Quelque part dans un laboratoire qui ne ressemble en rien à l’atelier d’un parfumeur, sans orgue chargé de centaines de flacons bruns, sans touches à sentir déployées sur un bureau comme la queue d’un paon de papier, sans tablier de cuir taché suspendu à un crochet derrière la porte, une machine compose un parfum. La machine ne sent rien. Elle n’a pas de nez. Elle n’a aucune opinion sur l’accord du vétiver avec le pamplemousse, aucun instinct pour déterminer si une composition a besoin de plus d’envolée en tête ou de davantage de chaleur en fond. Elle dispose de données. Environ quatre cent mille formules du siècle dernier, numérisées et étiquetées avec les scores de panels de consommateurs, les chiffres de vente, les préférences régionales et les descripteurs moléculaires. Elle dispose d’un algorithme entraîné à identifier les corrélations statistiques entre certaines associations d’ingrédients et certains résultats auprès des consommateurs : intention d’achat, qualité perçue, association émotionnelle, probabilité de rachat. Et on lui a demandé de produire une formule qui sera, selon tous les critères mesurables, optimale.
11 min de lecture
Elle réussira. La formule qu’elle produira obtiendra de bons résultats auprès des panels de consommateurs. Elle sera évaluée positivement auprès de plusieurs catégories démographiques. Elle n’offensera personne. Elle ne déroutera personne. Elle occupera une zone confortable et très fréquentée de l’espace olfactif, le type de territoire que l’industrie appelle le « point idéal commercial » et que toute personne dotée d’un nez fonctionnel qualifie de « familier ». Elle sentira, de l’avis de la plupart de ceux qui la découvriront, parfaitement bien.
La question est de savoir si « parfaitement bien » relève de la parfumerie.
L’apprentissage automatique à l’échelle industrielle dans la parfumerie
L’application de l’apprentissage automatique au développement des parfums n’est pas spéculative. Elle se déroule aujourd’hui, à l’échelle industrielle, dans les départements de recherche des plus grandes entreprises mondiales de parfums et d’arômes. La technologie varie en sophistication : certains systèmes sont des modèles prédictifs relativement simples qui suggèrent des substitutions d’ingrédients en fonction du coût et de la disponibilité ; d’autres sont des réseaux neuronaux profonds entraînés sur des décennies de données propriétaires de formules. Mais la logique sous-jacente est la même dans tous les cas. Fournissez à la machine un vaste corpus de formules existantes associées à des données de réaction des consommateurs. Laissez-la apprendre les relations statistiques entre composition moléculaire et préférence humaine. Puis demandez-lui de générer de nouvelles formules qui maximisent la probabilité d’un résultat souhaité auprès des consommateurs.
Il s’agit, au fond, d’une analyse de régression appliquée à la parfumerie. Ce n’est pas, au sens véritable du terme, de la création.
La distinction est importante, et il faut être précis sur ses raisons. L’analyse de régression, la technique mathématique au cœur de la plupart des systèmes d’apprentissage automatique, cherche la ligne de meilleur ajustement à travers un nuage de points de données. Elle identifie la tendance centrale. Elle vous indique où se situe la moyenne. C’est extrêmement utile dans de nombreuses applications. Si vous voulez prévoir les prix de l’immobilier, le comportement des consommateurs, l’évolution d’une maladie ou le résultat d’une élection, savoir où se situe la moyenne vous apprend beaucoup. Mais la parfumerie n’est pas un problème de prédiction. C’est, ou du moins cela a historiquement été, un problème créatif. Or les problèmes créatifs ne se résolvent pas en trouvant le centre. Ils se résolvent en trouvant la limite.
Chaque parfum qui a véritablement transformé l’industrie, chaque composition qui, rétrospectivement, a défini une époque ou ouvert une nouvelle catégorie, l’a fait en s’écartant du consensus de son temps. Le premier fougère moderne ne correspondait pas à ce que l’on attendait d’un parfum masculin en 1882. Le premier grand floral aldéhydé ne correspondait pas à ce que l’on attendait d’un parfum féminin dans les années 1920. Le premier masculin frais au dihydromyrcénol et à l’hédione ne correspondait pas à ce que l’on attendait d’un parfum masculin dans les années 1980. La première molécule musquée évoquant la peau propre ne correspondait à ce que l’on attendait d’aucun parfum au début des années 2000. Dans chaque cas, la composition a réussi non pas parce qu’elle correspondait aux préférences existantes, mais parce qu’elle en a créé de nouvelles. Elle n’a pas trouvé le centre. Elle a déplacé le centre.
Par construction, un algorithme entraîné sur des données historiques ne peut pas déplacer le centre. Il ne peut que le trouver. Il peut le trouver avec une précision chirurgicale et générer des formules qui occupent le point idéal avec une efficacité qu’aucun parfumeur humain ne pourrait égaler. Mais occuper le point idéal n’est pas innover. C’est optimiser. Et l’histoire de la parfumerie suggère que l’optimisation et l’innovation ne sont pas la même chose, et pourraient même être opposées.
Les parfumeurs humains comme réseaux neuronaux biologiques
Il existe un contre-argument, qui mérite d’être sérieusement examiné. Le voici : les parfumeurs humains sont eux aussi, dans un certain sens, des algorithmes. Ce sont des réseaux neuronaux biologiques entraînés sur un corpus de données olfactives : tout ce qu’ils ont senti, chaque formule qu’ils ont étudiée, chaque réaction de consommateur qu’ils ont observée au cours de leur carrière. Leur processus créatif n’est pas, comme les romantiques aiment à l’imaginer, un éclair d’inspiration descendu de la muse. C’est de la reconnaissance de formes, de la recombinaison et du perfectionnement itératif. Le parfumeur s’installe devant l’orgue, sélectionne des matières premières en s’appuyant sur son expérience et son intuition, compose une formule d’essai, l’évalue, la modifie, puis l’évalue à nouveau. Le processus est empirique, pas mystique. Si une machine peut effectuer les mêmes opérations plus rapidement et de manière plus systématique, qu’est-ce qui est exactement perdu ?
Ce qui est perdu, c’est l’erreur.
Cela semble paradoxal, alors soyons précis. Les parfumeurs humains commettent des erreurs. Ils surdosent un ingrédient et découvrent que ce surdosage crée un effet qu’ils n’avaient pas prévu et qu’ils n’auraient pas pu prédire. Ils contaminent accidentellement un lot d’essai et constatent que le contaminant lui apporte quelque chose d’intéressant. L’histoire des avancées synthétiques en parfumerie regorge de telles collisions heureuses. Ils interprètent mal leurs propres notes et associent des matières qu’ils ne voulaient pas associer ; le résultat est meilleur que ce qu’ils avaient prévu. L’histoire de la parfumerie est jalonnée de ces accidents, de compositions qui doivent leur caractère non pas à une conception délibérée, mais à une collision imprévue de matières qu’un processus plus soigneux aurait empêchée.
Un algorithme ne commet pas ces erreurs. Un algorithme fait exactement ce qu’on lui demande. Il optimise la fonction objectif. Il suit le gradient. Il ne s’aventure pas accidentellement en territoire inexploré, parce qu’il ne s’aventure nulle part. Il avance, avec une précision mathématique, vers l’optimum. Et l’optimum, tel qu’il est défini par les données des panels de consommateurs, se situe toujours au centre. La moyenne. Le consensus.
Le potentiel créatif de l’erreur n’est pas une construction romantique. C’est un phénomène bien documenté dans tous les domaines créatifs. Le biologiste qui découvre la pénicilline grâce à une boîte de Petri contaminée. Le physicien qui découvre le rayonnement cosmologique de fond à cause d’un bruit inexpliqué dans une antenne. Le musicien qui découvre un nouveau langage harmonique parce qu’une corde s’est cassée en pleine interprétation et l’a contraint à improviser. Ce ne sont pas des histoires apocryphes racontées pour réconforter les maladroits. Ce sont des exemples documentés d’un principe général : les percées créatives prennent souvent naissance dans des écarts par rapport au plan, et les systèmes conçus pour éliminer l’écart élimineront aussi, par construction, la possibilité d’une percée.
Les données des panels de consommateurs et la nature de la préférence
Il existe une deuxième objection, plus philosophique, à la parfumerie computationnelle, qui concerne la nature même de la préférence.
Les données des panels de consommateurs, celles sur lesquelles ces algorithmes sont entraînés, mesurent les préférences déclarées. Elles enregistrent ce que les gens disent aimer lorsqu’on le leur demande. Mais préférence déclarée et préférence réelle ne sont pas la même chose. La préférence déclarée est conservatrice. Lorsqu’on leur demande de choisir entre le familier et l’inconnu, la plupart des gens, dans la plupart des contextes, choisissent le familier. Ce n’est pas de la stupidité. C’est un biais cognitif bien documenté, l’effet de simple exposition, décrit pour la première fois par le psychologue Robert Zajonc dans un article fondateur publié en 1968 dans le Journal of Personality and Social Psychology. Il agit puissamment dans l’évaluation olfactive, où l’absence de vocabulaire commun rend particulièrement difficile pour les consommateurs d’expliquer pourquoi ils aiment ou n’aiment pas quelque chose. Face à un parfum véritablement inédit, qui ne correspond à aucune catégorie existante, qui déroute et intrigue à parts égales, un panel de consommateurs lui attribuera, le plus souvent, une note faible. Non pas parce que le parfum est mauvais, mais parce que le panel ne dispose pas du cadre nécessaire pour l’évaluer.
Un algorithme entraîné sur les données des panels de consommateurs hérite de ce conservatisme. Il apprend que la nouveauté est risquée et que la familiarité est sûre. Il apprend que les parfums les mieux notés sont ceux qui ressemblent le plus à des parfums qu’ils ont déjà bien notés. Il apprend, en somme, la leçon la plus fondamentale des études de consommation : les gens aiment ce qu’ils aiment déjà. Et il optimise en conséquence.
Le résultat est une machine extrêmement douée pour produire ce que l’industrie appelle des « valeurs sûres », des parfums qui n’échoueront pas, qui atteindront un niveau minimal de viabilité commerciale, qui ne surprendront, ne troubleront ni ne mettront au défi quiconque les sentira. Ces parfums se vendront. Certains se vendront très bien. Mais ils ne transformeront pas l’industrie, car transformer l’industrie exige de produire quelque chose que les panels de consommateurs ne savent pas noter. Les compositions qui ont transformé la parfumerie étaient toutes, au moment de leur création, des surprises. C’étaient des choses que personne n’avait demandées, des choses qui n’obtenaient pas de bons résultats lors des tests préliminaires, des choses qui ont réussi non pas parce que les données indiquaient qu’elles réussiraient, mais parce qu’une seule personne, un parfumeur, un directeur de création ou un entrepreneur, a cru en elles malgré les données.
Un algorithme ne peut croire en rien malgré les données. Croire malgré les données est la seule chose qu’un algorithme est constitutionnellement incapable de faire. Un algorithme suit les données. C’est sa force et sa limite. Et dans un domaine où les décisions les plus importantes sont celles qui contredisent les données, où toute l’histoire du progrès créatif est une histoire de personnes qui ignorent le consensus et ont raison, cette limite n’est pas secondaire. Elle est fondamentale.
La place de l’IA et celle qu’elle n’a pas
Je veux être clair sur ce que je ne soutiens pas. Je ne soutiens pas que l’intelligence artificielle n’a aucun rôle à jouer en parfumerie. Elle a des applications évidentes et précieuses. Elle peut accélérer le processus de reformulation lorsqu’une évolution réglementaire impose le retrait d’un ingrédient soumis à restriction. Elle peut suggérer des substitutions économiques qui préservent le caractère d’une composition tout en réduisant son prix. Elle peut analyser de vastes ensembles de retours de consommateurs et identifier des tendances qui pourraient échapper à un analyste humain. Elle peut cartographier l’espace vaste et multidimensionnel des associations d’ingrédients possibles et mettre en évidence des zones que les parfumeurs humains n’ont pas encore explorées, tout comme la chromatographie en phase gazeuse a autrefois décodé des formules auparavant protégées par le secret industriel. Ce sont des fonctions utiles. Elles font gagner du temps, réduisent les coûts et élargissent la boîte à outils du parfumeur. Personne de sérieux ne s’y oppose.
Ce que je soutiens, c’est qu’il s’agit dans tous les cas de fonctions d’optimisation. Elles rendent les processus existants plus efficaces. Elles ne créent pas. La distinction entre optimiser et créer n’est pas sémantique. C’est la distinction entre trouver le meilleur itinéraire dans un paysage connu et découvrir que ce paysage s’étend au-delà de ses frontières connues. L’apprentissage automatique excelle dans le premier cas. Il est structurellement incapable du second, car le second exige, par définition, d’aller au-delà des données, tandis que l’apprentissage automatique est, par définition, une méthode d’extraction de schémas à partir des données.
L’enthousiasme de l’industrie du parfum pour les outils computationnels est compréhensible. L’économie de la parfumerie moderne est impitoyable. Le calendrier moyen de développement d’un parfum commercial est passé de plusieurs années à quelques mois. Les briefs sont plus stricts. Les budgets sont plus réduits. Le coût de l’échec est plus élevé. Dans cet environnement, un outil capable de réduire le nombre d’itérations nécessaires pour parvenir à une formule acceptable est extrêmement précieux. Mais « acceptable » accomplit un travail considérable dans cette phrase. Une formule acceptable est une formule qui répond au brief, obtient des résultats suffisants lors des tests et ne dépasse pas le plafond de coût. Une formule acceptable n’est pas un chef-d’œuvre. Elle n’est même pas, dans la plupart des cas, particulièrement intéressante. Elle est suffisante. Et la suffisance, à l’échelle industrielle, est l’ennemie de l’art.
La convergence vers une moyenne statistique
Il reste un dernier point, peut-être le plus préoccupant. Plus le développement des parfums s’appuie sur des outils algorithmiques entraînés sur des données de consommateurs, plus la production de l’industrie convergera vers une moyenne statistique. Chaque nouvelle formule optimisée par l’IA occupera, par conception, le centre de la distribution des préférences. Au fil du temps, le centre lui-même se déplacera, mais lentement, car les résultats de l’algorithme renforcent les préférences mêmes sur lesquelles il a été entraîné. Les consommateurs régulièrement exposés à des parfums optimisés par l’IA développeront des préférences façonnées par ces parfums, et ces préférences deviendront à leur tour les données d’entraînement de la génération suivante d’algorithmes. Le résultat est une boucle de rétroaction : la machine produit ce que les gens aiment, les gens apprennent à aimer ce que la machine produit, et la machine en produit davantage.
Ce n’est pas un scénario hypothétique. C’est une description précise de ce qui s’est déjà produit dans d’autres industries créatives ayant adopté des systèmes algorithmiques de recommandation et de génération. Les plateformes de streaming musical, dont les algorithmes optimisent l’engagement, ont produit une convergence mesurable des caractéristiques sonores de la musique populaire : plus forte, plus courte, plus répétitive, avec un refrain qui arrive plus tôt et une plage dynamique qui se réduit. Les plateformes de réseaux sociaux, dont les algorithmes optimisent l’attention, ont produit une convergence des caractéristiques visuelles des contenus populaires : plus saturés, davantage recadrés, plus extrêmes sur le plan émotionnel. L’algorithme n’aplanit pas volontairement le paysage. Il l’aplanit comme effet secondaire de l’optimisation de la moyenne.
La parfumerie n’échappe pas à cette dynamique. Si le pipeline de développement de l’industrie devient de plus en plus dépendant d’outils d’IA qui optimisent le consensus, le résultat inévitable sera un rétrécissement du champ olfactif. Pas un rétrécissement jusqu’à un parfum unique, car le marché est trop vaste et trop segmenté pour cela, mais un rétrécissement au sein de chaque segment. Les masculins frais convergeront. Les féminins sucrés convergeront. Les orientaux oud convergeront. Chaque catégorie deviendra plus homogène en interne, car l’algorithme qui conçoit chaque nouvelle référence est entraîné sur les mêmes données que celles qui ont produit les références existantes. Le champ ne se réduira pas à un point. Il se réduira à un amas.
L’importance de ce phénomène dépend de ce que vous pensez être la fonction de la parfumerie. Si c’est une industrie, une activité qui produit des biens de consommation conçus pour répondre à la demande du marché, alors l’optimisation est la bonne stratégie et la convergence est un coût acceptable. Les consommateurs obtiennent ce qu’ils veulent. Les entreprises gagnent de l’argent. Personne ne se plaint.
Mais si la parfumerie est aussi un art, une discipline créative dont la fonction ne se limite pas à satisfaire les préférences existantes, mais consiste aussi à révéler de nouvelles possibilités d’expérience olfactive, alors la convergence n’est pas un coût. C’est une catastrophe. Car l’art, selon toute définition qui vaille la peine d’être défendue, exige la possibilité de la surprise. Il exige la possibilité que la prochaine composition soit quelque chose que personne n’a jamais senti auparavant, quelque chose qu’aucun ensemble de données n’avait prédit, quelque chose qu’un panel de consommateurs aurait rejeté parce que cela ne correspondait à aucune catégorie existante.
Un algorithme ne peut pas produire cela. Un parfumeur le peut. Pas de manière fiable, pas de façon constante, pas selon un calendrier, pas dans les limites d’un budget. Mais parfois, de manière imprévisible, contre toute logique commerciale, un être humain assis devant un orgue entouré de centaines de flacons bruns associera des matières d’une façon qu’aucune machine n’aurait suggérée, et le résultat sera véritablement inédit. Quelque chose qui déplace le centre plutôt que de l’occuper. Quelque chose dont les données disaient que cela ne fonctionnerait pas.
Ces moments sont rares. Ils le deviennent de plus en plus. Et si l’industrie n’y prend pas garde, ils finiront par disparaître complètement, non pas parce que la technologie les interdit, mais parce que l’économie ne leur laissera plus de place. La machine composera. La machine optimisera. La machine produira des parfums parfaitement convenables, qui obtiendront de bons résultats dans tous les panels et n’offenseront personne.
La question de savoir si cela relève de la parfumerie est une question à laquelle la machine n’est pas équipée pour répondre. Il faudra qu’un nez y réponde.
Sept extraits à 20 %, une collection. Le Coffret découverte les réunit tous les sept en 2 ml.
