Quelque part dans un laboratoire qui ne ressemble en rien au studio d’un parfumeur - pas d’orgue équipé de centaines de flacons bruns, pas de mouillettes déployées sur un bureau comme un paon de papier, pas de tablier en 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 aucun avis sur l’accord du vétiver avec le pamplemousse, aucun instinct pour déterminer si une composition a besoin de plus de légèreté en tête ou de davantage de chaleur en fond. Elle dispose de données. Environ quatre cent mille formules du siècle dernier, numérisées et accompagnées de scores de panels de consommateurs, de chiffres de vente, de préférences régionales et de descripteurs moléculaires. Elle possède un algorithme entraîné à identifier les corrélations statistiques entre des combinaisons précises d’ingrédients et des réactions précises des consommateurs : intention d’achat, qualité perçue, association émotionnelle, probabilité de réachat. Et on lui a demandé de produire une formule qui sera, selon tous les critères mesurables, optimale.
12 min de lecture
Elle réussira. La formule qu’elle produira obtiendra de bons résultats auprès des panels de consommateurs. Elle sera bien accueillie par plusieurs catégories démographiques. Elle n’offensera personne. Elle ne déroutera personne. Elle occupera une région confortable et densément peuplée de l’espace olfactif, le genre de territoire que l’industrie appelle le « sweet spot commercial » et que quiconque possède un nez en état de marche appelle « familier ». Elle sentira, de l’avis de la plupart des personnes qui la découvriront, parfaitement bien.
La question est de savoir si « parfaitement bien » relève de la parfumerie.
L’application de l’apprentissage automatique au développement des parfums n’est pas hypothétique. Elle se déroule en ce moment même, à l’échelle industrielle, dans les départements de recherche des plus grandes entreprises mondiales de parfums et d’arômes. La sophistication de la technologie varie : 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 de formules propriétaires, mais la logique sous-jacente est la même dans tous les cas. Donnez à la machine un vaste corpus de formules existantes associées à des données de réaction des consommateurs. Laissez-la apprendre les relations statistiques entre la composition moléculaire et les préférences humaines. Puis demandez-lui de générer de nouvelles formules qui maximisent la probabilité d’une réaction souhaitée du consommateur.
Il s’agit, en substance, 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 vaut la peine d’être précis sur ses raisons. L’analyse de régression, la technique mathématique au cœur de la plupart des systèmes d’apprentissage automatique, cherche la droite d’ajustement optimal à travers un nuage de points de données. Elle identifie la tendance centrale. Elle indique où se situe la moyenne. C’est extrêmement utile pour de nombreuses applications. Si vous voulez prédire les prix de l’immobilier, le comportement des consommateurs, l’évolution des maladies ou les résultats électoraux, connaître la moyenne vous apprend beaucoup. Mais la parfumerie n’est pas un problème de prédiction. C’est, ou du moins cela a été historiquement, un problème créatif. Or les problèmes créatifs ne se résolvent pas en trouvant le centre. Ils se résolvent en trouvant la marge.
Chaque parfum qui a véritablement changé 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 construit autour du dihydromyrcénol et de l’hédione ne correspondait pas à ce que l’on attendait d’un parfum masculin dans les années 1980. La première molécule musquée peau propre ne correspondait à ce que l’on attendait d’aucun parfum au début des années 2000. Dans chaque cas, la composition a connu le succès non 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.
Un algorithme entraîné sur des données historiques ne peut pas, par construction, déplacer le centre. Il ne peut que le trouver. Il peut le trouver avec une précision chirurgicale et générer des formules qui occupent le sweet spot avec une efficacité qu’aucun parfumeur humain ne pourrait égaler. Mais occuper le sweet spot 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.
Il existe un contre-argument, qui mérite d’être pris au sérieux. Il est le suivant : les parfumeurs humains sont eux aussi, d’une certaine manière, 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, une illumination descendant de la muse. C’est de la reconnaissance de formes, de la recombinaison et du perfectionnement itératif. Le parfumeur s’assied devant l’orgue, sélectionne des matières en fonction de son expérience et de son intuition, compose une formule d’essai, l’évalue, l’ajuste, 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 se perd exactement ?
Ce qui se perd, 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 anticipé et qu’ils n’auraient pas pu prédire. Ils contaminent accidentellement un lot d’essai et découvrent que le contaminant lui apporte quelque chose d’intéressant. L’histoire des percées synthétiques en parfumerie est jalonnée de telles collisions heureuses. Ils interprètent mal leurs propres notes et associent des matières qu’ils n’avaient pas l’intention de combiner, avec un résultat meilleur que ce qu’ils avaient prévu. L’histoire de la parfumerie est remplie 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 rigoureux 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 se dirige avec une précision mathématique vers l’optimum. Et l’optimum, tel qu’il est défini par les données des panels de consommateurs, se trouve toujours au centre. La moyenne. Le consensus.
Le potentiel créatif de l’erreur n’est pas une fantaisie 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 grâce à un bruit inexpliqué dans une antenne. Le musicien qui découvre un nouveau langage harmonique parce qu’une corde s’est cassée en plein concert et l’a contraint à improviser. Ce ne sont pas des histoires apocryphes racontées pour réconforter les maladroits. Ce sont des faits documentés illustrant un principe général : les percées créatives naissent souvent d’écarts par rapport au plan, et les systèmes conçus pour éliminer ces écarts élimineront aussi, par construction, la possibilité de la percée.
Une deuxième objection à la parfumerie computationnelle, plus philosophique, concerne la nature même des préférences.
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, et qui 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 nouveau, qui ne correspond à aucune catégorie existante, qui déroute et intrigue à parts égales, un panel de consommateurs lui attribuera plus souvent qu’autrement une note faible. Non parce que le parfum est mauvais, mais parce que le panel ne dispose d’aucun cadre pour l’évaluer.
Un algorithme entraîné sur les données de 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 aux parfums déjà bien notés. Il apprend, en somme, la leçon la plus fondamentale de la recherche consommateur : 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 « paris sûrs », des parfums qui n’échoueront pas, qui atteindront un seuil minimal de viabilité commerciale, qui ne surprendront, ne dérangeront et ne mettront au défi personne parmi ceux qui les sentiront. Ces parfums se vendront. Certains se vendront très bien. Mais ils ne changeront pas l’industrie, car changer l’industrie exige de produire quelque chose que les panels de consommateurs ne savent pas noter. Les compositions qui ont changé la parfumerie étaient toutes, au moment de leur création, des surprises. C’étaient des choses que personne n’avait demandées, qui avaient obtenu de mauvaises notes lors des tests préliminaires, qui avaient connu le succès non parce que les données l’avaient annoncé, mais parce qu’une seule personne - un parfumeur, un directeur de création, un entrepreneur - avait cru en elles malgré les données.
Un algorithme ne peut croire en rien malgré les données. Croire malgré les données est la seule chose dont un algorithme est constitutionnellement incapable. Un algorithme suit les données. C’est sa vertu et sa limite. Et dans un domaine où les décisions les plus importantes sont celles qui contredisent les données, où toute l’histoire de l’avancée créative est une histoire de personnes ignorant le consensus et ayant raison, cette limite n’est pas secondaire. Elle est fondamentale.
Je tiens à préciser ce que je ne suis pas en train de dire. Je ne dis pas que l’intelligence artificielle n’a aucun rôle à jouer en parfumerie. Ses applications sont évidentes et précieuses. Elle peut accélérer le processus de reformulation lorsqu’une modification réglementaire impose le retrait d’un ingrédient faisant l’objet de restrictions. 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 données issues des retours de consommateurs et repérer des tendances qui pourraient échapper à un analyste humain. Elle peut cartographier le vaste espace multidimensionnel des combinaisons d’ingrédients possibles et mettre en évidence des régions que les parfumeurs humains n’ont pas encore explorées, de la même manière que la chromatographie en phase gazeuse a autrefois décodé des formules jusque-là 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’oppose à cela.
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 à travers un paysage connu et découvrir que le paysage s’étend au-delà de ses frontières connues. L’apprentissage automatique excelle dans le premier cas. Il est structurellement incapable du second, parce que celui-ci 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 a une valeur considérable. Mais « acceptable » accomplit une grande partie du travail dans cette phrase. Une formule acceptable est une formule qui répond au brief, obtient des résultats suffisants lors des tests et reste sous 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 adéquate. Et l’adéquation, à l’échelle industrielle, est l’ennemie de l’art.
Il reste une dernière considération, peut-être la plus inquiétante. 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. Avec le 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 exposés à répétition 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 exacte 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 des refrains qui arrivent plus tôt et une gamme dynamique qui se resserre. Les plateformes de réseaux sociaux, dont les algorithmes optimisent l’attention, ont produit une convergence des caractéristiques visuelles des contenus populaires : plus saturés, cadrés plus serrés, émotionnellement plus extrêmes. 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 processus de développement de l’industrie dépend de plus en plus d’outils d’IA qui optimisent le consensus, le résultat inévitable sera un rétrécissement du champ olfactif. Pas un rétrécissement vers un parfum unique - 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 parfums ambrés et oud convergeront. Chaque catégorie deviendra plus homogène en interne, parce que l’algorithme qui conçoit chaque nouvelle entrée est entraîné sur les mêmes données que celles qui ont produit les précédentes. Le champ ne se réduira pas à un point. Il se réduira à un amas.
L’importance de cette évolution dépend de ce que vous pensez être la finalité de la parfumerie. Si c’est une industrie, un secteur 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 le but dépasse la satisfaction des préférences existantes pour 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 mérite 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, 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, ni constante, ni dans les délais, ni dans le budget. Mais parfois, de façon imprévisible, contre toute logique commerciale, un être humain assis devant un orgue entouré de centaines de flacons bruns combinera des matières d’une manière qu’aucune machine n’aurait suggérée, et le résultat sera véritablement nouveau. Quelque chose qui déplace le centre au lieu de l’occuper. Quelque chose dont les données disaient que cela ne pouvait pas fonctionner.
Ces moments sont rares. Ils le deviennent de plus en plus. Et si l’industrie n’y prend pas garde, ils cesseront complètement de se produire, 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 bien, qui obtiendront de bons résultats auprès de tous les panels et n’offenseront personne.
La question de savoir si cela relève de la parfumerie n’est pas une question que la machine est équipée pour trancher. Il faudra qu’un nez y réponde.
Sept extraits à 20 %, une collection. Le Coffret découverte les réunit tous les sept en 2 ml.
