Da qualche parte in un laboratorio che non assomiglia per nulla allo studio di un profumiere - nessun organo con centinaia di flaconi marroni impilati, nessune mouillette aperte a ventaglio su una scrivania come un pavone di carta, nessun grembiule di pelle macchiato appeso a un gancio dietro la porta - una macchina sta componendo una fragranza. La macchina non sente alcun odore. Non ha un naso. Non ha opinioni sul fatto che il vetiver si abbini bene al pompelmo, né l'istinto per capire se a una composizione serva più slancio nelle note di testa o più calore nel fondo. Ha dei dati. Dispone di circa quattrocentomila formule dell'ultimo secolo, digitalizzate e corredate da punteggi di panel di consumatori, dati sulle vendite, preferenze regionali e descrittori molecolari. Ha un algoritmo addestrato a identificare le correlazioni statistiche tra specifiche combinazioni di ingredienti e specifici risultati presso i consumatori: intenzione d'acquisto, qualità percepita, associazione emotiva, probabilità di riacquisto. E le è stato chiesto di produrre una formula che sia, secondo ogni standard misurabile, ottimale.
11 min di lettura
Ci riuscirà. La formula che produrrà otterrà buoni punteggi nei panel di consumatori. Risulterà positiva in diversi gruppi demografici. Non offenderà nessuno. Non confonderà nessuno. Occuperà una regione confortevole e densamente popolata dello spazio olfattivo, quel tipo di territorio che l'industria chiama "punto ideale commerciale" e che chiunque abbia un naso funzionante definisce "familiare". Agli occhi della maggior parte delle persone che la incontreranno, avrà un odore perfettamente gradevole.
La domanda è se "perfettamente gradevole" sia profumeria.
L'apprendimento automatico su scala industriale nella profumeria
L'applicazione dell'apprendimento automatico allo sviluppo delle fragranze non è speculativa. Sta avvenendo ora, su scala industriale, nei dipartimenti di ricerca delle più grandi aziende mondiali di fragranze e aromi. La tecnologia varia per sofisticazione: alcuni sistemi sono modelli predittivi relativamente semplici che suggeriscono sostituzioni di ingredienti in base a costo e disponibilità; altri sono reti neurali profonde addestrate su decenni di dati proprietari sulle formule, ma la logica di fondo è la stessa in tutti i casi. Si fornisce alla macchina un ampio corpus di formule esistenti abbinate ai dati sulle reazioni dei consumatori. Si lascia che la macchina apprenda le relazioni statistiche tra composizione molecolare e preferenza umana. Poi le si chiede di generare nuove formule che massimizzino la probabilità di ottenere il risultato desiderato presso i consumatori.
Si tratta, in sostanza, di un'analisi di regressione applicata alla profumeria. Non è creazione in nessun senso significativo.
La distinzione conta, ed è necessario essere precisi sul perché. L'analisi di regressione, la tecnica matematica alla base della maggior parte dell'apprendimento automatico, individua la linea di migliore adattamento attraverso una nuvola di punti dati. Identifica la tendenza centrale. Dice dove si trova la media. È enormemente utile per molte applicazioni. Se si vogliono prevedere i prezzi delle case, il comportamento dei consumatori, l'evoluzione delle malattie o i risultati elettorali, sapere dove si trova la media dice moltissimo. Ma la profumeria non è un problema di previsione. È, o almeno è stata storicamente, un problema creativo. E i problemi creativi non si risolvono trovando il centro. Si risolvono trovando il margine.
Ogni fragranza che abbia davvero cambiato l'industria, ogni composizione che, a posteriori, abbia definito un'epoca o aperto una nuova categoria, lo ha fatto deviando dal consenso del proprio tempo. Il primo fougère moderno non era ciò che chiunque si aspettasse dall'odore di una fragranza maschile nel 1882. Il primo grande floreale aldeidico non era ciò che chiunque si aspettasse dall'odore di una fragranza femminile negli anni Venti. Il primo fresco maschile a base di diidromircenolo ed edione non era ciò che chiunque si aspettasse da una fragranza maschile negli anni Ottanta. La prima molecola muschiata dalla sensazione di pelle pulita non era ciò che chiunque si aspettasse da una fragranza nei primi anni Duemila. In ogni caso, la composizione ebbe successo non perché corrispondeva alle preferenze esistenti, ma perché ne creò di nuove. Non trovò il centro. Spostò il centro.
Un algoritmo addestrato sui dati storici non può, per sua stessa costruzione, spostare il centro. Può solo trovarlo. Può trovarlo con precisione chirurgica e generare formule che occupano il punto ideale con un'efficienza che nessun profumiere umano potrebbe eguagliare. Ma occupare il punto ideale non è innovazione. È ottimizzazione. E la storia della profumeria suggerisce che ottimizzazione e innovazione non siano la stessa cosa e possano anzi essere contrapposte.
I profumieri umani come reti neurali biologiche
Esiste una controargomentazione, e merita di essere presa seriamente. È questa: anche i profumieri umani sono, in un certo senso, algoritmi. Sono reti neurali biologiche addestrate su un corpus di dati olfattivi: tutto ciò che hanno annusato, ogni formula che hanno studiato, ogni reazione dei consumatori che hanno osservato nel corso della carriera. Il loro processo creativo non è, come i romantici amano immaginare, un lampo d'ispirazione disceso dalla musa. È riconoscimento di schemi, ricombinazione e perfezionamento iterativo. Il profumiere si siede all'organo, seleziona i materiali sulla base dell'esperienza e dell'intuizione, prepara una formula di prova, la valuta, la modifica e la valuta di nuovo. Il processo è empirico, non mistico. Se una macchina può svolgere le stesse operazioni più rapidamente e in modo più sistematico, che cosa si perde, esattamente?
Si perde l'errore.
Sembra paradossale, quindi lasciatemi essere specifico. I profumieri umani commettono errori. Dosano eccessivamente un ingrediente e scoprono che il sovradosaggio crea un effetto che non avevano intenzione di ottenere e non avrebbero potuto prevedere. Contaminano accidentalmente un lotto di prova e scoprono che il contaminante aggiunge qualcosa di interessante. La storia delle scoperte sintetiche nella profumeria è disseminata di simili felici collisioni. Interpretano male i propri appunti e combinano materiali che non intendevano combinare, ottenendo un risultato migliore di quello pianificato. La storia della profumeria è disseminata di questi incidenti: composizioni che devono il loro carattere non a una progettazione deliberata, ma a una collisione imprevista di materiali che un processo più accurato avrebbe evitato.
Un algoritmo non commette questi errori. Un algoritmo fa esattamente ciò che gli viene detto di fare. Ottimizza la funzione obiettivo. Segue il gradiente. Non si addentra accidentalmente in territori inesplorati, perché non si addentra affatto. Si muove, con precisione matematica, verso l'ottimo. E l'ottimo, così come viene definito dai dati dei panel di consumatori, è sempre il centro. La media. Il consenso.
Il potenziale creativo dell'errore non è un'idea romantica. È un fenomeno ben documentato in ogni campo creativo. Il biologo che scopre la penicillina a causa di una capsula di Petri contaminata. Il fisico che scopre la radiazione cosmica di fondo a microonde a causa di un rumore inspiegato in un'antenna. Il musicista che scopre un nuovo linguaggio armonico perché una corda si rompe durante un'esecuzione e lo costringe a improvvisare. Non sono storie apocrife raccontate per confortare chi è incline agli incidenti. Sono casi documentati di un principio generale: le svolte creative spesso nascono da deviazioni dal piano e i sistemi progettati per eliminare le deviazioni elimineranno, per costruzione, anche la possibilità di una svolta.
I dati dei panel di consumatori e la natura della preferenza
Esiste una seconda obiezione, più filosofica, alla profumeria computazionale, e riguarda la natura stessa della preferenza.
I dati dei panel di consumatori, i dati su cui vengono addestrati questi algoritmi, misurano la preferenza dichiarata. Registrano ciò che le persone dicono di apprezzare quando viene loro chiesto. Ma la preferenza dichiarata e la preferenza reale non sono la stessa cosa. La preferenza dichiarata è conservatrice. Quando viene chiesto di scegliere tra ciò che è familiare e ciò che non lo è, la maggior parte delle persone, nella maggior parte dei contesti, sceglie ciò che è familiare. Non è stupidità. È un bias cognitivo ben documentato, l'effetto della mera esposizione, descritto per la prima volta dallo psicologo Robert Zajonc in un articolo fondamentale del 1968 sul Journal of Personality and Social Psychology, che opera con grande forza nella valutazione olfattiva, dove l'assenza di un vocabolario condiviso rende eccezionalmente difficile per i consumatori articolare il motivo per cui qualcosa piaccia o non piaccia. Di fronte a una fragranza davvero nuova, che non corrisponde ad alcuna categoria esistente, che confonde e incuriosisce in egual misura, un panel di consumatori le assegnerà, il più delle volte, un punteggio basso. Non perché la fragranza sia cattiva, ma perché il panel non dispone degli strumenti per valutarla.
Un algoritmo addestrato sui dati dei panel di consumatori eredita questo conservatorismo. Impara che la novità è rischiosa e la familiarità è sicura. Impara che le fragranze valutate meglio dalle persone sono quelle che assomigliano di più alle fragranze che in precedenza avevano valutato positivamente. Impara, in breve, la lezione più fondamentale della ricerca sui consumatori: alle persone piace ciò che già piace loro. E di conseguenza ottimizza.
Il risultato è una macchina straordinariamente efficace nel produrre ciò che l'industria chiama "scommesse sicure": fragranze che non falliranno, che raggiungeranno un livello minimo di sostenibilità commerciale, che non sorprenderanno, disturberanno o metteranno alla prova nessuno di coloro che le annuseranno. Queste fragranze venderanno. Alcune venderanno molto bene. Ma non cambieranno l'industria, perché cambiare l'industria richiede produrre qualcosa che i panel di consumatori non sanno come valutare. Le composizioni che hanno cambiato la profumeria erano tutte, al momento della loro creazione, delle sorprese. Erano cose che nessuno aveva chiesto, cose che non ottenevano buoni punteggi nei test preliminari, cose che ebbero successo non perché i dati dicessero che lo avrebbero avuto, ma perché una sola persona, un profumiere, un direttore creativo o un imprenditore, credette in loro nonostante i dati.
Un algoritmo non può credere in qualcosa nonostante i dati. Credere nonostante i dati è l'unica cosa che un algoritmo è costituzionalmente incapace di fare. Un algoritmo segue i dati. Questa è la sua virtù e il suo limite. E in un campo in cui le decisioni più importanti sono quelle che contraddicono i dati, in cui l'intera storia del progresso creativo è una storia di persone che ignorano il consenso e dimostrano di avere ragione, questo limite non è secondario. È fondamentale.
Dove l'IA trova posto e dove no
Sia chiaro su ciò che non sto sostenendo. Non sto dicendo che l'intelligenza artificiale non abbia alcun ruolo nella profumeria. Ha applicazioni evidenti e preziose. Può accelerare il processo di riformulazione quando un cambiamento normativo impone la rimozione di un ingrediente soggetto a restrizioni. Può suggerire sostituzioni economicamente vantaggiose che mantengano il carattere di una composizione riducendone al contempo il prezzo. Può analizzare grandi insiemi di dati sul feedback dei consumatori e identificare tendenze che un analista umano potrebbe non cogliere. Può mappare il vasto spazio multidimensionale delle possibili combinazioni di ingredienti e mettere in evidenza regioni che i profumieri umani non hanno ancora esplorato, proprio come la gascromatografia un tempo decodificò formule precedentemente protette dal segreto industriale. Sono funzioni utili. Fanno risparmiare tempo, riducono i costi e ampliano gli strumenti del profumiere. Nessuna persona seria vi si oppone.
Quello che sostengo è che si tratta tutte di funzioni di ottimizzazione. Rendono più efficienti processi già esistenti. Non creano. La distinzione tra ottimizzare e creare non è semantica. È la distinzione tra trovare il percorso migliore attraverso un paesaggio conosciuto e scoprire che il paesaggio si estende oltre i suoi confini noti. L'apprendimento automatico eccelle nella prima attività. È strutturalmente incapace della seconda, perché quest'ultima richiede, per definizione, di andare oltre i dati e l'apprendimento automatico è, per definizione, un metodo per estrarre schemi dai dati.
L'entusiasmo dell'industria delle fragranze per gli strumenti computazionali è comprensibile. L'economia della profumeria moderna è spietata. I tempi medi di sviluppo di una fragranza commerciale si sono ridotti da anni a mesi. I brief sono più rigidi. I budget sono più ridotti. Il costo del fallimento è più alto. In questo contesto, uno strumento capace di ridurre il numero di iterazioni necessarie per arrivare a una formula accettabile ha un valore enorme. Ma in quella frase "accettabile" fa molto lavoro. Una formula accettabile è una formula che rispetta il brief, ottiene risultati adeguati nei test e non supera il limite di costo. Una formula accettabile non è un capolavoro. Nella maggior parte dei casi non è nemmeno particolarmente interessante. È adeguata. E l'adeguatezza, su scala industriale, è nemica dell'arte.
La convergenza verso una media statistica
C'è un'ultima considerazione, forse la più inquietante. Quanto più lo sviluppo delle fragranze si affiderà a strumenti algoritmici addestrati sui dati dei consumatori, tanto più la produzione dell'industria convergerà verso una media statistica. Ogni nuova formula ottimizzata dall'IA occuperà, per sua stessa progettazione, il centro della distribuzione delle preferenze. Nel tempo, il centro stesso si sposterà, ma lo farà lentamente, perché l'output dell'algoritmo rafforza proprio le preferenze sui cui dati è stato addestrato. I consumatori esposti ripetutamente a fragranze ottimizzate dall'IA svilupperanno preferenze modellate da quelle fragranze, e tali preferenze diventeranno a loro volta i dati di addestramento per la generazione successiva di algoritmi. Il risultato è un circuito di feedback: la macchina produce ciò che piace alle persone, le persone imparano ad apprezzare ciò che la macchina produce e la macchina ne produce ancora di più.
Non è uno scenario ipotetico. È una descrizione precisa di ciò che è già accaduto in altri settori creativi che hanno adottato sistemi algoritmici di raccomandazione e generazione. Le piattaforme di streaming musicale, i cui algoritmi ottimizzano il coinvolgimento, hanno prodotto una convergenza misurabile nelle caratteristiche sonore della musica popolare: più forte, più breve, più ripetitiva, con il ritornello che arriva prima e la gamma dinamica che si restringe. Le piattaforme di social media, i cui algoritmi ottimizzano l'attenzione, hanno prodotto una convergenza nelle caratteristiche visive dei contenuti popolari: più saturi, più ritagliati, più estremi sul piano emotivo. L'algoritmo non appiattisce deliberatamente il paesaggio. Lo appiattisce come effetto collaterale dell'ottimizzazione della media.
La profumeria non è immune da questa dinamica. Se la pipeline di sviluppo dell'industria dipenderà sempre più da strumenti di IA che ottimizzano il consenso, il risultato inevitabile sarà un restringimento del campo olfattivo. Non un restringimento a un solo profumo - il mercato è troppo ampio e segmentato perché ciò accada -, ma un restringimento all'interno di ciascun segmento. I freschi maschili convergeranno. I femminili dolci convergeranno. Gli orientali all'oud convergeranno. Ogni categoria diventerà più omogenea al proprio interno, perché l'algoritmo che progetta ogni nuova proposta viene addestrato sugli stessi dati che hanno prodotto le proposte esistenti. Il campo non si ridurrà a un punto. Si ridurrà a un grappolo.
Che questo conti o meno dipende da ciò che si pensa sia la funzione della profumeria. Se è un'industria, un'attività che produce beni di consumo destinati a soddisfare la domanda del mercato, allora l'ottimizzazione è la strategia corretta e la convergenza è un costo accettabile. I consumatori ottengono ciò che vogliono. Le aziende guadagnano. Nessuno si lamenta.
Ma se la profumeria è anche un'arte, una disciplina creativa il cui scopo va oltre la soddisfazione delle preferenze esistenti e consiste nel rivelare nuove possibilità dell'esperienza olfattiva, allora la convergenza non è un costo. È una catastrofe. Perché l'arte, secondo qualunque definizione valga la pena difendere, richiede la possibilità della sorpresa. Richiede la possibilità che la prossima composizione sia qualcosa che nessuno ha mai annusato prima, qualcosa che nessun insieme di dati aveva previsto, qualcosa che un panel di consumatori avrebbe rifiutato perché non rientrava in alcuna categoria esistente.
Un algoritmo non può produrre questo. Un profumiere sì. Non in modo affidabile, non con costanza, non secondo un calendario, non rispettando un budget. Ma occasionalmente, imprevedibilmente, contro ogni logica commerciale, una persona seduta davanti a un organo circondato da centinaia di flaconi marroni combinerà i materiali in un modo che nessuna macchina avrebbe suggerito, e il risultato sarà qualcosa di davvero nuovo. Qualcosa che sposta il centro invece di occuparlo. Qualcosa che i dati dicevano non dovesse funzionare.
Quei momenti sono rari. Stanno diventando sempre più rari. E se l'industria non farà attenzione, smetteranno del tutto di verificarsi, non perché la tecnologia lo impedisca, ma perché l'economia non lascerà più spazio per loro. La macchina comporrà. La macchina ottimizzerà. La macchina produrrà fragranze perfettamente gradevoli, che otterranno buoni punteggi in ogni panel e non offenderanno nessuno.
Che questo conti come profumeria è una domanda alla quale la macchina non è attrezzata per rispondere. Dovrà rispondere un naso.
Sette extrait al 20%, una collezione. Il Discovery Set li contiene tutti e sette in formato da 2 ml.
