.
Ein Algorithmus macht diese Fehler nicht. Ein Algorithmus tut genau das, wozu er angewiesen wurde. Er optimiert die Zielfunktion. Er folgt dem Gradienten. Er gelangt nicht zufällig in unerforschtes Terrain, weil er überhaupt nicht umherirrt. Er bewegt sich mit mathematischer Präzision auf das Optimum zu. Und das Optimum, wie es durch Daten aus Verbraucherpanels definiert wird, ist immer die Mitte. Der Durchschnitt. Der Konsens.
Das kreative Potenzial des Fehlers ist keine romantische Fantasie. Es ist ein gut dokumentiertes Phänomen in jedem kreativen Bereich. Der Biologe, der Penicillin entdeckt, weil eine Petrischale verunreinigt wurde. Der Physiker, der die kosmische Mikrowellenhintergrundstrahlung entdeckt, weil eine Antenne unerklärliches Rauschen empfängt. Der Musiker, der eine neue harmonische Sprache entdeckt, weil während eines Konzerts eine Saite reißt und ihn zu einer Improvisation zwingt. Das sind keine apokryphen Geschichten, die den Ungeschickten Trost spenden sollen. Es handelt sich um dokumentierte Ausprägungen eines allgemeinen Prinzips: Kreative Durchbrüche entstehen oft durch Abweichungen vom Plan, und Systeme, die darauf ausgelegt sind, Abweichungen zu eliminieren, beseitigen konstruktionsbedingt auch die Möglichkeit des Durchbruchs.
Ein zweiter, philosophischerer Einwand gegen die computergestützte Parfümerie betrifft die Natur von Vorlieben selbst.
Daten aus Verbraucherpanels, mit denen diese Algorithmen trainiert werden, messen geäußerte Vorlieben. Sie halten fest, was Menschen sagen, dass sie mögen, wenn man sie danach fragt. Doch geäußerte Vorlieben und tatsächliche Vorlieben sind nicht dasselbe. Geäußerte Vorlieben sind konservativ. Wenn man die meisten Menschen in den meisten Situationen vor die Wahl zwischen dem Vertrauten und dem Unbekannten stellt, wählen sie das Vertraute. Das ist keine Dummheit. Es handelt sich um eine gut dokumentierte kognitive Verzerrung, den Mere-Exposure-Effekt, der erstmals von dem Psychologen Robert Zajonc in einer wegweisenden Arbeit von 1968 im Journal of Personality and Social Psychology beschrieben wurde und bei der olfaktorischen Bewertung besonders stark wirkt, da das Fehlen eines gemeinsamen Vokabulars es Verbrauchern außerordentlich schwer macht, auszudrücken, warum sie etwas mögen oder nicht mögen. Angesichts eines wirklich neuen Parfums, das in keine bestehende Kategorie passt, gleichermaßen verwirrt und fasziniert, wird ein Verbraucherpanel es meist niedrig bewerten. Nicht, weil das Parfum schlecht ist, sondern weil dem Panel der Bezugsrahmen für seine Bewertung fehlt.
Ein auf Daten aus Verbraucherpanels trainierter Algorithmus übernimmt diesen Konservatismus. Er lernt, dass Neuheit riskant und Vertrautheit sicher ist. Er lernt, dass Menschen jene Parfums am höchsten bewerten, die den Parfums am ähnlichsten sind, die sie bereits hoch bewertet haben. Kurz gesagt, lernt er die grundlegendste Lektion der Verbraucherforschung: Menschen mögen, was sie bereits mögen. Und entsprechend optimiert er.
Das Ergebnis ist eine Maschine, die meisterhaft darin ist, das zu produzieren, was die Branche „sichere Wetten“ nennt: Parfums, die nicht scheitern, eine minimale Schwelle kommerzieller Tragfähigkeit erreichen und niemanden überraschen, verstören oder herausfordern, der sie riecht. Diese Parfums werden sich verkaufen. Einige werden sich sehr gut verkaufen. Doch sie werden die Branche nicht verändern, denn eine Veränderung der Branche erfordert etwas, das Verbraucherpanels nicht zu bewerten wissen. Die Kompositionen, die die Parfümerie verändert haben, waren im Moment ihrer Entstehung allesamt Überraschungen. Es waren Dinge, um die niemand gebeten hatte, Dinge, die in Vorabtests schlecht abschnitten, Dinge, die nicht deshalb erfolgreich waren, weil die Daten es vorausgesagt hatten, sondern weil ein einzelner Mensch - ein Parfümeur, ein Kreativdirektor, ein Unternehmer - trotz der Daten an sie glaubte.
Ein Algorithmus kann an nichts glauben, was den Daten widerspricht. Trotz der Daten zu glauben, ist das Einzige, wozu ein Algorithmus von seiner Natur her nicht fähig ist. Ein Algorithmus folgt den Daten. Das ist seine Stärke und seine Einschränkung. Und in einem Bereich, in dem die wichtigsten Entscheidungen jene sind, die den Daten widersprechen, in dem die gesamte Geschichte des kreativen Fortschritts eine Geschichte von Menschen ist, die den Konsens ignorierten und damit recht behielten, ist diese Einschränkung nicht nebensächlich. Sie ist grundlegend.
Um es klar zu sagen: Ich behaupte nicht, dass künstliche Intelligenz in der Parfümerie keine Rolle spielen sollte. Sie hat offensichtliche und wertvolle Anwendungsmöglichkeiten. Sie kann den Prozess der Reformulierung beschleunigen, wenn eine gesetzliche Änderung den Rückzug eines eingeschränkten Inhaltsstoffs erzwingt. Sie kann kostengünstige Ersatzstoffe vorschlagen, die den Charakter einer Komposition bewahren und gleichzeitig ihren Preis senken. Sie kann große Mengen an Feedbackdaten von Verbrauchern analysieren und Trends erkennen, die einem menschlichen Analysten entgehen könnten. Sie kann den riesigen multidimensionalen Raum möglicher Kombinationen von Inhaltsstoffen kartieren und Bereiche hervorheben, die menschliche Parfümeure noch nicht erkundet haben - ganz ähnlich wie die Gaschromatografie einst Formeln entschlüsselte, die zuvor als Geschäftsgeheimnisse unter Verschluss gehalten worden waren. Das sind nützliche Funktionen. Sie sparen Zeit, senken Kosten und erweitern das Werkzeugset des Parfümeurs. Kein ernst zu nehmender Mensch hat etwas gegen all das einzuwenden.
Was ich behaupte, ist, dass dies alles Optimierungsfunktionen sind. Sie machen bestehende Prozesse effizienter. Sie erschaffen nichts. Die Unterscheidung zwischen Optimieren und Erschaffen ist keine semantische. Sie ist die Unterscheidung zwischen dem Finden der besten Route durch eine bekannte Landschaft und der Entdeckung, dass sich die Landschaft über ihre bekannten Grenzen hinaus erstreckt. Maschinelles Lernen ist im ersten Fall hervorragend. Zum Letzteren ist es strukturell nicht fähig, denn Letzteres erfordert per Definition, über die Daten hinauszugehen, während maschinelles Lernen per Definition eine Methode zur Extraktion von Mustern aus Daten ist.
Die Begeisterung der Parfumindustrie für computergestützte Werkzeuge ist verständlich. Die Wirtschaftlichkeit der modernen Parfümerie ist brutal. Die durchschnittliche Entwicklungszeit für einen kommerziellen Duft wurde von Jahren auf Monate verkürzt. Briefings sind strenger. Budgets sind kleiner. Die Kosten eines Scheiterns sind höher. In diesem Umfeld ist ein Werkzeug, das die Zahl der benötigten Iterationen bis zum Erreichen einer akzeptablen Formel reduzieren kann, außerordentlich wertvoll. Doch „akzeptabel“ leistet in diesem Satz viel Arbeit. Eine akzeptable Formel erfüllt das Briefing, schneidet in Tests ausreichend ab und bleibt unter der Kostengrenze. Eine akzeptable Formel ist kein Meisterwerk. Sie ist in den meisten Fällen nicht einmal besonders interessant. Sie ist ausreichend. Und Angemessenheit ist im industriellen Maßstab der Feind der Kunst.
Es gibt noch einen letzten Gesichtspunkt, und er könnte der beunruhigendste sein. Je stärker sich die Entwicklung von Parfums auf algorithmische Werkzeuge stützt, die mit Verbraucherdaten trainiert wurden, desto stärker wird sich der Output der Branche einem statistischen Durchschnitt annähern. Jede neue KI-optimierte Formel wird konstruktionsbedingt die Mitte der Verteilung von Vorlieben einnehmen. Mit der Zeit wird sich auch die Mitte selbst verschieben, allerdings langsam, weil der Output des Algorithmus die Vorlieben verstärkt, anhand derer er trainiert wurde. Verbraucher, die wiederholt KI-optimierten Parfums ausgesetzt sind, werden Vorlieben entwickeln, die von diesen Parfums geprägt sind, und diese Vorlieben werden wiederum zu den Trainingsdaten für die nächste Generation von Algorithmen. Das Ergebnis ist eine Rückkopplungsschleife: Die Maschine produziert, was Menschen mögen, Menschen lernen zu mögen, was die Maschine produziert, und die Maschine produziert noch mehr davon.
Das ist kein hypothetisches Szenario. Es ist eine zutreffende Beschreibung dessen, was bereits in anderen kreativen Branchen geschehen ist, die algorithmische Empfehlungs- und Generierungssysteme eingeführt haben. Musikstreaming-Plattformen, deren Algorithmen auf Interaktion optimieren, haben eine messbare Konvergenz der klanglichen Merkmale populärer Musik hervorgebracht: lauter, kürzer, repetitiver, mit früher einsetzendem Refrain und geringerem Dynamikumfang. Social-Media-Plattformen, deren Algorithmen auf Aufmerksamkeit optimieren, haben eine Konvergenz der visuellen Merkmale populärer Inhalte hervorgebracht: stärker gesättigt, enger beschnitten, emotional extremer. Der Algorithmus macht die Landschaft nicht absichtlich flach. Er flacht sie als Nebeneffekt der Optimierung auf den Durchschnitt ab.
Die Parfümerie ist gegen diese Dynamik nicht immun. Wenn die Entwicklungspipeline der Branche zunehmend von KI-Werkzeugen abhängt, die auf Konsens optimieren, ist eine Verengung des olfaktorischen Feldes das unvermeidliche Ergebnis. Nicht eine Verengung auf ein einziges Parfum - der Markt ist dafür zu groß und zu stark segmentiert -, sondern eine Verengung innerhalb jedes Segments. Frische Herrendüfte werden sich annähern. Süße Damendüfte werden sich annähern. Amber-Oud-Düfte werden sich annähern. Jede Kategorie wird intern homogener werden, weil der Algorithmus, der jeden neuen Eintrag entwirft, mit denselben Daten trainiert wurde, die die bestehenden Einträge hervorgebracht haben. Das Feld wird sich nicht auf einen Punkt verengen. Es wird sich auf einen Cluster verengen.
Ob das von Bedeutung ist, hängt davon ab, wofür Sie die Parfümerie halten. Wenn sie eine Industrie ist, ein Gewerbe, das Konsumgüter herstellt, die auf die Nachfrage des Marktes zugeschnitten sind, dann ist Optimierung die richtige Strategie und Konvergenz ein akzeptabler Preis. Verbraucher bekommen, was sie wollen. Unternehmen verdienen Geld. Niemand beschwert sich.
Doch wenn Parfümerie auch eine Kunst ist, eine kreative Disziplin, deren Zweck über die Befriedigung bestehender Vorlieben hinausgeht und neue Möglichkeiten olfaktorischer Erfahrung sichtbar macht, dann ist Konvergenz kein Preis. Sie ist eine Katastrophe. Denn Kunst erfordert, nach jeder vertretbaren Definition, die Möglichkeit der Überraschung. Sie erfordert die Möglichkeit, dass die nächste Komposition etwas sein wird, das noch niemand zuvor gerochen hat, etwas, das kein Datensatz vorhergesagt hat, etwas, das ein Verbraucherpanel abgelehnt hätte, weil es in keine bestehende Kategorie passte.
Ein Algorithmus kann so etwas nicht hervorbringen. Ein Parfümeur kann es. Nicht zuverlässig, nicht beständig, nicht nach Zeitplan, nicht innerhalb des Budgets. Doch gelegentlich, unvorhersehbar und gegen jede kommerzielle Logik wird ein Mensch, der an einer von Hunderten braunen Flakons umgebenen Orgel sitzt, Materialien auf eine Weise kombinieren, die keine Maschine vorgeschlagen hätte, und das Ergebnis wird etwas wirklich Neues sein. Etwas, das die Mitte verschiebt, anstatt sie zu besetzen. Etwas, von dem die Daten gesagt hatten, dass es nicht funktionieren dürfte.
Diese Momente sind selten. Sie werden seltener. Und wenn die Branche nicht vorsichtig ist, werden sie ganz aufhören stattzufinden - nicht, weil die Technologie sie verbietet, sondern weil die wirtschaftlichen Bedingungen keinen Raum mehr für sie lassen. Die Maschine wird komponieren. Die Maschine wird optimieren. Die Maschine wird Parfums hervorbringen, die vollkommen in Ordnung sind, die in jedem Panel gut abschneiden und die niemanden vor den Kopf stoßen.
Ob das als Parfümerie gilt, ist eine Frage, die die Maschine nicht beantworten kann. Sie wird von einer Nase beantwortet werden müssen.
Sieben Extraits mit 20 %, eine Kollektion. Das Discovery Set vereint alle sieben in 2 ml.
