En algún lugar de un laboratorio que no se parece en nada al estudio de un perfumista -sin órgano repleto de cientos de frascos marrones, sin tiras olfativas desplegadas sobre un escritorio como un pavo real de papel, sin un delantal de cuero manchado colgado de un gancho detrás de la puerta-, una máquina está componiendo una fragancia. La máquina no huele nada. No tiene nariz. No tiene opinión sobre si el vetiver combina bien con el pomelo, ni instinto para saber si una composición necesita más proyección en la salida o más calidez en el fondo. Tiene datos. Tiene aproximadamente cuatrocientas mil fórmulas del último siglo, digitalizadas y etiquetadas con las puntuaciones de paneles de consumidores, cifras de ventas, preferencias regionales y descriptores moleculares. Tiene un algoritmo entrenado para identificar las correlaciones estadísticas entre combinaciones específicas de ingredientes y resultados concretos en los consumidores: intención de compra, calidad percibida, asociación emocional, probabilidad de recompra. Y se le ha pedido que produzca una fórmula que sea, según cualquier criterio medible, óptima.
11 min de lectura
Lo conseguirá. La fórmula que produzca obtendrá buenos resultados en los paneles de consumidores. Dará resultados positivos en múltiples segmentos demográficos. No ofenderá a nadie. No confundirá a nadie. Ocupará una región cómoda y densamente poblada del espacio olfativo, el tipo de territorio que la industria llama «punto óptimo comercial» y que cualquiera con un olfato funcional llama «familiar». Olerá, a juicio de la mayoría de las personas que se encuentren con ella, perfectamente bien.
La pregunta es si «perfectamente bien» es perfumería.
El aprendizaje automático a escala industrial en la perfumería
La aplicación del aprendizaje automático al desarrollo de fragancias no es especulativa. Está ocurriendo ahora, a escala industrial, en los departamentos de investigación de las mayores empresas de fragancias y aromas del mundo. La tecnología varía en sofisticación: algunos sistemas son modelos predictivos relativamente simples que sugieren sustituciones de ingredientes basadas en el coste y la disponibilidad; otros son redes neuronales profundas entrenadas con décadas de datos patentados sobre fórmulas. Pero la lógica subyacente es la misma en todos los casos. Se alimenta a la máquina con un gran corpus de fórmulas existentes emparejadas con datos de respuesta de los consumidores. Se deja que la máquina aprenda las relaciones estadísticas entre la composición molecular y las preferencias humanas. Después se le pide que genere nuevas fórmulas que maximicen la probabilidad de obtener el resultado deseado en los consumidores.
Esto es, en esencia, un análisis de regresión aplicado a la perfumería. No es creación en ningún sentido significativo.
La distinción importa, y es necesario precisar por qué. El análisis de regresión, la técnica matemática que está en el centro de la mayoría de los sistemas de aprendizaje automático, encuentra la línea que mejor se ajusta a una nube de puntos de datos. Identifica la tendencia central. Te dice dónde está la media. Esto resulta enormemente útil para muchas aplicaciones. Si quieres predecir los precios de las viviendas, el comportamiento de los consumidores, la evolución de una enfermedad o los resultados electorales, saber dónde está la media te dice mucho. Pero la perfumería no es un problema de predicción. Es, o al menos ha sido históricamente, un problema creativo. Y los problemas creativos no se resuelven encontrando el centro. Se resuelven encontrando el borde.
Cada fragancia que ha cambiado realmente la industria, cada composición que, vista en retrospectiva, definió una época o abrió una nueva categoría, lo hizo desviándose del consenso de su tiempo. El primer fougère moderno no olía como nadie esperaba que oliera una fragancia masculina en 1882. El primer gran floral aldehídico no olía como nadie esperaba que oliera una fragancia femenina en la década de 1920. El primer fresco masculino de dihidromircenol y hediona no olía como nadie esperaba que oliera una fragancia masculina en la década de 1980. La primera molécula de almizcle de piel limpia no olía como nadie esperaba que oliera ninguna fragancia a comienzos de la década de 2000. En cada caso, la composición triunfó no porque coincidiera con las preferencias existentes, sino porque creó otras nuevas. No encontró el centro. Movió el centro.
Un algoritmo entrenado con datos históricos no puede, por construcción, mover el centro. Solo puede encontrarlo. Puede encontrarlo con precisión quirúrgica y generar fórmulas que ocupen el punto óptimo con una eficiencia que ningún perfumista humano podría igualar. Pero ocupar el punto óptimo no es innovación. Es optimización. Y la historia de la perfumería sugiere que optimización e innovación no son lo mismo y, de hecho, pueden ser opuestas.
Los perfumistas humanos como redes neuronales biológicas
Existe un contraargumento, y merece ser tomado en serio. El contraargumento es el siguiente: los perfumistas humanos también son, en cierto sentido, algoritmos. Son redes neuronales biológicas entrenadas con un corpus de datos olfativos: todo lo que han olido, cada fórmula que han estudiado, cada respuesta de los consumidores que han observado a lo largo de su carrera. Su proceso creativo no consiste, como les gusta imaginar a los románticos, en un destello de inspiración descendido de las musas. Es reconocimiento de patrones, recombinación y perfeccionamiento iterativo. El perfumista se sienta ante el órgano, selecciona materiales basándose en la experiencia y la intuición, mezcla una fórmula de prueba, la evalúa, la ajusta y vuelve a evaluarla. El proceso es empírico, no místico. Si una máquina puede realizar las mismas operaciones de forma más rápida y sistemática, ¿qué se pierde exactamente?
Lo que se pierde es el error.
Suena paradójico, así que permíteme ser específico. Los perfumistas humanos cometen errores. Sobredosifican un ingrediente y descubren que la sobredosis crea un efecto que no pretendían y no podían haber previsto. Contaminan accidentalmente un lote de prueba y descubren que el contaminante aporta algo interesante. La historia de los avances sintéticos de la perfumería está llena de estas afortunadas colisiones. Interpretan mal sus propias notas y combinan materiales que no pretendían combinar, y el resultado es mejor que lo que habían planeado. La historia de la perfumería está llena de estos accidentes, de composiciones cuyo carácter no se debe a un diseño deliberado, sino a alguna colisión imprevista de materiales que un proceso más cuidadoso habría evitado.
Un algoritmo no comete estos errores. Un algoritmo hace exactamente lo que se le dice que haga. Optimiza la función objetivo. Sigue el gradiente. No se adentra accidentalmente en territorios inexplorados, porque no se desvía en absoluto. Avanza, con precisión matemática, hacia el óptimo. Y el óptimo, tal como lo definen los datos de los paneles de consumidores, siempre es el centro. La media. El consenso.
El potencial creativo del error no es una concepción romántica. Es un fenómeno bien documentado en todos los campos creativos. El biólogo que descubre la penicilina debido a una placa de Petri contaminada. El físico que descubre la radiación cósmica de fondo debido a un ruido inexplicado en una antena. El músico que descubre un nuevo lenguaje armónico porque una cuerda se rompe a mitad de una interpretación y le obliga a improvisar. No son historias apócrifas contadas para consolar a quienes son propensos a los accidentes. Son casos documentados de un principio general: los grandes avances creativos suelen originarse en desviaciones del plan, y los sistemas diseñados para eliminar las desviaciones también eliminarán, por construcción, la posibilidad de un gran avance.
Los datos de los paneles de consumidores y la naturaleza de la preferencia
Existe una segunda objeción, más filosófica, a la perfumería computacional, y tiene que ver con la naturaleza misma de las preferencias.
Los datos de los paneles de consumidores, los datos con los que se entrenan estos algoritmos, miden preferencias declaradas. Registran lo que la gente dice que le gusta cuando se le pregunta. Pero la preferencia declarada y la preferencia real no son lo mismo. La preferencia declarada es conservadora. Cuando se les pide elegir entre lo familiar y lo desconocido, la mayoría de las personas, en la mayoría de los contextos, elige lo familiar. Esto no es estupidez. Es un sesgo cognitivo bien documentado, el efecto de mera exposición, descrito por primera vez por el psicólogo Robert Zajonc en un artículo fundamental de 1968 publicado en el Journal of Personality and Social Psychology, y opera con fuerza en la evaluación olfativa, donde la ausencia de un vocabulario compartido hace excepcionalmente difícil que los consumidores articulen por qué algo les gusta o les disgusta. Ante una fragancia realmente novedosa, que no encaja en ninguna categoría existente, que confunde e intriga a partes iguales, un panel de consumidores le dará, en la mayoría de los casos, una puntuación baja. No porque la fragancia sea mala, sino porque el panel carece del marco necesario para evaluarla.
Un algoritmo entrenado con datos de paneles de consumidores hereda este conservadurismo. Aprende que la novedad es arriesgada y la familiaridad es segura. Aprende que las fragancias que la gente puntúa más alto son las que más se parecen a las fragancias que ya ha puntuado positivamente. Aprende, en resumen, la lección más fundamental de la investigación del consumidor: a la gente le gusta lo que ya le gusta. Y optimiza en consecuencia.
El resultado es una máquina extraordinariamente buena para producir lo que la industria llama «apuestas seguras»: fragancias que no fracasarán, que alcanzarán un nivel mínimo de viabilidad comercial, que no sorprenderán, molestarán ni desafiarán a nadie que las huela. Estas fragancias se venderán. Algunas se venderán muy bien. Pero no cambiarán la industria, porque cambiar la industria exige producir algo que los paneles de consumidores no sepan cómo puntuar. Las composiciones que cambiaron la perfumería fueron todas, en el momento de su creación, sorpresas. Eran cosas que nadie había pedido, cosas que no obtuvieron buenos resultados en las pruebas preliminares, cosas que triunfaron no porque los datos indicaran que lo harían, sino porque una sola persona -un perfumista, un director creativo, un empresario- creyó en ellas a pesar de los datos.
Un algoritmo no puede creer en algo a pesar de los datos. Creer a pesar de los datos es lo único que un algoritmo es constitucionalmente incapaz de hacer. Un algoritmo sigue los datos. Esa es su virtud y su limitación. Y en un campo en el que las decisiones más importantes son las que contradicen los datos, donde toda la historia del progreso creativo es una historia de personas que ignoraron el consenso y demostraron tener razón, esta limitación no es menor. Es fundamental.
Dónde tiene cabida la IA y dónde no
Quiero dejar claro qué no estoy defendiendo. No estoy diciendo que la inteligencia artificial no tenga ningún papel en la perfumería. Tiene aplicaciones evidentes y valiosas. Puede acelerar el proceso de reformulación cuando un cambio normativo obliga a retirar un ingrediente restringido. Puede sugerir sustituciones rentables que mantengan el carácter de una composición y reduzcan su precio. Puede analizar grandes conjuntos de datos de comentarios de consumidores e identificar tendencias que un analista humano podría pasar por alto. Puede cartografiar el vasto espacio multidimensional de las posibles combinaciones de ingredientes y señalar regiones que los perfumistas humanos aún no han explorado, del mismo modo que la cromatografía de gases descifró en su día fórmulas que antes estaban protegidas por el secreto industrial. Son funciones útiles. Ahorran tiempo, reducen costes y amplían las herramientas del perfumista. Nadie serio se opone a ellas.
Lo que sostengo es que todas son funciones de optimización. Hacen más eficientes los procesos existentes. No crean. La distinción entre optimizar y crear no es semántica. Es la distinción entre encontrar la mejor ruta a través de un paisaje conocido y descubrir que el paisaje se extiende más allá de sus fronteras conocidas. El aprendizaje automático sobresale en lo primero. Es estructuralmente incapaz de lo segundo, porque lo segundo exige, por definición, ir más allá de los datos, y el aprendizaje automático es, por definición, un método para extraer patrones de los datos.
El entusiasmo de la industria de las fragancias por las herramientas computacionales es comprensible. La economía de la perfumería moderna es brutal. El plazo medio de desarrollo de una fragancia comercial se ha comprimido de años a meses. Los briefs son más ajustados. Los presupuestos son menores. El coste del fracaso es mayor. En este entorno, una herramienta capaz de reducir el número de iteraciones necesarias para alcanzar una fórmula aceptable tiene un valor enorme. Pero «aceptable» hace mucho trabajo en esa frase. Una fórmula aceptable es la que cumple el brief, obtiene resultados adecuados en las pruebas y no supera el límite de coste. Una fórmula aceptable no es una obra maestra. Ni siquiera es, en la mayoría de los casos, especialmente interesante. Es adecuada. Y la adecuación, a escala industrial, es enemiga del arte.
La convergencia hacia una media estadística
Hay una consideración final, y quizá sea la más preocupante. Cuanto más dependa el desarrollo de fragancias de herramientas algorítmicas entrenadas con datos de consumidores, más convergerá la producción de la industria hacia una media estadística. Cada nueva fórmula optimizada mediante IA ocupará, por diseño, el centro de la distribución de preferencias. Con el tiempo, el propio centro cambiará, pero lo hará lentamente, porque la producción del algoritmo refuerza las preferencias con las que fue entrenado. Los consumidores expuestos repetidamente a fragancias optimizadas mediante IA desarrollarán preferencias moldeadas por esas fragancias, y esas preferencias se convertirán a su vez en los datos de entrenamiento de la siguiente generación de algoritmos. El resultado es un bucle de retroalimentación: la máquina produce lo que le gusta a la gente, la gente aprende a que le guste lo que produce la máquina y la máquina produce más de lo mismo.
No es un escenario hipotético. Es una descripción precisa de lo que ya ha ocurrido en otras industrias creativas que han adoptado sistemas algorítmicos de recomendación y generación. Las plataformas de música en streaming, cuyos algoritmos optimizan la interacción, han producido una convergencia medible en las características sonoras de la música popular: más alta, más corta, más repetitiva, con el estribillo llegando antes y un rango dinámico cada vez más estrecho. Las plataformas de redes sociales, cuyos algoritmos optimizan la atención, han producido una convergencia en las características visuales del contenido popular: más saturado, más recortado, más extremo emocionalmente. El algoritmo no aplana el paisaje deliberadamente. Lo aplana como efecto secundario de optimizar la media.
La perfumería no es inmune a esta dinámica. Si la cadena de desarrollo de la industria depende cada vez más de herramientas de IA que optimizan el consenso, el resultado inevitable será un estrechamiento del campo olfativo. No se reducirá a un único aroma -el mercado es demasiado grande y está demasiado segmentado para eso-, pero sí se estrechará dentro de cada segmento. Los frescos masculinos convergerán. Los dulces femeninos convergerán. Los orientales de oud convergerán. Cada categoría se volverá más homogénea internamente, porque el algoritmo que diseña cada nueva propuesta se entrena con los mismos datos que produjeron las propuestas existentes. El campo no se reducirá a un punto. Se reducirá a un grupo.
Que esto importe o no depende de lo que creas que es la perfumería. Si es una industria, un negocio que produce bienes de consumo diseñados para satisfacer la demanda del mercado, entonces la optimización es la estrategia correcta y la convergencia es un coste aceptable. Los consumidores obtienen lo que quieren. Las empresas ganan dinero. Nadie se queja.
Pero si la perfumería también es un arte, una disciplina creativa cuyo propósito no se limita a satisfacer las preferencias existentes, sino que busca revelar nuevas posibilidades de la experiencia olfativa, entonces la convergencia no es un coste. Es una catástrofe. Porque el arte, según cualquier definición que merezca ser defendida, requiere la posibilidad de la sorpresa. Requiere la posibilidad de que la próxima composición sea algo que nadie haya olido antes, algo que ningún conjunto de datos haya predicho, algo que un panel de consumidores habría rechazado porque no encajaba en ninguna categoría existente.
Un algoritmo no puede producir eso. Un perfumista sí. No de forma fiable, ni constante, ni programada, ni dentro del presupuesto. Pero, ocasionalmente, de forma impredecible y contra toda lógica comercial, un ser humano sentado ante un órgano rodeado de cientos de frascos marrones combinará materiales de una manera que ninguna máquina habría sugerido, y el resultado será algo genuinamente nuevo. Algo que mueva el centro en lugar de ocuparlo. Algo que los datos indicaban que no debería funcionar.
Esos momentos son poco frecuentes. Cada vez lo son más. Y si la industria no tiene cuidado, dejarán de ocurrir por completo, no porque la tecnología los prohíba, sino porque la economía ya no les dejará espacio. La máquina compondrá. La máquina optimizará. La máquina producirá fragancias perfectamente aceptables que obtendrán buenos resultados en todos los paneles y no ofenderán a nadie.
Que eso cuente como perfumería es una pregunta que la máquina no está equipada para responder. Tendrá que responderla una nariz.
Siete extraits al 20 %, una colección. El Discovery Set incluye los siete en formato de 2 ml.
