Da qualche parte in un laboratorio che non assomiglia per nulla allo studio di un profumiere, senza alcun organo dotato di centinaia di boccette marroni, senza mouillettes disposte a ventaglio su una scrivania come un pavone di carta, senza un grembiule di pelle macchiato appeso a un gancio dietro la porta, una macchina sta componendo un profumo. La macchina non sente alcun odore. Non ha naso. Non ha opinioni sul fatto che il vetiver si abbini bene al pompelmo, né l'istinto per capire se una composizione abbia bisogno di maggiore luminosità in testa o di più calore alla base. Ha dei dati. Dispone di circa quattrocentomila formule dell'ultimo secolo, digitalizzate e corredate dei punteggi dei panel di consumatori, dei dati sulle vendite, delle preferenze regionali e dei descrittori molecolari. Ha un algoritmo addestrato a individuare correlazioni statistiche tra specifiche combinazioni di ingredienti e specifici esiti presso i consumatori: intenzione d'acquisto, qualità percepita, associazione emotiva, probabilità di riacquisto. E gli è stato chiesto di produrre una formula che sia, secondo ogni standard misurabile, ottimale.
12 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 comoda e densamente popolata dello spazio olfattivo, quel territorio che l'industria chiama «sweet spot commerciale» e che chiunque abbia un naso funzionante definisce «familiare». Avrà un odore, secondo il giudizio della maggior parte delle persone che la incontreranno, perfettamente accettabile.
La domanda è se «perfettamente accettabile» sia profumeria.
L'applicazione del machine learning allo sviluppo dei profumi non è speculativa. Sta accadendo proprio ora, su scala industriale, nelle divisioni di ricerca delle più grandi aziende mondiali di fragranze e aromi. Il livello di sofisticazione della tecnologia varia: 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 ogni caso. Si fornisce alla macchina un vasto 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 si chiede alla macchina di generare nuove formule che massimizzino la probabilità di ottenere il risultato desiderato presso i consumatori.
In sostanza, è un'analisi di regressione applicata alla profumeria. Non è, in alcun senso significativo, creazione.
La distinzione conta, ed è bene essere precisi sul perché. L'analisi di regressione, la tecnica matematica alla base della maggior parte del machine learning, trova la linea di miglior adattamento attraverso una nuvola di punti dati. Identifica la tendenza centrale. Dice dove si trova la media. È enormemente utile per molte applicazioni. Se vuoi prevedere i prezzi immobiliari, il comportamento dei consumatori, l'evoluzione delle malattie o i risultati elettorali, conoscere la media ti 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 profumo che abbia davvero cambiato l'industria, ogni composizione che, a posteriori, abbia definito un'epoca o aperto una nuova categoria, lo ha fatto discostandosi dal consenso del proprio tempo. Il primo fougère moderno non era ciò che ci si aspettava da una fragranza maschile nel 1882. Il primo grande floreale aldeidico non era ciò che ci si aspettava da una fragranza femminile negli anni Venti. Il primo grande maschile fresco costruito su diidromircenolo ed Hedione non era ciò che ci si aspettava da una fragranza maschile negli anni Ottanta. La prima molecola muschiata effetto pelle pulita non era ciò che ci si aspettava da alcun profumo nei primi anni Duemila. In ogni caso, la composizione ebbe successo non perché corrispondeva alle preferenze esistenti, ma perché ne creava di nuove. Non trovò il centro. Spostò il centro.
Un algoritmo addestrato su dati storici non può, per costruzione, spostare il centro. Può solo trovarlo. Può trovarlo con precisione chirurgica e generare formule che occupano lo sweet spot con un'efficienza che nessun profumiere umano potrebbe eguagliare. Ma occupare lo sweet spot 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.
Esiste un'argomentazione contraria, e merita di essere presa sul serio. È la seguente: 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 loro carriera. Il loro processo creativo non è, come amano immaginare i romantici, un lampo d'ispirazione disceso dalla musa. È riconoscimento di schemi, ricombinazione e perfezionamento iterativo. Il profumiere si siede davanti a l'organo, seleziona i materiali in base all'esperienza e all'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 eseguire le stesse operazioni più rapidamente e in modo più sistematico, che cosa si perde esattamente?
Si perde l'errore.
Sembra paradossale, quindi cerchiamo di essere precisi. I profumieri umani commettono errori. Sovradosano un ingrediente e scoprono che il sovradosaggio crea un effetto che non avevano previsto e non avrebbero potuto prevedere. Contaminano accidentalmente un lotto di prova e scoprono che il contaminante aggiunge qualcosa di interessante. La storia delle svolte sintetiche nella profumeria è disseminata di simili felici collisioni. Interpretano male i propri appunti e combinano materiali che non intendevano combinare, e il risultato è migliore di quello che avevano pianificato. La storia della profumeria è piena di questi incidenti, di composizioni che devono il proprio carattere non a una progettazione deliberata, ma a una collisione imprevista di materiali che un processo più accurato avrebbe impedito.
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 inoltra accidentalmente in territori inesplorati, perché non si inoltra 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 una fantasia romantica. È un fenomeno ben documentato in ogni campo creativo. Il biologo che scopre la penicillina grazie a una capsula di Petri contaminata. Il fisico che scopre la radiazione cosmica di fondo a causa di un rumore inspiegato in un'antenna. Il musicista che scopre un nuovo linguaggio armonico perché una corda si spezza durante un concerto e lo costringe a improvvisare. Non sono storie apocrife raccontate per confortare chi è maldestro. Sono episodi documentati che illustrano 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 della svolta.
Una seconda obiezione alla profumeria computazionale, di natura più filosofica, 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 glielo si chiede. Ma la preferenza dichiarata e la preferenza reale non sono la stessa cosa. La preferenza dichiarata è conservatrice. Quando viene chiesto di scegliere tra il familiare e l'ignoto, la maggior parte delle persone, nella maggior parte dei contesti, sceglie il 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 fondamentale articolo del 1968 pubblicato 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 un profumo davvero nuovo, che non rientra in alcuna categoria esistente, che confonde e incuriosisce in egual misura, un panel di consumatori lo valuterà, il più delle volte, negativamente. Non perché il profumo sia cattivo, ma perché il panel non dispone di una struttura per valutarlo.
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 i profumi valutati più positivamente sono quelli che assomigliano maggiormente ai profumi già valutati 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 abile nel produrre quelli che l'industria chiama «scommesse sicure»: profumi destinati a non fallire, a raggiungere una soglia minima di redditività commerciale, a non sorprendere, disturbare o mettere in discussione nulla per chiunque li annusi. Questi profumi venderanno. Alcuni venderanno molto bene. Ma non cambieranno l'industria, perché cambiare l'industria richiede produrre qualcosa che i panel di consumatori non sappiano come valutare. Le composizioni che hanno cambiato la profumeria erano, nel momento della loro creazione, tutte delle sorprese. Erano cose che nessuno aveva richiesto, che avevano ottenuto punteggi bassi nei test preliminari, che avevano avuto successo non perché i dati lo prevedessero, ma perché una singola persona, un profumiere, un direttore creativo o un imprenditore, aveva creduto in loro nonostante i dati.
Un algoritmo non può credere in qualcosa nonostante i dati. Credere nonostante i dati è l'unica cosa di cui un algoritmo sia costituzionalmente incapace. 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 la storia di persone che hanno ignorato il consenso e avevano ragione, quel limite non è secondario. È fondamentale.
Sia chiaro su ciò che non sto sostenendo. Non sostengo 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 il ritiro di un ingrediente soggetto a restrizioni. Può suggerire sostituzioni convenienti che preservino il carattere di una composizione riducendone il prezzo. Può analizzare grandi insiemi di dati sul feedback dei consumatori e individuare 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 aveva un tempo decodificato formule precedentemente custodite come segreti commerciali. Sono funzioni utili. Fanno risparmiare tempo, riducono i costi e ampliano gli strumenti a disposizione del profumiere. Nessuna persona seria si oppone a tutto questo.
Quello che sostengo è che si tratta, in ogni caso, di funzioni di ottimizzazione. Rendono più efficienti processi 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. Il machine learning eccelle nella prima attività. È strutturalmente incapace della seconda, perché quest'ultima richiede, per definizione, di andare oltre i dati, mentre il machine learning è, per definizione, un metodo per estrarre schemi dai dati.
L'entusiasmo dell'industria dei profumi per gli strumenti computazionali è comprensibile. L'economia della profumeria moderna è spietata. I tempi medi di sviluppo di una fragranza commerciale sono stati compressi da anni a mesi. I brief sono più stringenti. 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 «accettabile» svolge un ruolo importante in questa frase. Una formula accettabile è una formula che soddisfa il brief, ottiene risultati adeguati nei test e resta al di sotto del tetto 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.
C'è un'ultima considerazione, e potrebbe essere la più inquietante. Quanto più lo sviluppo dei profumi si affida 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 costruzione, il centro della distribuzione delle preferenze. Nel tempo, il centro stesso si sposterà, ma lentamente, perché l'output dell'algoritmo rafforza proprio le preferenze sui cui dati è stato addestrato. I consumatori esposti ripetutamente a profumi ottimizzati dall'IA svilupperanno preferenze plasmate da quei profumi, e tali preferenze diventeranno a loro volta i dati di addestramento per la generazione successiva di algoritmi. Il risultato è un circuito di retroazione: 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 accurata 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 una gamma dinamica sempre più ristretta. Le piattaforme di social media, i cui algoritmi ottimizzano l'attenzione, hanno prodotto una convergenza nelle caratteristiche visive dei contenuti popolari: colori più saturi, inquadrature più ravvicinate, maggiore intensità emotiva. 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 diventerà sempre più dipendente da strumenti di IA che ottimizzano il consenso, il risultato inevitabile sarà un restringimento del campo olfattivo. Non un restringimento a un singolo profumo - il mercato è troppo ampio e segmentato perché ciò accada - ma un restringimento all'interno di ciascun segmento. I maschili freschi convergeranno. Le fragranze femminili dolci convergeranno. I profumi ambrati e oud convergeranno. Ogni categoria diventerà più omogenea al proprio interno, perché l'algoritmo che progetta ogni nuovo ingresso è addestrato sugli stessi dati che hanno prodotto quelli esistenti. Il campo non si restringerà fino a un punto. Si restringerà fino a un gruppo.
Che questo importi o meno dipende da ciò che pensi sia la profumeria. Se è un'industria, un'attività che produce beni di consumo progettati per 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 comprende la rivelazione di 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 set di dati abbia previsto, qualcosa che un panel di consumatori avrebbe respinto 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 a volte, in modo imprevedibile, contro ogni logica commerciale, un essere umano seduto davanti a un organo circondato da centinaia di boccette marroni unirà materiali in un modo che nessuna macchina avrebbe suggerito, e il risultato sarà qualcosa di genuinamente nuovo. Qualcosa che sposta il centro invece di occuparlo. Qualcosa che i dati avevano detto non avrebbe dovuto funzionare.
Questi momenti sono rari. Stanno diventando sempre più rari. E se l'industria non farà attenzione, smetteranno del tutto di accadere, 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 profumi perfettamente accettabili, che otterranno buoni punteggi in ogni panel e non offenderanno nessuno.
Se questo si possa definire profumeria è una domanda a cui la macchina non è attrezzata per rispondere. Dovrà essere un naso a farlo.
Sette extrait al 20%, una collezione. Il Discovery Set li riunisce tutti e sette in formato da 2 ml.
