En algún lugar de un laboratorio que no se parece en nada al estudio de un perfumista -sin órgano equipado con 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 un perfume. 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 ligereza 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 correlaciones estadísticas entre combinaciones específicas de ingredientes y resultados específicos 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 todos los estándares medibles, óptima.
12 min de lectura
Tendrá éxito. La fórmula que produzca obtendrá buenos resultados en los paneles de consumidores. Dará resultados positivos en varios grupos 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 el «punto óptimo comercial» y cualquiera con una nariz funcional llama «familiar». Olerá, a juicio de la mayoría de las personas que entren en contacto con ella, perfectamente bien.
La cuestión es si «perfectamente bien» es perfumería.
La aplicación del aprendizaje automático al desarrollo de perfumes no es especulativa. Está ocurriendo ahora mismo, a escala industrial, en las divisiones de investigación de las mayores empresas de fragancias y sabores del mundo. La tecnología varía en sofisticación: algunos sistemas son modelos predictivos relativamente sencillos que sugieren sustituciones de ingredientes basándose 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 introduce en la máquina 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 vale la pena ser precisos sobre el motivo. El análisis de regresión, la técnica matemática 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 se sitúa la media. Esto resulta enormemente útil para muchas aplicaciones. Si quieres predecir precios inmobiliarios, comportamiento de los consumidores, evolución de enfermedades o resultados electorales, conocer la media te dice mucho. Pero la perfumería no es un problema de predicción. Es, o al menos lo ha sido históricamente, un problema creativo. Y los problemas creativos no se resuelven encontrando el centro. Se resuelven encontrando el margen.
Todos los perfumes que realmente cambiaron la industria, todas las composiciones que, en retrospectiva, definieron una época o abrieron una nueva categoría, lo hicieron desviándose del consenso de su tiempo. La primera fougère moderna no era lo que nadie esperaba de una fragancia masculina en 1882. La primera gran floral aldehídica no era lo que nadie esperaba de una fragancia femenina en la década de 1920. El primer gran perfume masculino fresco construido sobre dihidromircenol y hediona no era lo que nadie esperaba de una fragancia masculina en la década de 1980. La primera molécula almizclada de piel limpia no era lo que nadie esperaba de ningún perfume a principios de los años 2000. En todos los casos, 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.
Existe un contraargumento, y merece una consideración seria. 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 la musa. 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 con mayor rapidez y de forma más sistemática, ¿qué se pierde exactamente?
Lo que se pierde es el error.
Esto parece paradójico, así que seamos precisos. Los perfumistas humanos cometen errores. Sobredosifican un ingrediente y descubren que el exceso crea un efecto que no habían previsto ni podían haber predicho. Contaminan accidentalmente un lote de prueba y descubren que el contaminante aporta algo interesante. La historia de los avances sintéticos en perfumería está salpicada de estas felices colisiones. Interpretan mal sus propias notas y combinan materiales que no tenían intención de combinar, y el resultado es mejor que lo que habían planeado. La historia de la perfumería está plagada de estos accidentes, composiciones cuyo carácter no se debe a un diseño deliberado, sino a una colisión imprevista de materiales que un proceso más cuidadoso habría evitado.
Un algoritmo no comete estos errores. Un algoritmo hace exactamente aquello para lo que ha sido programado. Optimiza la función objetivo. Sigue el gradiente. No se adentra accidentalmente en un territorio inexplorado, 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 fantasía romántica. Es un fenómeno bien documentado en todos los campos creativos. El biólogo que descubre la penicilina por una placa de Petri contaminada. El físico que descubre la radiación cósmica de fondo por un ruido inexplicado en una antena. El músico que descubre un nuevo lenguaje armónico porque se rompe una cuerda a mitad de un concierto y le obliga a improvisar. No son historias apócrifas contadas para consolar a los torpes. Son casos documentados de un principio general: los avances creativos suelen surgir de desviaciones respecto al plan, y los sistemas diseñados para eliminar las desviaciones también eliminarán, por construcción, la posibilidad del avance.
Una segunda objeción a la perfumería computacional, más filosófica, 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 la preferencia declarada. 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. 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 un perfume verdaderamente nuevo, uno que no encaja en ninguna categoría existente, que confunde e intriga a partes iguales, un panel de consumidores lo puntuará, con más frecuencia que no, bajo. No porque el perfume sea malo, sino porque el panel no tiene un marco para evaluarlo.
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 los perfumes que la gente puntúa más alto son los que más se parecen a los perfumes que ya ha puntuado alto. Aprende, en resumen, la lección más fundamental de la investigación de consumidores: a la gente le gusta lo que ya le gusta. Y optimiza en consecuencia.
El resultado es una máquina extraordinariamente hábil para producir lo que la industria llama «apuestas seguras»: perfumes que no fracasarán, que alcanzarán un umbral mínimo de viabilidad comercial, que no sorprenderán, molestarán ni desafiarán a nadie que los huela. Estos perfumes se venderán. Algunos se venderán muy bien. Pero no cambiarán la industria, porque cambiar la industria requiere producir algo que los paneles de consumidores no sepan cómo puntuar. Las composiciones que cambiaron la perfumería fueron, en el momento de su creación, todas sorpresas. Eran cosas que nadie había pedido, cosas que obtuvieron malos resultados en las pruebas preliminares, cosas que triunfaron no porque los datos dijeran que lo harían, sino porque una sola persona, un perfumista, un director creativo o un empresario creyó en ellas a pesar de los datos.
Un algoritmo no puede creer en nada 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 donde 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 acertaron, esa limitación no es menor. Es fundamental.
Quiero dejar claro lo que no estoy argumentando. No sostengo 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 conserven el carácter de una composición mientras reducen 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, de manera muy similar a como la cromatografía de gases descifró en su día fórmulas que antes estaban protegidas como secretos comerciales. Son funciones útiles. Ahorran tiempo, reducen costes y amplían las herramientas del perfumista. Ninguna persona seria se opone a nada de eso.
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 requiere, 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 del perfume 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 estrictos. Los presupuestos son más reducidos. El coste del fracaso es mayor. En este entorno, una herramienta que pueda 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 se mantiene por debajo del 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.
Hay una última consideración, y quizá sea la más inquietante. Cuanto más dependa el desarrollo de perfumes 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 lentamente, porque la producción del algoritmo refuerza las preferencias con las que fue entrenado. Los consumidores expuestos repetidamente a perfumes optimizados mediante IA desarrollarán preferencias moldeadas por esos perfumes, 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 apreciar lo que produce la máquina y la máquina produce más de ello.
No es un escenario hipotético. Es una descripción exacta de lo que ya ha ocurrido en otras industrias creativas que adoptaron 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 y más repetitiva, con el estribillo llegando antes y un rango dinámico 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, con encuadres más cerrados y emocionalmente más extremo. El algoritmo no aplana el paisaje de forma deliberada. Lo aplana como efecto secundario de optimizar la media.
La perfumería no es inmune a esta dinámica. Si el proceso de desarrollo de la industria depende cada vez más de herramientas de IA que optimizan el consenso, el resultado inevitable es un estrechamiento del campo olfativo. No se estrechará hasta llegar a un único perfume, el mercado es demasiado grande y está demasiado segmentado para eso, sino dentro de cada segmento. Los perfumes masculinos frescos convergerán. Las fragancias femeninas dulces convergerán. Las fragancias de ámbar y oud convergerán. Cada categoría se volverá más homogénea internamente, porque el algoritmo que diseñe cada nueva incorporación estará entrenado con los mismos datos que produjeron las existentes. El campo no se estrechará hasta un punto. Se estrechará hasta formar un grupo.
Que esto importe o no depende de lo que creas que es la perfumería. Si es una industria, un sector que produce bienes de consumo diseñados para satisfacer la demanda del mercado, entonces la optimización es la estrategia adecuada 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 va más allá de satisfacer las preferencias existentes para 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 la pena defender, 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 según un calendario, ni dentro de un presupuesto. Pero, ocasionalmente, de manera impredecible y contra toda lógica comercial, un ser humano sentado ante un órgano rodeado de cientos de frascos marrones combinará materiales de una forma que ninguna máquina habría sugerido, y el resultado será algo verdaderamente nuevo. Algo que mueva el centro en lugar de ocuparlo. Algo que los datos decían que no debía funcionar.
Estos momentos son poco frecuentes. Cada vez lo son más. Y si la industria no tiene cuidado, dejarán de suceder por completo, no porque la tecnología los prohíba, sino porque la economía ya no dejará espacio para ellos. La máquina compondrá. La máquina optimizará. La máquina producirá perfumes perfectamente aceptables, que obtendrán buenos resultados en todos los paneles y que no ofenderán a nadie.
Que eso cuente como perfumería es una pregunta que la máquina no está equipada para resolver. Tendrá que responderla una nariz.
Siete extraits al 20 %, una colección. El Discovery Set reúne los siete en 2 ml.
