Ergens in een laboratorium dat in niets lijkt op de studio van een parfumeur - geen orgel met honderden bruine flesjes erop gestapeld, geen blotters die als een papieren pauw over een bureau uitwaaieren, geen bevlekt leren schort dat aan een haak achter de deur hangt - stelt een machine een geur samen. De machine ruikt niets. Ze heeft geen neus. Ze heeft geen mening over de vraag of vetiver goed samengaat met grapefruit, en ook geen instinct om te bepalen of een compositie meer sprankeling in de topnoot of meer warmte in de basis nodig heeft. Ze heeft data. Ongeveer vierhonderdduizend formules uit de afgelopen eeuw, gedigitaliseerd en voorzien van tags met scores van consumentenpanels, verkoopcijfers, regionale voorkeuren en moleculaire kenmerken. Ze beschikt over een algoritme dat is getraind om de statistische correlaties te herkennen tussen specifieke combinaties van ingrediënten en specifieke reacties van consumenten: koopintentie, waargenomen kwaliteit, emotionele associatie, de kans op herhaalaankoop. En haar is gevraagd een formule te produceren die volgens elke meetbare norm optimaal zal zijn.
11 min leestijd
Dat zal lukken. De formule die ze produceert zal goed scoren bij consumentenpanels. Ze zal positief worden beoordeeld binnen meerdere demografische groepen. Ze zal niemand voor het hoofd stoten. Ze zal niemand in verwarring brengen. Ze zal een comfortabele, dichtbevolkte zone van de geurruimte innemen, het soort terrein dat de industrie een "commerciële sweet spot" noemt en dat iedereen met een goed werkende neus "vertrouwd" noemt. Ze zal, naar het oordeel van de meeste mensen die ermee kennismaken, volkomen in orde ruiken.
De vraag is of "volkomen in orde" parfumerie is.
Machinelearning op industriële schaal in de parfumerie
De toepassing van machinelearning bij geurontwikkeling is geen speculatie. Ze vindt nu al plaats, op industriële schaal, in de onderzoeksafdelingen van de grootste geur- en smaakstoffenbedrijven ter wereld. De technologie verschilt in verfijning: sommige systemen zijn relatief eenvoudige voorspellende modellen die vervangende ingrediënten voorstellen op basis van kosten en beschikbaarheid; andere zijn diepe neurale netwerken die zijn getraind op tientallen jaren aan eigen formulegegevens. Maar de onderliggende logica is in alle gevallen dezelfde. Voer de machine een groot corpus aan bestaande formules in, gekoppeld aan gegevens over consumentenreacties. Laat de machine de statistische verbanden leren tussen moleculaire samenstelling en menselijke voorkeur. Vraag de machine vervolgens nieuwe formules te genereren die de kans op een gewenste consumentenreactie maximaliseren.
Dit is in wezen regressieanalyse toegepast op parfumerie. Het is in geen enkele betekenisvolle zin creatie.
Dat onderscheid doet ertoe, en het is noodzakelijk om precies te zijn over waarom. Regressieanalyse, de wiskundige techniek die aan de basis ligt van de meeste vormen van machinelearning, vindt de best passende lijn door een wolk van datapunten. Ze identificeert de centrale tendens. Ze vertelt je waar het gemiddelde ligt. Dat is voor veel toepassingen buitengewoon nuttig. Als je huizenprijzen, consumentengedrag, ziekteverloop of verkiezingsuitslagen wilt voorspellen, vertelt de locatie van het gemiddelde je heel veel. Maar parfumerie is geen voorspellingsprobleem. Het is, of was historisch gezien in elk geval, een creatief probleem. En creatieve problemen worden niet opgelost door het centrum te vinden. Ze worden opgelost door de rand te vinden.
Elke geur die de industrie werkelijk heeft veranderd, elke compositie die achteraf een tijdperk definieerde of een nieuwe categorie opende, deed dat door af te wijken van de consensus van zijn tijd. De eerste moderne fougère rook in 1882 niet zoals iemand verwachtte dat een herengeur zou ruiken. De eerste grote aldehyde-bloemengeur rook in de jaren 1920 niet zoals iemand verwachtte dat een damesgeur zou ruiken. De eerste frisse mannengeur met dihydromyrcenol en hedione was in de jaren 1980 niet wat iemand van een herengeur verwachtte. Het eerste moleculaire clean-skin-musk rook begin jaren 2000 niet zoals iemand van welke geur dan ook verwachtte. In elk geval slaagde de compositie niet omdat ze bestaande voorkeuren weerspiegelde, maar omdat ze nieuwe voorkeuren creëerde. Ze vond het centrum niet. Ze verplaatste het centrum.
Een algoritme dat op historische data is getraind, kan het centrum per definitie niet verplaatsen. Het kan het alleen vinden. Het kan het met chirurgische precisie vinden en formules genereren die de sweet spot innemen met een efficiëntie die geen menselijke parfumeur kan evenaren. Maar de sweet spot innemen is geen innovatie. Het is optimalisatie. En de geschiedenis van de parfumerie suggereert dat optimalisatie en innovatie niet hetzelfde zijn, en elkaar misschien zelfs tegenwerken.
Menselijke parfumeurs als biologische neurale netwerken
Er is een tegenargument, en dat verdient serieuze overweging. Het tegenargument luidt als volgt: menselijke parfumeurs zijn ook, in zekere zin, algoritmen. Het zijn biologische neurale netwerken die zijn getraind op een corpus van reukdata: alles wat ze hebben geroken, elke formule die ze hebben bestudeerd, elke reactie van consumenten die ze in de loop van hun carrière hebben waargenomen. Hun creatieve proces is niet, zoals romantici graag geloven, een flits van inspiratie die door de muze wordt neergelaten. Het is patroonherkenning, recombinatie en iteratieve verfijning. De parfumeur zit aan het orgel, selecteert materialen op basis van ervaring en intuïtie, mengt een proefcompositie, beoordeelt die, past haar aan en beoordeelt opnieuw. Het proces is empirisch, niet mystiek. Als een machine dezelfde handelingen sneller en systematischer kan uitvoeren, wat gaat er dan precies verloren?
Wat verloren gaat, is de fout.
Dat klinkt paradoxaal, dus laat me specifiek zijn. Menselijke parfumeurs maken fouten. Ze doseren een ingrediënt te hoog en ontdekken dat die overdosering een effect veroorzaakt dat ze niet bedoeld hadden en niet hadden kunnen voorspellen. Ze verontreinigen per ongeluk een proefbatch en ontdekken dat de verontreiniging iets interessants toevoegt. De geschiedenis van synthetische doorbraken in de parfumerie staat vol met zulke gelukkige botsingen. Ze lezen hun eigen aantekeningen verkeerd en combineren materialen die ze niet van plan waren te combineren, waarna het resultaat beter is dan wat ze hadden gepland. De geschiedenis van de parfumerie staat vol met zulke toevalligheden: composities die hun karakter niet danken aan doelbewust ontwerp, maar aan een onvoorziene botsing van materialen die een zorgvuldiger proces zou hebben voorkomen.
Een algoritme maakt zulke fouten niet. Een algoritme doet precies wat het wordt opgedragen. Het optimaliseert de doelfunctie. Het volgt de gradiënt. Het dwaalt niet per ongeluk onbekend terrein binnen, omdat het überhaupt niet afdwaalt. Het beweegt zich met wiskundige precisie naar het optimum. En het optimum, zoals gedefinieerd door gegevens van consumentenpanels, is altijd het centrum. Het gemiddelde. De consensus.
Het creatieve potentieel van fouten is geen romantische hersenschim. Het is een goed gedocumenteerd verschijnsel in elk creatief vakgebied. De bioloog die penicilline ontdekt dankzij een besmette petrischaal. De natuurkundige die kosmische achtergrondstraling ontdekt dankzij onverklaarde ruis in een antenne. De muzikant die een nieuwe harmonische taal ontdekt omdat tijdens een optreden een snaar breekt en tot improvisatie dwingt. Dit zijn geen apocriefe verhalen die worden verteld om mensen die vaak fouten maken een hart onder de riem te steken. Het zijn gedocumenteerde voorbeelden van een algemeen principe: creatieve doorbraken ontstaan vaak uit afwijkingen van het plan, en systemen die zijn ontworpen om afwijkingen uit te bannen, zullen daardoor ook de mogelijkheid op een doorbraak uitsluiten.
Gegevens van consumentenpanels en de aard van voorkeur
Een tweede, meer filosofisch bezwaar tegen computationele parfumerie heeft te maken met de aard van voorkeur zelf.
Gegevens van consumentenpanels, de data waarop deze algoritmen worden getraind, meten uitgesproken voorkeuren. Ze leggen vast wat mensen zeggen dat ze lekker vinden wanneer je het hun vraagt. Maar uitgesproken voorkeur en werkelijke voorkeur zijn niet hetzelfde. Een uitgesproken voorkeur is behoudend. Wanneer mensen moeten kiezen tussen het vertrouwde en het onbekende, kiezen de meesten in de meeste contexten voor het vertrouwde. Dat is geen domheid. Het is een goed gedocumenteerde cognitieve bias, het mere-exposure-effect, voor het eerst beschreven door psycholoog Robert Zajonc in een baanbrekend artikel uit 1968 in het Journal of Personality and Social Psychology. Dit effect werkt sterk bij de beoordeling van geuren, waarbij het ontbreken van een gedeelde woordenschat het uitzonderlijk moeilijk maakt voor consumenten om uit te leggen waarom ze iets lekker of juist onaangenaam vinden. Wanneer consumenten worden geconfronteerd met een geur die werkelijk vernieuwend is, die niet aansluit bij een bestaande categorie, die in gelijke mate verwart en intrigeert, geven ze die in een consumentenpanel vaker wel dan niet een lage score. Niet omdat de geur slecht is, maar omdat het panel het kader mist om haar te beoordelen.
Een algoritme dat op gegevens van consumentenpanels is getraind, neemt dit conservatisme over. Het leert dat vernieuwing riskant is en vertrouwdheid veilig. Het leert dat de geuren die mensen het hoogst beoordelen, de geuren zijn die het meest lijken op geuren die ze eerder hoog hebben beoordeeld. Het leert kortom de meest fundamentele les van consumentenonderzoek: mensen houden van wat ze al lekker vinden. En het optimaliseert dienovereenkomstig.
Het resultaat is een machine die buitengewoon goed is in het produceren van wat de industrie "veilige keuzes" noemt: geuren die niet zullen mislukken, die een minimaal niveau van commerciële levensvatbaarheid zullen bereiken, die niemand die ze ruikt zullen verrassen, verontrusten of uitdagen. Deze geuren zullen verkopen. Sommige zullen zeer goed verkopen. Maar ze zullen de industrie niet veranderen, omdat daarvoor iets nodig is dat consumentenpanels niet kunnen beoordelen. De composities die de parfumerie veranderden, waren op het moment van hun ontstaan allemaal verrassingen. Het waren dingen waar niemand om had gevraagd, dingen die niet goed scoorden in voorbereidende tests, dingen die niet slaagden omdat de data ze voorspelden, maar omdat één persoon - een parfumeur, een creatief directeur, een ondernemer - ondanks de data in hen geloofde.
Een algoritme kan nergens in geloven ondanks de data. Geloven ondanks de data is het enige waartoe een algoritme per definitie niet in staat is. Een algoritme volgt de data. Dat is zijn kracht en zijn beperking. En in een vakgebied waarin de belangrijkste beslissingen juist de beslissingen zijn die de data tegenspreken, waarin de hele geschiedenis van creatieve vooruitgang een geschiedenis is van mensen die de consensus negeerden en gelijk kregen, is deze beperking niet gering. Ze is fundamenteel.
Waar AI thuishoort en waar niet
Laat me duidelijk zijn over wat ik niet beweer. Ik beweer niet dat kunstmatige intelligentie geen rol heeft in de parfumerie. Ze heeft vanzelfsprekende en waardevolle toepassingen. Ze kan het herformuleringsproces versnellen wanneer een wijziging in de regelgeving de verwijdering van een beperkt ingrediënt afdwingt. Ze kan kosteneffectieve vervangingen voorstellen die het karakter van een compositie behouden en tegelijk de prijs verlagen. Ze kan grote hoeveelheden feedback van consumenten analyseren en trends herkennen die een menselijke analist mogelijk over het hoofd ziet. Ze kan de enorme, multidimensionale ruimte van mogelijke combinaties van ingrediënten in kaart brengen en gebieden markeren die menselijke parfumeurs nog niet hebben verkend, net zoals gaschromatografie ooit formules ontcijferde die daarvoor in handelsgeheimen opgesloten zaten. Dit zijn nuttige functies. Ze besparen tijd, verlagen de kosten en breiden de gereedschapskist van de parfumeur uit. Niemand die serieus nadenkt, heeft daar bezwaar tegen.
Wat ik beweer, is dat dit allemaal optimalisatiefuncties zijn. Ze maken bestaande processen efficiënter. Ze creëren niet. Het onderscheid tussen optimaliseren en creëren is niet semantisch. Het is het onderscheid tussen de beste route door een bekend landschap vinden en ontdekken dat het landschap zich buiten zijn bekende grenzen uitstrekt. Machinelearning blinkt uit in het eerste. Het is structureel niet in staat tot het tweede, omdat dat per definitie vereist dat je verder gaat dan de data, terwijl machinelearning per definitie een methode is om patronen uit data te halen.
Het enthousiasme van de geurindustrie voor computationele hulpmiddelen is begrijpelijk. De economie van de moderne parfumerie is hard. De gemiddelde ontwikkelingstijd voor een commerciële geur is teruggebracht van jaren naar maanden. Briefings zijn strakker. Budgetten zijn kleiner. De kosten van mislukking zijn hoger. In deze omgeving is een hulpmiddel dat het aantal iteraties kan verminderen dat nodig is om tot een aanvaardbare formule te komen, buitengewoon waardevol. Maar "aanvaardbaar" doet veel werk in die zin. Een aanvaardbare formule voldoet aan de briefing, scoort voldoende in tests en overschrijdt het kostenplafond niet. Een aanvaardbare formule is geen meesterwerk. In de meeste gevallen is ze zelfs niet bijzonder interessant. Ze is adequaat. En adequaatheid is op industriële schaal de vijand van kunst.
Convergentie naar een statistisch gemiddelde
Er is nog één laatste overweging, en misschien is die wel het verontrustendst. Hoe meer geurontwikkeling afhankelijk wordt van algoritmische hulpmiddelen die op consumentendata zijn getraind, hoe meer de output van de industrie zal convergeren naar een statistisch gemiddelde. Elke nieuwe AI-geoptimaliseerde formule zal per ontwerp het centrum van de voorkeurenverdeling innemen. Na verloop van tijd zal het centrum zelf verschuiven, maar langzaam, omdat de output van het algoritme de voorkeuren waarop het is getraind juist versterkt. Consumenten die herhaaldelijk aan AI-geoptimaliseerde geuren worden blootgesteld, zullen voorkeuren ontwikkelen die door die geuren worden gevormd, en die voorkeuren zullen op hun beurt de trainingsdata voor de volgende generatie algoritmen worden. Het resultaat is een feedbacklus: de machine produceert wat mensen lekker vinden, mensen leren lekker te vinden wat de machine produceert, en de machine produceert er steeds meer van.
Dit is geen hypothetisch scenario. Het is een precieze beschrijving van wat al is gebeurd in andere creatieve industrieën die algoritmische aanbevelings- en generatiesystemen hebben ingevoerd. Muziekstreamingplatforms, waarvan de algoritmen optimaliseren voor betrokkenheid, hebben een meetbare convergentie veroorzaakt in de klankeigenschappen van populaire muziek: luider, korter, repetitiever, met de hook die eerder komt en een kleiner dynamisch bereik. Socialmediaplatforms, waarvan de algoritmen optimaliseren voor aandacht, hebben een convergentie veroorzaakt in de visuele eigenschappen van populaire content: meer verzadigd, sterker bijgesneden, emotioneel extremer. Het algoritme maakt het landschap niet opzettelijk vlak. Het maakt het vlak als neveneffect van optimalisatie voor het gemiddelde.
De parfumerie is niet immuun voor deze dynamiek. Als de ontwikkelingspijplijn van de industrie steeds afhankelijker wordt van AI-tools die optimaliseren voor consensus, is een vernauwing van het geurveld het onvermijdelijke resultaat. Niet tot één enkele geur - de markt is daarvoor te groot en te gesegmenteerd - maar binnen elk segment. De frisse mannengeuren zullen naar elkaar toe groeien. De zoete damesgeuren zullen naar elkaar toe groeien. De oriëntaalse oud-geuren zullen naar elkaar toe groeien. Elke categorie zal intern homogener worden, omdat het algoritme dat elke nieuwe inzending ontwerpt, wordt getraind op dezelfde data die de bestaande inzendingen hebben voortgebracht. Het veld zal niet tot een punt krimpen. Het zal tot een cluster krimpen.
Of dit ertoe doet, hangt af van wat je denkt dat het doel van parfumerie is. Als het een industrie is, een bedrijfstak die consumentenproducten maakt om aan de marktvraag te voldoen, dan is optimalisatie de juiste strategie en is convergentie een aanvaardbare kostenpost. Consumenten krijgen wat ze willen. Bedrijven verdienen geld. Niemand klaagt.
Maar als parfumerie ook een kunst is, een creatieve discipline die verder reikt dan het bevredigen van bestaande voorkeuren en nieuwe mogelijkheden voor de reukervaring aan het licht wil brengen, dan is convergentie geen kostenpost. Het is een catastrofe. Want kunst vereist, volgens elke definitie die het verdedigen waard is, de mogelijkheid van verrassing. Ze vereist de mogelijkheid dat de volgende compositie iets zal zijn wat niemand eerder heeft geroken, iets wat geen dataset heeft voorspeld, iets wat een consumentenpanel zou hebben afgewezen omdat het niet in een bestaande categorie paste.
Een algoritme kan dat niet produceren. Een parfumeur wel. Niet betrouwbaar, niet consequent, niet volgens schema en niet binnen budget. Maar af en toe zal een mens die aan een orgel omringd door honderden bruine flesjes zit, tegen elke commerciële logica in en op onvoorspelbare wijze, materialen combineren op een manier die geen machine zou hebben voorgesteld, en zal het resultaat werkelijk nieuw zijn. Iets dat het centrum verplaatst in plaats van het in te nemen. Iets waarvan de data zeiden dat het niet zou werken.
Die momenten zijn zeldzaam. Ze worden zeldzamer. En als de industrie niet oppast, zullen ze uiteindelijk helemaal ophouden, niet omdat de technologie ze verbiedt, maar omdat de economie er geen ruimte meer voor laat. De machine zal samenstellen. De machine zal optimaliseren. De machine zal volkomen in orde zijnde geuren produceren die in elk panel goed scoren en niemand voor het hoofd stoten.
Of dat als parfumerie telt, is een vraag die de machine niet kan beantwoorden. Die zal door een neus moeten worden beantwoord.
Zeven extraits met 20%, één collectie. De Discovery Set bevat ze alle zeven in 2 ml.
