Article Title: AI-Augmented Design Thinking: Potentials, Challenges, and Mitigation Strategies of Integrating Artificial Intelligence in Human-Centered Innovation Processes
نویسندگان: Leonie Polster, BMW/Ingolstadt Institute of Technology, Volker Bilgram, Nuremberg Institute of Technology, Sarah Görtz, HYVE Innovate
یاسمن حاجیان
پتانسیلها، چالشها و راهبردهای کاهش موانع در ادغام هوش مصنوعی با فرآیندهای نوآوری انسانمحور
چکیده
ادغام هوش مصنوعی (AI) در مدیریت نوآوری به حوزههای خلاقانهای مانند تفکر طراحی (DT) گسترش یافته است، اما نقش آن در چارچوبهای نوآوری پیچیده و همکاریمحور هنوز بهخوبی بررسی نشده است. این مطالعه به بررسی این شکاف میپردازد و نحوه درک و استفاده حرفهایها از AI در کارگاههای DT را مورد بررسی قرار میدهد. با استفاده از نظریه قابلیتها بهعنوان یک لنز مفهومی، ما مطالعات مشاهداتی و مصاحبههای نیمهساختاریافته با کارشناسان DT انجام دادیم تا قابلیتهای عملی، محدودیتها و استراتژیهای کاهش مشکلات AI را در این زمینه شناسایی کنیم. یافتههای ما چهار قابلیت کلیدی AI در کارگاههای DT را برجسته میکند: افزایش خلاقیت، حمایت از وظایف تحلیلی، تسهیل آغاز وظایف و تسریع فرآیندها با این حال، این مزایا با چالشهایی همراه است که شامل کاهش همکاری تیمی، کاهش مالکیت بر خروجیهای تولید شده توسط AI و اختلالات در جریان کارگاه میشود. این مطالعه الگوهای تعامل انسان-AI متمایزی را نشان میدهد که تعامل پویا بین تخصص انسانی و قابلیتهای AI را تأکید میکند. برای کاهش محدودیتها، ما استراتژیهایی مانند آمادهسازی محتوای تولید شده توسط AI قبل از کارگاه، تعریف نقشهای واضح برای ورودیهای AI و انسانی و ترویج تأمل مشترک بر روی خروجیهای AIرا پیشنهاد میکنیم. با روشن کردن پتانسیلها و محدودیتهای AI در DT، این تحقیق به ادبیات مدیریت نوآوری کمک کرده و بینشهای عملی برای حرفهایها که به دنبال ادغام AI در فرآیندهای نوآوری ترکیبی هستند، ارائه میدهد.
کلیدواژهها: تفکر طراحی، هوش مصنوعی، هوش مصنوعی مولد، ChatGPT، مدلهای زبانی بزرگ، نوآوری، کارگاه ایدهپردازی، تفکر طراحی تقویتشده با هوش مصنوعی
مقدمه
ادغام هوش مصنوعی (AI) در جنبههای مختلف مدیریت نوآوری در حال گسترش است و شرکتها از AI برای انجام وظایف تحلیلی استفاده میکنند که از شناسایی نیازها (Marchuk et al., 2020) تا تحلیل پیکربندی ویژگیهایی که پیشبینیکننده ایدههای موفق هستند (Kakatkar et al., 2018) و تجزیه و تحلیل مجموعههای بزرگ دادههای غیرساختاریافته برای یافتن راهحلهای مناسب (Kakatkar et al., 2020) متغیر است. ظهور هوش مصنوعی مولد (GenAI) و رابطهای چتباتی یک نقطه عطف مهم به حساب میآید که دسترسی به قابلیتهای AI را در زمینههای مختلف دموکراتیک کرده است. برخلاف مدلهای سنتی یادگیری ماشین، GenAI کاربرد خود را فراتر از صرفاً تحلیل دادهها گسترش میدهد تا در فرآیندهای خلاقانهای مانند تفکر طراحی (DT) (Grilli & Pedota, 2024) مشارکت کند، حوزهای که زمانی بهعنوان قلمرو انحصاری هوش انسانی تصور میشد (Amabile, 2020). شواهد اولیه نشان میدهد که GenAI، مانند ChatGPT، میتواند بهطور قابل توجهی نقشهای انسانی را در بخشهای خلاقانه جایگزین کند و تقاضا برای کارهای آزاد را در عرض چند ماه پس از انتشار تحت تأثیر قرار دهد (Hui et al., 2023).
مطالعات اخیر بر مزایای عملی GenAI در تقویت تخصص و خلاقیت انسانی تأکید دارند. به عنوان مثال، تحقیقی توسط Dell’Acqua et al. (2023) در گروه مشاوره بوستون نشان داد که کارکنان مجهز به GPT-4 وظایف مشاورهای را سریعتر و با کیفیت بالاتری انجام دادند و افزایش قابل توجهی در بهرهوری و کیفیت نتایج را نشان دادند. بهطور مشابه، Joosten et al. (2024) و Boussioux et al. (2024) نشان دادهاند که GenAI میتواند عملکرد انسانی را در تولید ایدهها پشت سر بگذارد و راهحلهای مقرون به صرفهای را در زمینههای حل مسئله سنتی ارائه دهد.
به دلیل تنظیمات عمدتاً تجربی تحقیقات قبلی و تمرکز مربوطه بر وظایف جداگانه (مانند یک وظیفه مشخص برای چالشهای نویسندگی گروهی یا جمعسپاری)، این تحقیقات نتوانستهاند نشان دهند که انسانها چگونه AI را در فرآیندهای نوآوری پیچیدهتر مانند DT، الماس دوگانه یا اسپرینتهای طراحی که شامل مجموعهای از وظایف مرتبط و کاربردهای روششناختی هستند، ادراک و استفاده میکنند (Dorst & Cross, 2001). مطالعات قبلی معمولاً بر خروجی گروههای دستکاری شده و کنترل تمرکز دارند و بنابراین نمیتوانند ظرافتهای همکاری انسان-AI را در این محیطهای پویا ثبت کنند (Boussioux et al., 2024; Dell’Acqua et al., 2023). این مقاله به دنبال پر کردن این شکاف است و بررسی میکند که چگونه حرفهایها AI را در چارچوبهای نوآوری وسیعتر ادغام میکنند، قابلیتها و محدودیتهای آن را چگونه ادراک میکنند و تعاملات خود با AI را برای دستیابی به اهدافشان طراحی میکنند.
در یک مطالعه مشاهداتی، ما با استفاده از ChatGPT در یک کارگاه، کارشناسان DT را درگیر کرده و بینشهای خود را با مصاحبههای نیمهساختاریافته پس از کارگاه تکمیل کردیم. این رویکرد فهم ما از نقش AI در فرآیند DT، یکی از رایجترین رویکردهای نوآوری در عمل، را عمیقتر کرده است. با تکیه بر نظریه قابلیتها، مطالعه ما دیدگاه فنی و اجتماعی را ترکیب میکند و نشان میدهد که چگونه قابلیتهای AI و مهارتهای کارشناسان در این زمینه خاص تعامل دارند. نتایج ما نه تنها قابلیتهای کلیدی AI مانند افزایش خلاقیت، وظایف تحلیلی و سرعت فرآیندها را نشان میدهد بلکه الگوهای تعامل خاصی را در همکاری انسان-AI نیز برجسته میکند. یافتههای تحقیق ما همچنین به بحث درباره نقش AI در خلاقیت کمک میکند. به عنوان مثال، شواهد اولیه مشاهداتی برای مشارکت AI در تفکر واگرا دیدگاههای سنتی درباره تأثیر AI بر تفکر همگرا را به چالش میکشد.
در حالی که مزایای AI را برجسته میکنیم، همچنین نسبت به وابستگی بیش از حد به AI هشدار میدهیم. مطالعه ما خطرات بالقوهای مانند کاهش انگیزه ذاتی و عدم مالکیت بر ایدههای تولید شده توسط AI را نشان میدهد که میتواند خلاقیت را مختل کرده و اثربخشی فرآیند ایدهپردازی را کاهش دهد. این مقاله همچنین پیامدهای عملی برای مدیرانی که به دنبال ادغام AI در فرآیندهای نوآوری اولیه هستند ارائه میدهد. قابلیتها، محدودیتها و الگوهای تعامل شناسایی شده در مطالعه ما بینشهایی را برای مدیران فراهم میکند تا بتوانند ابتکارات ترکیبی DT و روشها را با دقت طراحی کنند. با نظارت دقیق بر زمانبندی، توالی و شدت استفاده از AI، مدیران میتوانند اثرات منفی بالقوه را کاهش دهند و اطمینان حاصل کنند که استقرار AI به طور مؤثری با دینامیک تیم و اهداف پروژه هماهنگ است.
پیشینه نظری
تفکر طراحی و خلاقیت
در دهههای اخیر، تفکر طراحی (DT) به مفهومی بسیار مرتبط با نوآوری تبدیل شده است (Auernhammer & Roth, 2021). به طور خلاصه، DT با موفقیت در حوزههای عمل تجاری، آموزش و پژوهش نفوذ کرده است (Verganti et al., 2021). براون (2008، ص 2) DT را به عنوان “روشی توصیف میکند که از حساسیت و روشهای طراح برای مطابقت دادن نیازهای افراد با آنچه از نظر فناوری امکانپذیر است و آنچه استراتژی کسبوکار قابل دوام میتواند به ارزش مشتری و فرصت بازار تبدیل کند، استفاده میکند.”
جنبه دیگری از DT که به رسمیت شناخته شده و اهمیت فزایندهای پیدا کرده است، DT به مثابه “معناآفرینی” (sensemaking) است. این دیدگاه “تمرکز را از تجربه کاربر به تجربه طراح تفکر در رابطه با همدلی تغییر میدهد” (Rylander Eklund et al., 2022, p. 36). این دیدگاهی از DT است که ممکن است زمانی برجستهتر شود که فعالیت انسان در فرآیند DT تقویتشده با هوش مصنوعی به سمت معناآفرینی تغییر جهت دهد (Verganti et al., 2020). انسانها بر درک و انتخاب اینکه کدام گزینه باید دنبال شود و آیا باید به یک مشکل رسیدگی کرد یا خیر، تمرکز میکنند (Garbuio & Lin, 2021).
Auernhammer & Roth (2021) دریافتند که در طول تکامل ادبیات، DT به یک فرآیند تبدیل شده است. اگرچه مدلهای مختلفی از فرآیند DT هم در نظریه و هم در عمل وجود دارد، Liedtka (2015) نشان داده است که ماهیت این فرآیند در سراسر آن به طور گستردهای به اشتراک گذاشته میشود. بخشهای مشترک این فرآیند، سه مرحله تثبیتشده گردآوری دادهها درباره نیازهای کاربر، ایدهپردازی و آزمایش است. مدل широко پذیرفتهشده مدرسه طراحی استنفورد شامل پنج مرحله است: همدردی، تعریف، ایدهپردازی، نمونهسازی و آزمایش، همانطور که در جدول زیر خلاصه شده است (d.school & Institute of Design Stanford, 2010).
مراحل فرآیند DT طبق مدرسه طراحی استنفورد
| مرحله | خلاصه |
| 1 | همدلی: فهمیدن کاربران بالقوه و نیازها و نقاط درد آنها |
| 2 | تعریف: تمرکز بر یک مشکل خاص که باید حل شود و فرموله کردن بیانیه مشکل |
| 3 | ایدهپردازی: تولید ایدههایی برای مشکل تعریفشده و انتخاب مرتبطترین آنها برای مرحله نمونهسازی |
| 4 | نمونهسازی: ایجاد راهحلهای ملموس برای ایده(ها) انتخابشده |
| 5 | آزمایش: یادگیری درباره نمونه اولیه و تطبیق آن با نمایش آن برای کاربران، بازگشت به مرحله قبلی، و تکرار راهحلها |
تحقیقات خلاقیت به ریشهها، فرایندها و پیامدهای خلاقیت در افراد و گروهها میپردازد. درک خلاقیت برای تقویت نوآوری، حل مشکلات پیچیده و پیشبرد پیشرفت در زمینههای مختلف ضروری است و آن را به جنبهای بنیادی در توسعه فردی و سازمانی تبدیل میکند (Sternberg, 1999; Runco, 2007). یکی از چارچوبهای تأثیرگذار در تحقیقات خلاقیت، نظریه اجزای خلاقیت است که توسط آمابیل (Amabile, 2013) توسعه یافته است. این نظریه ادعا میکند که خلاقیت محصول چهار مؤلفه اصلی است: مهارتهای مرتبط با حوزه (domain-relevant skills)، فرآیندهای مرتبط با خلاقیت (creativity-relevant processes)، انگیزه درونی برای انجام وظیفه در حوزه فردی (intrinsic task motivation) و محیط اجتماعی به عنوان یک مؤلفه بیرونی. در بستر تفکر طراحی، این نظریه از آن جهت مرتبط است که بر اهمیت تخصص، تواناییهای تفکر خلاق و علاقه عمیق به کار در دست تأکید میکند (Brown, 2008). کارگاههای تفکر طراحی این عناصر را با غوطهور کردن شرکتکنندگان در درک همدلانه و فرآیندهای حل مسئله تکرارشونده تسهیل میکند که میتواند خروجی خلاقانه را به طور قابل توجهی ارتقا دهد (Brown, 2008). علاوه بر این، این کارگاهها با تشویق رویکرد عملی و کاربرمحور، به حفظ سطوح بالای انگیزه درونی که برای تلاشهای خلاقانه حیاتی است، کمک میکنند.
نظریه مهم دیگری، نظریه فرآیند دوگانه (Cropley, 2006; Sowden et al., 2019) است که بر این باور است که خلاقیت شامل برهمکنش دو فرآیند شناختی یعنی تفکر واگرا (divergent thinking) و تفکر همگرا (convergent thinking) میشود. تفکر واگرا طیف وسیعی از مشکلات و مسائل را کاوش میکند، در حالی که تفکر همگرا بر محدود کردن این کاوشها برای تعریف مهمترین یا مرتبطترین مشکلی که باید به آن پرداخته شود، تمرکز دارد. تفکر طراحی ذاتاً از طریق مراحل ساختاریافته همدردی و تعریف (و همچنین ایدهپردازی و نمونهسازی) از این رویکرد دوگانه فرآیند پشتیبانی میکند. در طول فاز همدردی، شرکتکنندگان تشویق میشوند که خود را کاملاً غوطهور کنند و تا حد امکان بدون قضاوت اطلاعات جمعآوری کنند و با کاوش در بسیاری از مشکلات و نیازهای بالقوه کاربران، تفکر واگرا را تقویت کنند. متعاقباً، در فاز تعریف، تفکر همگرا اولویت پیدا میکند، زیرا بینشهای جمعآوریشده سنتز میشوند و دامنه کار برای تعریف یک مشکل خاص که تلاشهای طراحی به آن میپردازد، محدود میشود (Dorst & Cross, 2001; Liedtka, 2018).
گریلی و پدوتا (Grilli & Pedota, 2024) تأثیر عمیق هوش مصنوعی بر خلاقیت را بررسی میکنند، به ویژه به چگونگی تغییر تأکید از تفکر همگرا به تفکر واگرا اشاره میکنند. آنها استدلال میکنند که توانایی هوش مصنوعی در پردازش سریع اطلاعات گسترده، نیاز به تخصص عمیق در حوزه را که به طور سنتی برای کارهای خلاقانه ضروری است، کاهش میدهد. بنابراین، هوش مصنوعی ممکن است تفکر همگرا را با تبدیل بینشها به دانش عملی، کالایی کند. در مقابل، این گذار اهمیت فزاینده تفکر واگرا را به عنوان یک ویژگی منحصر به فرد انسان القا میکند، زیرا متخصصان خلاقیت ممکن است به طور فزایندهای نیاز داشته باشند تا توانایی خود را برای ایجاد ایدههای نوآورانه افزایش دهند و از هوش مصنوعی برای مدیریت وظایف تحلیلی و روتینتر استفاده کنند.
یکی از سوگیریهای مهم در حوزه خلاقیت و نوآوری که تفکر طراحی به غلبه بر آن کمک میکند، سندروم «اینجا اختراع نشده است» (NIH) است (Katz & Allen, 1980; Antons & Piller, 2015). این سوگیری زمانی رخ میدهد که تیمها ایدههایی را که خارج از گروه فوری آنها نشأت میگیرد، نادیده میگیرند، که میتواند مانع نوآوری و محدود کردن پذیرش مفاهیم تازه و بیرونی شود. غلبه بر سندروم NIH برای سازمانهایی که به دنبال حداکثر کردن خروجی خلاقانه خود و تشویق به باز بودن در برابر ایدههایی فراتر از مرزهای سنتی هستند، بسیار مهم است. بوشری و همکاران (Bouschery et al., 2023) در تحقیقات خود برجسته کردند که در فرآیندهای خلاقانه تقویتشده با هوش مصنوعی، سندروم NIH معمولی باید مورد بازنگری قرار گیرد.
توضیح مترجم: سندرم “اینجا اختراع نشده است” (Not Invented Here یا NIH) به معنای مقاومت در برابر ایدهها، روشها یا فناوریهایی است که از خارج از یک گروه یا سازمان میآیند. به عبارت سادهتر، افراد یا تیمها ترجیح میدهند از ایدههای خودشان استفاده کنند، حتی اگر ایدههای بهتری از بیرون وجود داشته باشد. این سندرم میتواند به دلایل مختلفی مانند ترس از تغییر، محافظهکاری، حس مالکیت نسبت به ایدهها و باور به برتری ایدههای داخلی ایجاد شود. تفکر طراحی به عنوان یک رویکرد خلاقانه و مبتنی بر انسان، میتواند نقش بسیار مؤثری در کاهش سندرم “اینجا اختراع نشده است” و تقویت نوآوری در سازمانها داشته باشد. به ویژه در عصر هوش مصنوعی، ترکیب این دو میتواند به نتایج شگفتانگیزی منجر شود.
مقاله اشاره میکند که هوش مصنوعی میتواند بر این سندرم تأثیرگذار باشد، اما به چه صورت؟
- کاهش نیاز به تخصص عمیق: هوش مصنوعی با توانایی پردازش حجم عظیمی از اطلاعات، نیاز به تخصص عمیق در یک حوزه خاص را کاهش میدهد. این بدان معناست که افراد با تخصصهای مختلف میتوانند به راحتی به ایدههای جدید دسترسی پیدا کنند و از آنها استفاده کنند. در نتیجه، احتمال رد کردن یک ایده صرفاً به دلیل اینکه از خارج از گروه آمده است، کاهش مییابد.
- تغییر تمرکز از تفکر همگرا به واگرا: هوش مصنوعی میتواند بسیاری از کارهای تکراری و تحلیلمحور را انجام دهد و به افراد اجازه میدهد تا بر تفکر خلاقانه و تولید ایدههای جدید تمرکز کنند. این تغییر تمرکز میتواند به کاهش مقاومت در برابر ایدههای جدید کمک کند.
پس هوش مصنوعی به جای اینکه عامل ایجاد این سندرم باشد، میتواند به کاهش آن کمک کند. با این حال، باید توجه داشت که هوش مصنوعی به تنهایی نمیتواند این سندرم را به طور کامل از بین ببرد. عوامل فرهنگی، سازمانی و فردی نیز در ایجاد و حفظ این سندرم نقش دارند.
به طور خلاصه، هوش مصنوعی میتواند با کاهش نیاز به تخصص عمیق و تغییر تمرکز به سمت تفکر خلاقانه، به کاهش سندرم “اینجا اختراع نشده است” کمک کند.
هوش مصنوعی و نوآوری
هوش مصنوعی (AI) برای اولین بار در دهه 1950 در محیطهای دانشگاهی مطرح شد. با این حال، تنها در دو دهه اخیر، به لطف پیشرفتهای تکنولوژیکی مانند دادههای بزرگ و افزایش قدرت محاسباتی، شاهد توسعه سریع این حوزه و افزایش کاربرد AI در کسبوکارها، جامعه و دانشگاهها بودیم (Brynjolfsson et al., 2023; Fuller et al., 2022; Kakatkar et al., 2020; Schneider & Kokshagina, 2021).
هوش مصنوعی “توانایی یک سیستم برای شناسایی، تفسیر، استنتاج و یادگیری از دادهها برای دستیابی به اهداف سازمانی و اجتماعی از پیش تعیینشده” است (Mikalef & Krogstie, 2020, p. 3). یکی از زمینههای اصلی کاربرد AI، مدلهای ترانسفورمری پیشآموزششده مولد است. این مدلها مدلهای زبانی مولد هستند که (1) دانش موجود را تجزیه و تحلیل میکنند و با پیشبینی محتملترین پاسخ به یک درخواست، متن تولید میکنند و (2) بر روی طیف گستردهای از منابع متنی اینترنتی پیشآموزش شدهاند که به آنها امکان میدهد خروجیهای متنی شبیه انسان تولید کنند (OpenAI, 2023).
مدلهای زبانی مبتنی بر ترانسفورمر، علاقه قابل توجهی را در میان پژوهشگران نوآوری برانگیختهاند (Bouschery et al., 2023; Bilgram & Laarmann, 2023). مطالعات اخیر توسط Bouschery et al. (2023) و Eloundou et al. (2023) نشان میدهد که این مدلها میتوانند به تیمهای نوآوری در کارهایی مانند خلاصهسازی متن، تحلیل احساسات و تولید ایده کمک کنند. در حال حاضر، هیجان زیادی در شرکتهای بزرگ و کوچک در سراسر جهان در مورد نحوه بهترین استفاده از AI وجود دارد. برای این منظور، Brem et al. (2021) دو نقطه شروع را پیشنهاد میکنند: اول، استفاده از AI برای بازنگری و تجدید فرآیندهای سازمانی و استفاده از AI به عنوان تسهیلکننده نوآوری. دوم، AI باید در محصولات و خدمات شرکت استفاده شود، بنابراین باید به عنوان خالق نوآوری مورد استفاده قرار گیرد. برای مسیر اول، Kakatkar et al. (2020) برجسته میکنند که چگونه شرکتهایی از صنایع مختلف AI را در چهار مرحله الماس مضاعف برای شناسایی نیاز یا تولید ایده ادغام میکنند. نمونههایی از مسیر دوم، محصولاتی مانند دستیاران صوتی یا تشخیص چهره هستند که در وهله اول تنها به دلیل فناوری AI امکانپذیر شدهاند.
در تقاطع هوش مصنوعی و مدیریت نوآوری، Gama و Magistretti (2023) مروری بر مطالعات تجربی انجام دادهاند. آنها طبقهبندی برای کاربردهای AI را پیشنهاد میکنند که شامل سه طبقه است که به دلیل اصلی استفاده از AI در کاربردهای مربوطه اشاره دارد. در این سیستم طبقهبندی، replace به معنای استفاده از AI برای بهبود فرآیندهای موجود و جایگزینی کارکنان، اغلب به دلایل اقتصادی (مانند جایگزینی مراحل مکانیکی) است. Reinforce دلیل اصلی استفاده از AI را به عنوان ابزاری برای توانمندسازی و تقویت کار انجام شده توسط کارکنان (مانند تسریع اکتشافات) توصیف میکند. Reveal طبقهای است که شامل استفاده از AI برای کشف راهحلها یا فرصتهای جدیدی است که تاکنون از دید کارکنان پنهان مانده است. Joosten et al. (2024) بر استفاده از AI در مرحله تولید ایده تمرکز کردند و نتایج تولید شده توسط AI را با نتایج تولید شده توسط متخصصان در یک آزمایش کور که با رهبری شرکتی که از منشأ ایده خبر نداشت انجام شد، مقایسه کردند. این مطالعه نشان میدهد که ChatGPT میتواند در نوآوری، ارزش مشتری و کیفیت کلی از تولید ایده انسانی پیشی بگیرد. به طور مشابه، Boussioux et al. (2024) برجسته کردند که چگونه تعامل انسان و AI میتواند جایگزین مقرون به صرفهای برای حل مسئله سنتی باشد.
نظریه قابلیتها (Affordance)
طبق نظر نورمن (Norman, 2013, p. 11)، قابلیت “رابطه بین یک شیء فیزیکی و یک فرد است […] یک قابلیت، رابطه بین ویژگیهای یک شیء و تواناییهای عامل است که تعیین میکند چگونه میتوان از آن شیء استفاده کرد.” این تعریف نشان میدهد که یک قابلیت مطلق نیست بلکه رابطه ای است و به ویژگیهای اشیاء و تواناییهای فرد بستگی دارد (Carlo et al., 2012). بنابراین، به پژوهشگران اجازه میدهد تا جنبههای فنی و اجتماعی کاربردهای فناوری را بررسی کنند (Majchrzak & Markus, 2013). قابلیتها زمانی تحقق مییابند که بازیگران که اهداف خاصی را در یک سازمان دنبال میکنند، در هنگام استفاده از فناوری برای دستیابی به یک نتیجه عمل میکنند (Du et al., 2019). در این مطالعه، از اصطلاحات قابلیتها و پتانسیلهای عمل به جای یکدیگر استفاده میکنیم.
نظریه قابلیتها که ریشه در روانشناسی اکولوژیک دارد (Gibson, 1979)، به رشتههای مختلفی مانند آموزش، علوم کامپیوتر و تعامل انسان و کامپیوتر (Waizenegger et al., 2020; Anderson & Robey, 2017) کاربرد یافته است. در سالهای اخیر، نظریه قابلیتها برای مطالعه پتانسیل فناوریهای جدید، به ویژه در حوزه دیجیتال، در تحقیقات سیستمهای اطلاعاتی مفید بوده است (Majchrzak & Markus, 2013; Du et al., 2019; Keller et al., 2019; Trocin et al., 2021). مارکوس و همکاران (Markus et al., 2008) قابلیتهای فناوری اطلاعات را به عنوان آنچه فناوری اطلاعات به کاربر انسانی اجازه میدهد انجام دهد، تعریف کردند.
اخیراً، نظریه قابلیتها برای در نظر گرفتن فرآیند تکرارشونده تحقق قابلیتها، با چندین افزوده مورد بررسی قرار گرفته است. به عنوان مثال، تحقیقات نشان میدهد که بین قابلیتها (یعنی پتانسیلهای عمل) و تحقق عملی، یک مرحله اضافی وجود دارد، بنابراین مرحلهای از آزمایش را اضافه میکند که در آن بازیگران موارد استفاده جدیدی برای پتانسیل عمل شناسایی میکنند و امکانسنجی آنها را آزمایش میکنند (نگاه کنید به شکل 1) (Keller et al., 2019). این امر به ویژه در فناوریهای نوظهور که موارد استفاده آنها هنوز ناشناخته است، اهمیت دارد (Du et al., 2019). تأکید نظری بیشتری بر تمایز بین قابلیتها، استفاده از فناوری و نتایج گذاشته شده است (Leidner et al., 2020). Du و همکاران (Du et al., 2019) استدلال میکنند که این تمایز برای بهرهبرداری کامل از مزایای نظریه قابلیتها ضروری است. در غیر این صورت، نمیتوان درک کرد و توضیح داد که چرا برخی سازمانها و بازیگران میتوانند قابلیتها را تحقق بخشند در حالی که برخی دیگر نمیتوانند.
چارچوب استطاعت (قابلیت)-واقعیت، اقتباس شده (دو و همکاران، 2019)
در حالی که اجماع گستردهای در میان پژوهشگران در مورد اهمیت هوش مصنوعی در مدیریت نوآوری وجود دارد، توجه کمی به رویکردهای نوآوری ملموس و این سوال که چگونه میتوان هوش مصنوعی را در فرآیندهای قبلی هدایتشده توسط انسان ادغام کرد تا از یک حالت نوآوری ترکیبی بهرهمند شود، شده است. به عنوان مثال، Joosten و همکاران (2024) عملکرد هوش مصنوعی را در تولید ایدهها مقایسه میکنند، اما در حالت “فقط هوش مصنوعی” به جای رویکرد ایدهپردازی ترکیبی. علاوه بر این، تحقیق بر روی یک کار اولیه تولید ایده متمرکز است، نه بر یک فرآیند ایدهپردازی گسترده شامل چندین مرحله متوالی. Bilgram و Laarmann (2023) به قابلیتهای هوش مصنوعی در روشهای خلاقیت خاص مانند ایجاد شخصیت یا روش SCAMPER اشاره میکنند. با این حال، آنها عامل همکاری ترکیبی و تعامل اجتماعی را حذف میکنند. تحقیق اکتشافی ما با بررسی تعامل بین متخصصان تفکر طراحی و هوش مصنوعی به این موضوع میپردازد. به طور خاص، ما به دنبال شناسایی پتانسیلهای عمل (یعنی آنچه هوش مصنوعی میتواند در این زمینه برای آن استفاده شود) بودیم، نه تحقیق در مورد تعامل و تکنیکهای درخواست (نحوه استفاده از هوش مصنوعی). به عنوان موضوع تحقیق خود، ما یک کارگاه تفکر طراحی را انتخاب کردیم که به دلیل استفاده گسترده آن در عمل، موردی مرتبط در نظر میگیریم (Micheli et al., 2019).
روششناسی (Methodology)
طرح پژوهش (Research Design)
با توجه به اینکه تحقیقات کمی در مورد یکپارچهسازی هوش مصنوعی (AI) در تفکر طراحی (DT) انجام شده است، از یک طرح پژوهش اکتشافی (exploratory research design) استفاده کردیم. رویکرد کیفی چندمرحلهای (multi-step qualitative approach) به ما این امکان را میدهد که به طور جامع به کاوش سوالات تحقیق بپردازیم و بر کمبود منابع مکتوب غلبه کنیم. دادههای کیفی به جمعآوری دادههای غنی و دقیق منجر میشود که امکان تحلیل جامع و کاوش عمیق سوالات تحقیق را فراهم میکند. این رویکرد متوازنی را ارائه میدهد که بینشهای نظری از ادبیات را با آزمایش عملی و کاوش کیفی عمیق ترکیب میکند (Denzin & Lincoln, 2018; Leung, 2015).
طرح پژوهش ما از دو مرحله تشکیل شده است:
- در مرحله اول، با برگزاری کارگاه آموزشی با متخصصان موضوعی بر اساس اصول DT و مشاهده استفاده از هوش مصنوعی توسط شرکتکنندگان، به ادغام عناصر هوش مصنوعی در DT میپردازیم.
- به دلیل اینکه یکپارچهسازی هوش مصنوعی پیچیدگیهایی را به فرآیند اضافه میکند، کار با متخصصان باتجربه تفکر طراحی که با فرآیند DT آشنا هستند، بسیار مهم است. علاوه بر این، متخصصان DT میتوانند کارگاه آموزشی تقویتشده با هوش مصنوعی را با کارگاههای آموزشی DT قبلی که تجربه کردهاند، مقایسه کنند. در ادامه با متخصصان DT با استفاده از یک راهنمای مصاحبه نیمهساختاریافته مصاحبه انجام دادیم که به کاوش عمیقتر در دیدگاهها، تجربیات و بازتابهای شرکتکنندگان کمک کرد (Qu & Dumay, 2011).
مشاهده کارگاه آموزشی کیفی (Qualitative workshop observation)
شرکت کننده (Participating company)
هدف این مرحله تجربی این بود که متخصصان DT با استفاده از هوش مصنوعی در فرآیند DT آزمایش کنند و پتانسیلها و چالشها را شناسایی کنند. کارگاه حضوری با شش متخصص نوآوری از Bayern Innovativ در ماه مه ۲۰۲۳ برگزار شد. Bayern Innovativ یک آژانس برای نوآوری و ترویج، فناوری و انتقال دانش است (Bayern Innovativ, 2023). شرکتکنندگان، متخصصان باتجربه در زمینه نوآوری و DT بودند و قبلاً در چندین کارگاه آموزشی DT شرکت کرده یا آن را تسهیل کرده بودند. تجربه تیم با فرآیند DT بسیار مهم بود زیرا آنها میتوانستند کاملاً روی تحقق امکانات و محدودیتهای هوش مصنوعی تمرکز کنند. در عین حال، آنها در به کارگیری روشها و فرآیندهای استاندارد DT مهارت داشتند. برای وظایف اصلی در سراسر مراحل DT، شش متخصص برای بحثهای فشرده به سه گروه دو نفره تقسیم شدند. در پایان هر مرحله، نتایج و تجربیات بین گروهها تبادل میشد.
چالش طراحی (Design challenge)
چالش طراحی که به متخصصان محول شد، توسعه ایدههایی برای یک محصول جدید در سبد محصول موجود سازمان و با هدف مشتریان فعلی آنها بود. این محصول قرار بود یک فرمت محتوای جدید باشد که هدف آن برقراری ارتباط مؤثر با روندهای فناوری نوظهور باشد. در حالی که محصول برای شرکت جدید بود، با پیچیدگی فنی کم قابل توصیف است. ماهیت گسترده چالش عمدی بود، با هدف به کارگیری پتانسیل خلاقانه فناوریهای هوش مصنوعی در فرآیند توسعه بدون محدود کردن متخصصان به مجموعه محدودی از مشکلات فنی. این گشودگی برای اجتناب از وظایف خلاقانهای که ممکن است برای استفاده از هوش مصنوعی در کارگاه مناسب یا خیلی پیچیده نباشد، کلیدی بود. با وجود چارچوب باز مشکل، این چالش ابعاد احتمالی را برای تیم کارگاه پیشنهاد میکرد، مانند محتوایی که باید توسعه داده شود، سبکهای ارائه نوآورانه در نظر گرفته شده، کانالهای احتمالی تحویل و استراتژیهایی برای جلب مشارکت مؤثر کاربران.
فرآیند اجرا (Implementation Process)
با توجه به اینکه کارگاه آموزشی با متخصصان تفکر طراحی (DT) برگزار شد، برای روند واقعی فرآیند DT (actual DT process) راهنمایی اندکی ارائه کردیم. هدف اصلی این کار، تضمین انسجام روشهای بهکار رفته در تیمهای مختلف بود.
ما در طول فرآیند از هفت روش شناختهشده تفکر طراحی استفاده کردیم (Gama et al., 2023; d.school & Institute of Design Stanford, 2010; Brown, 2008). جزئیات این روشها به همراه اهداف و خروجی هر مرحله در جدول ۲ آمده است. برای تسهیل روند کارگاه، کارتهای راهنما (method cards) تهیه کردیم تا هر تکنیک را به شرکتکنندگان یادآوری و آنها را راهنمایی کند.
فرآیند با مرحله «مسئله، نیاز، فرضیه» آغاز شد. در این مرحله، تیمها مهمترین چالشها را شناسایی و بیان کردند و راهحلهای بالقوهای را فرضیهپردازی نمودند. با اینکه متخصصان از پیش دانش عمیقی نسبت به گروه هدف، بر اساس تجربیات خود با مشتریان داشتند، ما این دانش را با «تخصصیابی لحظهای» تکمیل کردیم.
این روش به متخصصان این امکان را میداد تا با کاوش منابع خارجی مانند اینترنت، مطالعات یا متخصصان داخلی، خود را در محیط کاربر غوطهور کنند و بینشهای بیشتری کسب نمایند. برای اینکه در طول فرآیند بر مشتریمحوری تمرکز کنیم، از پرسونا (personas) استفاده کردیم. پرسونا روشی کلیدی برای حفظ تمرکز بر نیازهای کاربر است. متخصصان با استفاده از روش پرسونا، نمادهای دقیق و سمبلیکی از کاربران معمولی ایجاد کردند (Micheli et al., 2019).
سپس تیمها این چالشها را در قالب پرسشهای باز «چگونه میتوانیم» (how might we) درآوردند تا تفکر خلاقانه و راهحلمحور را تحریک کنند. برای اولویتبندی این سؤالات، «رأیدهی نقطهای» (dot-voting) به اعضای تیم اجازه داد تا به صورت دموکراتیک درباره مهمترین مسائل تصمیمگیری کنند. این امر منجر به یک جلسه «طوفان فکری» (brainstorming) شد که در آن طیف وسیعی از ایدهها ایجاد و اصلاح گردید. در نهایت، از یک «ماتریس تصمیمگیری» (decision matrix) برای ارزیابی این ایدهها بر اساس معیارهای تعیینشده استفاده شد تا اطمینان حاصل شود که راهحلهای قابلاجرا برای توسعه بیشتر انتخاب میشوند.
مروری بر روش های کاربردی در کارگاه DT
| پرامپت ها | هدف و خروجی | روش | فاز |
| میانگین تعداد درخواستهای استفاده شده توسط هر گروه متخصص: ~2 اعلانهای مثال: «لطفاً کاربران احتمالی و نیازها/نقاط دردناک آنها را برای یک [قالب محتوای جدید] شناسایی کنید، با گروه هدف اصلی [گروه هدف]. اما لطفاً به کاربران احتمالی دیگر نیز فکر کنید.” “لطفاً به دنبال دلایل احتمالی برای نقاط درد مربوطه بگردید.” | هدف: شناسایی کاربران/گروههای هدف بالقوه برای محصول جدید و نیازهای کاربر مربوطه یا نقاط دردناک خروجی: فهرست گروههای هدف و مشکلات مربوط به آنها | مسئله، نیاز، فرضیه | همدردی |
| میانگین تعداد درخواستهایی که توسط هر گروه متخصص استفاده میشود: ~3 اعلانهای مثال: «تصور کنید شما [گروه هدف] فوقالذکر هستید. برای جمعآوری ایدهها برای [قالب محتوا] چه چیزی باید درباره شما بدانیم؟ «خلاصهسازی متن: «لطفاً تمام اطلاعاتی را که تا کنون در این گپ دریافت کردهاید در حداکثر 250 کلمه خلاصه کنید تا بهعنوان یک جلسه توجیهی در اختیار دیگران قرار دهید. “ | هدف: غوطه ور شدن در گروه هدف انتخابی. جمع آوری اطلاعات بیشتر در مورد آنها از طریق منابع مختلف خروجی: بینش دقیق در مورد گروه هدف و زمینه استفاده | فوری کارشناسی کردن | |
| میانگین تعداد درخواستهای استفاده شده توسط هر گروه متخصص: ~6 اعلانهای مثال: «لطفاً یک شخصیت زن از دادههای ورودی برای [گروه هدف] با نام دستهها، سن، انگیزه، اهداف، نقاط درد، ارزشها و یک توصیف کلی بسازید. شخص و همچنین توصیف شخص در یک کلمه.” “سرگرمی پرسونا چیست؟” | هدف: ایجاد یک نمایش داستانی و نمادین از گروه هدف در تمرکز برای هدایت تمرکز کاربر محور خروجی: شخصی با ویژگی های دقیق | پرسونا | تعریف |
| میانگین تعداد درخواستهای استفاده شده توسط هر گروه متخصص: ~4 اعلانهای مثال: «بر اساس ورودی، لطفاً فهرستی طولانی از 10 سؤال HMW ایجاد کنید.» لطفاً مرتبطترین سؤالات HMW را از دیدگاه خود انتخاب کنید و دلیل آن را توضیح دهید.» | هدف: تمرکز بر پربارترین نیازها با تدوین فهرستی از سؤالات به عنوان مبنای ایدهپردازی خروجی: فهرستی از 5 تا 10 سؤال HMW | چگونه ممکن است سوال کنیم | |
| میانگین تعداد درخواستهایی که توسط هر گروه متخصص استفاده میشود: ~3 اعلان(های مثال): «چگونه میتوانیم [قالب محتوا] (ساختار، محتوا، رسانه) را طوری طراحی کنیم که منبعی قابل دسترس و بصری برای شخصیت ما باشد؟» | هدف: ایجاد و تکرار ایدهها برای حل سؤالات HMW خروجی: مجموعه ایدههای اولیه؛ ایدهها و مستندات خوشهای به عنوان دستمال ایده | طوفان فکری | ایده پردازی |
| میانگین تعداد درخواستهای استفاده شده توسط هر گروه خبره: ~1 اعلانهای مثال: «لطفاً ایدهها را دستهبندی کنید تا بتوانیم آنها را در یک ماتریس اولویت وارد کنیم. پارامترها تاثیر و ارزش هستند. | هدف: طبقهبندی و اولویتبندی ایدهها برای هدایت انتخاب برای فاز نمونهسازی خروجی: ایدههای ارزیابی شده و اولویتبندی شده برای نمونهسازی اولیه | ماتریس تصمیم گیری |
جمعآوری دادهها
روش مشاهده کیفی روشی علمی است که در آن پژوهشگر به صورت سیستماتیک با مشاهده و گوش دادن، دادهها را جمعآوری میکند تا موضوع خاصی را به طور جامع درک کند و معانی نسبت داده شده به تجربیات افراد را تفسیر کند. این روش جمعآوری دادهها زمانی ارزشمند است که تحقیقات قبلی محدود یا وجود نداشته باشد (Given & McKechnie, 2008).
در این مطالعه، مشاهده مستقیم رفتار انسانی با یادداشتبرداری از فرآیندها و تعاملات در طول کارگاه آموزشی به کار گرفته شد. درجات مختلف مشارکت ناظر در محیط تحقیق ممکن است، از مشارکت کامل تا صرفاً مشاهده. نقش ناظر-بهعنوان-شرکتکننده بهترین توصیف برای این کارگاه است، زیرا ناظران کارگاه را مدیریت کردند و بدون مشارکت مستقیم، دستورالعملهای جزئی ارائه دادند (Gold, 1958).
در طول کارگاه، مشاهدات دقیقی به صورت سیستماتیک ثبت شد، از جمله استفاده از فلیپچارتها، یادداشتهای چسبدار، لاگهای گفتگو با چتبات و یادداشتهای گرفته شده توسط پژوهشگران ناظر. یادداشتها در طول کارگاه گرفته شده و بلافاصله پس از آن نوشته شدند تا حداقل تداخل را داشته باشند، که این رویکرد از توصیههای Given & McKechnie (2008) پیروی میکند. این مواد مشاهدهای در ساختاردهی مصاحبههای بعدی نقش داشتند و به عنوان یک لایه دادهای بنیادی عمل کردند که کل تحلیل ما را شکل داد. به عنوان مثال، پدیدههای خاصی که در طول کارگاه مشاهده شد، مانند تعاملات شرکتکنندگان با چتبات یا الگوهای تصمیمگیری، به دقت یادداشتبرداری شد و بعداً در مصاحبهها برای کشف دلایل و تفاوتهای ظریف زمینه مورد بررسی قرار گرفت.
پس از کارگاه، تحلیل اسناد از “چتها” بین شرکتکنندگان و هوش مصنوعی، یعنی ChatGPT به عنوان ابزار انتخابی، انجام شد. همه شرکتکنندگان تاریخچه چت خود را به اشتراک گذاشتند که پس از کارگاه به طور خودکار مستند شده بود. مشاهدات، مصاحبههای پس از کارگاه را تکمیل کرد و امکان مثلثسازی و درک چندوجهی را با ترکیب دیدگاههای داخلی و خارجی کارگاه فراهم کرد.
روش تحلیل دادهها
مصاحبههای نیمهساختار شده کیفی
شش مصاحبه پیگیری از راه دور با شرکتکنندگان کارگاه برگزار شد. مدت زمان متوسط هر مصاحبه ۵۵:۳۰ دقیقه بود که در مجموع ۵ ساعت و ۳۳ دقیقه زمان مصاحبه را به ما داد. مصاحبههای نیمهساختار شده به سوالات پیگیری و انعطافپذیری برای پرداختن به موضوعات جدید و غیرمنتظره اجازه دادند (Bogner et al., 2014). رویکرد نیمهساختار شده تجویز نمیکند که سوالات یکسانی از هر مصاحبهشونده پرسیده شود تا قابلیت مقایسه را تضمین کند. این امر به پرسشهای عمیقتر در مورد جنبههای جالب توجهی که در وضعیت ظهور کردند، کمک کرد. راهنمای مصاحبه در یک فرآیند چند مرحلهای توسعه یافت که سوالات تحقیق را عملیاتی کرد، طبق Kaiser (2014). راهنمای مصاحبه به پنج بلوک موضوعی شامل ۲۲ سوال تقسیم شد. بخشی اولیه عمومی، دیدگاه کلی در مورد کارگاه را بررسی کرد تا مصاحبهشونده را وارد جریان مکالمه کند، قبل از اینکه عمیقتر به درک یکپارچهسازی هوش مصنوعی، محتوا و خروجی هوش مصنوعی و مراحل کارگاه بپردازد. در پایان، برخی سوالات پایانی به بازبینی مکالمه و درخواست نظرات یا سوالات اضافی پرداختند.
تحلیل دادهها
برای درک جامعتر یافتهها، دو دیدگاه در مورد موضوع تحقیق را ترکیب کردیم (Flick, 1991)، و از این طریق از مثلثسازی استفاده کردیم (Patton, 1999). ما دادهها را از مشاهده (دیدگاه خارجی) و مصاحبهها (دیدگاه داخلی) جمعآوری کردیم (Patton, 1999). اگرچه تمرکز اصلی تحقیق بر تحلیل مصاحبهها بود، اما مشاهده نقش مهمی در توسعه و تکمیل راهنمای مصاحبه و در تأیید تجربیات شرکتکنندگان از دیدگاه ناظر ایفا کرد. علاوه بر این، غنای کلی تحلیل را افزایش داد و اعتبار یافتهها را تقویت کرد. هر دو مجموعه داده به صورت موضوعی تحلیل شدند.
برای تحلیل، از MaxQDA، یک نرمافزار تخصصی تحلیل دادهها و متن کیفی، برای تسهیل فرآیند تحلیل دادهها استفاده کردیم. برای انجام تحلیل، از رویکرد ارائه شده توسط Maguire و Delahunt (2017) پیروی کردیم. فاز اول آشنا شدن با دادهها بود. در ادامه، برای ثبت عناصر و ایدههای اساسی، از یک رویکرد کدگذاری باز استفاده کردیم (Maguire & Delahunt, 2017). در حالی که تحلیل اولیه بر پتانسیلهای هوش مصنوعی که توسط متخصصان DT درک شده بود، محدودیتهای احتمالی و استراتژیهای کاهش محدودیت تمرکز داشت، هدف ما در فاز سوم تحلیل، کنار گذاشتن این سطح دقیق و شناسایی پتانسیلهای عملی گستردهتر بود که در مراحل مختلف کارگاه و وظایف مختلف دوباره ظاهر میشدند. به عنوان مثال، پتانسیل هوش مصنوعی برای تسریع فرآیند، پتانسیلی بود که متخصصان در چندین مرحله از DT، مانند مراحل همدلی، تعریف و ایدهپردازی گزارش کردند. بنابراین، دادهها را برای یافتن مضامین بررسی کردیم و مفاهیم سطح اول شناسایی شده را با استفاده از لنز قابلیت و تحقق (Majchrzak & Markus, 2013) به مفاهیم سطح دوم تجمیع کردیم (نگاه کنید به شکل 1). پتانسیلهای عمل هوش مصنوعی شناسایی شده در فرآیند کدگذاری ما خوشهبندی شدند و منجر به چهار قابلیت هوش مصنوعی در زمینه DT شد. پس از افزودن به نظریه قابلیت-تحقق پیشنهادی توسط Du et al. (2019)، ما بررسی کردیم که آیا محدودیتهایی وجود دارد که تحقق پتانسیل هوش مصنوعی را مانع میشود یا خیر. به طور مشابه، ما همچنین محدودیتهای احتمالی کاهش را که متخصصان برای غلبه بر محدودیتها پیشنهاد کردند، بررسی کردیم. از آنجایی که مطالعه ما بر فرآیند آزمایش با هوش مصنوعی در زمینه کارگاه DT متمرکز است، نه بر یک قالب DT تقویتشده با هوش مصنوعی، تحلیل ما همچنین بر قابلیتها، محدودیتها و کاهش محدودیتها متمرکز است و چشمانداز نتیجه را در مطالعه ما حذف میکند. در مرحله آخر، مضامین را بررسی، اصلاح و نامگذاری کردیم.
یافتهها
یافتههای ما به سه بخش تقسیم شده و بر اساس چارچوب گستردهتر قابلیت-تحقق Du et al. (2019)، که قبلاً در پیشینه ادبی معرفی شده بود، ساختار یافته است. اول، ما به برجسته کردن الگوهای تعامل بین متخصصان و هوش مصنوعی و گزارش برداشتهای متخصصان DT در مورد پتانسیلهای عمل یکپارچهسازی هوش مصنوعی میپردازیم که ما آنها را برای توصیف مفاهیم سطح دوم تجمیع کردیم (نگاه کنید به شکل 2). دوم، ما به برجسته کردن محدودیتهای مشاهده شده در کارگاه و بیان شده توسط متخصصان در مصاحبههای بعدی میپردازیم. سوم، ما برخی از استراتژیهای اولیه کاهش را که متخصصان برای کاهش محدودیتها پیشنهاد کردند، تشریح میکنیم.
یافتهها
یافتههای ما به سه بخش تقسیم شده و بر اساس چارچوب گستردهتر قابلیت-تحقق (واقعیت) (affordance-actualization framework) Du et al. (2019)، که قبلاً در پیشینه ادبی معرفی شده بود، ساختار یافته است.
اول، ما به برجسته کردن الگوهای تعامل بین متخصصان و هوش مصنوعی و گزارش برداشتهای متخصصان DT در مورد پتانسیلهای عمل یکپارچهسازی هوش مصنوعی میپردازیم که ما آنها را برای توصیف مفاهیم سطح دوم تجمیع کردیم (نگاه کنید به شکل 2).
قبل از بحث در مورد قابلیتهایی که توسط متخصصان DT درک شده است، ابتدا به طبقهبندی الگوهای تعامل کلیدی مشاهده شده در طول کارگاه میپردازیم که برای درک دینامیک بین متخصصان انسانی و هوش مصنوعی بسیار مهم است. این الگوها همچنین بر نحوه تأثیر روشهای یکپارچهسازی بر درک متخصصان از قابلیتها و محدودیتهای هوش مصنوعی نور میاندازند. چهار الگوی تعامل کلی در تحقیق ما مشاهده شد:
- رویکرد فقط هوش مصنوعی (AI-only approach): گاهی اوقات از این رویکرد استفاده میشد، به ویژه زمانی که سرعت در اولویت بود و دقت کمتر اهمیت داشت. به عنوان مثال، زمانی که تیم میخواست به سرعت عملکردهای کلی یک فناوری را درک کند تا امکانپذیری یک ایده را ارزیابی کند. در چنین مواردی، وظایف کاملاً به هوش مصنوعی واگذار میشد و متخصصان بعداً خروجیها را از نظر کیفیت و مرتبط بودن ارزیابی میکردند.
- استراتژی فقط انسان (human-only strategy): رویکرد متضاد، یعنی استراتژی فقط انسان، زمانی به کار گرفته میشد که تیم تصمیم میگرفت مداخله هوش مصنوعی بیفایده یا غیرضروری است. در این موارد، متخصصان صرفاً به تخصص انسانی خود متکی بودند. این رویکرد زمانی مشاهده شد که دانش خاص شرکت (مانند جهتگیریهای استراتژیک یا بینشهای مشتری) یا دانش حوزه (مانند پلتفرمهای فناوری موجود) مورد نیاز بود. به عنوان مثال، متخصصان تصمیم گرفتند سوالات «چگونه میتوانیم» (How Might We) را بر اساس دانش خود در مورد نیازهای مشتریان و اولویتهای استراتژیک خود ارزیابی کنند. تمرکز تحقیق ما یک سوگیری چارچوب را معرفی کرد که متخصصان را به سمت استفاده از هوش مصنوعی سوق داد، در نتیجه منجر به کمنمایی رویکردهای سنتیتر در کارگاه شد.
- رویکرد انسان-سپس-هوش مصنوعی (human-then-AI approach): رایجترین الگوی تعامل، رویکرد انسان-سپس-هوش مصنوعی بود که در آن تیمها ابتدا به طور مستقل ایدهها را تولید یا وظایف را ساختار میدادند و سپس از هوش مصنوعی برای پالایش خروجیهای اولیه خود استفاده میکردند. در اینجا، هوش مصنوعی عمدتاً به عنوان یک ابزار بهینهسازی عمل میکرد و ایدههای اولیه تولید شده توسط انسان را بهبود میبخشید، مانند تنظیم دقیق و بیان ایدههای خام.
- رویکرد هوش مصنوعی-سپس-انسان (AI-then-human approach): در این رویکرد، تیمها با استفاده از هوش مصنوعی و با یک درخواست ساده و اولیه، وظایف را آغاز میکردند و از خروجیهای آن به عنوان سکوی پرتاب برای توسعه، پالایش و نقد بیشتر توسط انسان استفاده میکردند. این رفتار اغلب در طول تولید ایده مشاهده میشد، زمانی که متخصصان از بینشها و دانش خود برای پالایش ایدههای اولیه تولید شده توسط هوش مصنوعی استفاده میکردند. مهم است توجه داشته باشیم که اگرچه این رویکرد نیاز به ورودی اولیه انسان داشت، اما این مشارکت معمولاً حداقل بود و اغلب شامل یک درخواست ساده و بداهه بود. این الگو با موقعیتهایی مشخص میشود که تفکر و ورودی اولیه انسان نسبتاً سطحی بود و عمدتاً برای فعال کردن و هدایت پاسخ هوش مصنوعی عمل میکرد.
قابلیت اول: پتانسیل تقویت خلاقیت
همانطور که بررسی ادبیات توسط Micheli et al. (2019) نشان داد، تولید ایدههای نوآورانه برای حل مشکلات یکی از ویژگیها و نتایج اصلی DT است. در کارگاه DT ترکیبی ما، مشخص شد که متخصصان درک کردند هوش مصنوعی این عنصر کلیدی DT را به دو روش اصلی تقویت میکند. اول، مشاهده کردیم که هوش مصنوعی به متخصصان کمک کرد تا ایدههای بیشتری (در یک بازه زمانی مشخص) تولید کنند، زیرا ژنراتورهای متن به متن میتوانند 10-15 ایده متمایز را در چند ثانیه ایجاد کنند. علاوه بر این، در طول کارگاه متوجه شدیم که متخصصان با تغییر کلمات، ساختار یا افزودن جزئیات مانند الزامات یا ویژگیهای ایده، درخواستها را تغییر میدهند. این منجر به ایدههای بسیار بیشتری نسبت به ایدههای تولید شده توسط درخواست اولیه شد. دوم، در طول جلسه ایدهپردازی شاهد بودیم که فرآیند تقویتشده با هوش مصنوعی همچنین ایدههای کاملاً جدیدی را آشکار کرد که گروه متخصصان قبلاً به آنها فکر نکرده بودند. متخصصان در مصاحبههای خود نیز این موضوع را تأیید کردند:
“آنچه وسوسهانگیز است این است که پاسخهای اولیه هیجانانگیز هستند و سپس دو یا سه پاسخ دیگر نیز تولید میکنید. در اینجاست که چیزهایی ظاهر میشوند که قبلاً به آنها فکر نکرده بودید.” (متخصص 2)
“80 درصد را قبلاً در جلسه طوفان فکری داشتیم، اما 20 درصد باقیمانده میتواند مهم باشد. به عنوان مثال، من گروه هدف [ذکر شده] سرمایهگذاران را جالب پیدا کردم.” (متخصص 4)
در زمینه DT، اصل تکرار نقش مهمی در درک مشکل، توسعه ایدهها و بسط نمونههای اولیه ایفا میکند. با این حال، با یکپارچهسازی هوش مصنوعی، متخصصان DT متوجه شدند که تکرار درخواست یک بعد اضافی است. تکرار ایدههای انسانی توسط هوش مصنوعی نقش مهمی ایفا کرد، زیرا این ابزار زمانی که جریان تکرار متوقف میشد مفید بود:
“[…] ابزار زمانی مفید بود که جریان تکرار متوقف میشد و شرکتکنندگان به استراحت نیاز داشتند و نمیتوانستند به چیزی فکر کنند. سپس میتوانید دوباره انگیزه بگیرید.” (متخصص 1)
اگرچه متخصصان شرکتکننده به طور کلی نسبت به کمیت و کیفیت ایدهها خوشبین بودند، برخی از متخصصان از سطح نسبی پیشپاافتادگی ایدهها در برخی از موقعیتهای کارگاه ناامید شدند. قابلیت اول به طور طبیعی برای شرکتکنندگان در مرحله ایدهپردازی زمانی که سعی میکردند راهحلهایی برای سوالات HMW تعریف شده قبلی توسعه دهند، رخ داد.
پتانسیل تقویت خلاقیت در وظایفی که نیاز به ثبت و بیان افکار و ایدههای حاصل از شناخت انسانی داشتند، آشکار شد. همانطور که در مشاهده ما مشخص شد، این پتانسیل به ویژه در طول تعریف شخصیت و تدوین سوالات HMW ظاهر شد، زمانی که متخصصان به درک نسبتا روشنی از گروه هدف یا مشکل و اجزای مهمی که این مفاهیم شامل میشوند، رسیدند، اما در تبدیل افکار خود به کلمات دقیق و مناسب مشکل داشتند. این فرآیند اغلب منجر به بحثهای گسترده بین شرکتکنندگان در کارگاه میشود. در این زمینه، متخصصان برتری هوش مصنوعی را نسبت به انسانها در مصاحبهها تأکید کردند:
“برای سوالات HMW، همیشه از هوش مصنوعی استفاده میکنم، زیرا این روش برای انسانها دشوار است.” (متخصص 4)
“داشتن یک مغز فنی خارجی برای فرموله کردن بهترین آن یا فرموله کردن اصل آن بسیار خوب است.” (متخصص 1)
“مرحله تعریف مشکل متمرکزتر بود و سوالات دقیقتر فرموله شدند.” (متخصص 3)
قابلیت دوم: پتانسیل تقویت وظایف تحلیلی و اکتشافی
علاوه بر ویژگیهای خلاقانه DT، وظایف تحلیلی و اکتشافی نقش مهمی ایفا میکنند، به ویژه در مراحل همدلی و تعریف، زمانی که هدف درک کاربران و نیازهای آنها و کاوش در زمینه است. مشاهدات ما نشان داد که پتانسیل تحلیلی که متخصصان درک کردند شامل دو جنبه متمایز بود: یافتن اطلاعات و سنتز اطلاعات. جنبه اول به پتانسیل هوش مصنوعی برای پشتیبانی از جمعآوری اطلاعات اشاره دارد و توسط یکی از متخصصان به شرح زیر توصیف شده است:
“هوش مصنوعی قبلاً همه محتواهایی را که من در گوگل جستجو میکردم خلاصه کرده است.” (متخصص 4)
در حالی که هوش مصنوعی به طور کارآمدی شخصیتها را ایجاد کرد، برخی از متخصصان از فقدان شخصیت و زنده بودن آنها انتقاد کردند، که نشان میدهد هوش مصنوعی در یک گروه کاربری واقعی غوطهور نبوده است، که برای ایجاد شخصیتهای تأثیرگذار ضروری است.
جنبه دوم، پتانسیل هوش مصنوعی در خلاصهسازی و ترکیب اطلاعات را توصیف میکند، به عنوان مثال، خلاصهسازی اطلاعات در یک وبسایت یا ادغام ویژگیهای مختلف در توصیف یک شخصیت. علاوه بر این، از طریق مشاهده متوجه شدیم که پتانسیل خلاصهسازی در مرحله ایدهپردازی مفید بود، زمانی که متخصصان با چالش درک و پردازش فراوانی از ایدههای تولید شده توسط هوش مصنوعی مواجه بودند. بنابراین، قابلیتهای خلاصهسازی هوش مصنوعی در این شرایط به انسانها اجازه داد تا بر توانایی بیش از حد تولید ایدههای هوش مصنوعی تسلط پیدا کنند.
قابلیت سوم: پتانسیل شروع وظایف
در حالی که اغلب از هوش مصنوعی برای “پر کردن شکافها” استفاده میشد، یعنی تیم انسانی شروع به تولید ایدهها، ساختاردهی آنها و سپس ارائه آنها به عنوان ورودی به هوش مصنوعی برای تکرار میکرد، متخصصان DT همچنین رفتار متضادی را نشان دادند. در این حالت، هوش مصنوعی قبل از هر فرآیند تفصیلی انسانی با یک درخواست نسبتاً باز حاوی حداقل اطلاعات، به کار گرفته شد. به عبارت دیگر، هوش مصنوعی فرآیند را با ایدههای اولیهای که تیم انسانی بر روی آنها ساخته بود، آغاز کرد. ما این رفتار را به عنوان “هوش مصنوعی-سپس-انسان” (AI-then-human) توصیف میکنیم. در مصاحبهها، متخصص ۱ این پتانسیل را به عنوان “پر کردن یک صفحه خالی” توصیف کرد، در حالی که شرکتکننده دیگری بر توانایی هوش مصنوعی در هدایت فرآیند DT تأکید کرد، که میتواند فرآیند تفکر انسانی را آغاز کند و بر “بلوک ایدهپرداز” غلبه کند:
“هوش مصنوعی مانند کسی است که شما را در جهت درست هدایت میکند. من تأیید را به انسانها واگذار میکنم، اما هوش مصنوعی میتواند این فشار را ارائه دهد یا فرمولی را که دیگران استفاده کردهاند به شما نشان دهد.” (متخصص 2)
“[…] با فشار دادن یک دکمه، متون و پیشنهادات خوبی دریافت میکنم و بلافاصله چیزهایی در اتاق وجود دارد که من ممکن است فقط بعد از حدود یک ربع ساعت به آنها میرسیدم.” (متخصص 1)
قابلیت چهارم: پتانسیل افزایش سرعت فرآیندها
یک پتانسیل جانبی که در سه قابلیت قبلی نشان داده شد، به بهرهوری ذاتی ناشی از استفاده از هوش مصنوعی در DT اشاره دارد. اجماع بین متخصصان DT وجود داشت که هوش مصنوعی میتواند به انجام سریعتر وظایف کمک کند، با وجود این اعتراف عمومی که حجم بالای محتوای هوش مصنوعی نیاز به منابعی برای پردازش، انتخاب و جذب خروجیهای تولید شده توسط هوش مصنوعی دارد. در حالی که پتانسیلهای عملی قبلی در یک یا دو کار خاص، مانند سوالات HMW یا تولید ایده، ظاهر شدند، افزایش سرعت در تقریباً هر وظیفهای در کارگاه DT ما رخ داد، چه در تحقیق و غوطهوری در مرحله همدلی، تحلیل و تعریف شخصیتها و تدوین سوالات HMW در مرحله تعریف، یا تولید ایدهها در مرحله ایدهپردازی. به عنوان مثال، یکی از شرکتکنندگان در کارگاه اظهار داشت که در طول مرحله تحقیق به اطلاعات سریع و گسترده نیاز دارد. او برجسته کرد که چگونه هوش مصنوعی میتواند با جستجوی چندین وبسایت و خلاصه کردن نتایج، به او کمک کند. در مصاحبهها، متخصصان همچنین بر پتانسیل هوش مصنوعی در غلبه بر محدودیتهای زمانی معمول در کارگاهها تأکید کردند:
“حمایت هوش مصنوعی فرآیند را تسهیل کرد، که مفید بود زیرا همیشه زمان کافی برای کارگاههای نیمروزه یا تمام روز برای تولید ایدههای قابل استفاده وجود ندارد.” (متخصص 1)
محدودیتهای یکپارچهسازی هوش مصنوعی در DT
با وجود رابط کاربری آسان ژنراتورهای متن به متن مانند ChatGPT، مشاهدات و مصاحبههای ما نشان داد که هوش مصنوعی همچنین بازیگران را از دستیابی به اهداف خود، مانند توسعه درک عمیق از کاربران و استفاده از زمینه یا تولید بسیاری از ایدههای باکیفیت، محدود میکند. یکی از یافتههای فراگیر این بود که محدودیتهای درک شده توسط متخصصان در کارگاه ما، محدودیتهای کلی صرف نظر از مراحل یا وظایف خاص کارگاه را نشان میداد. بلکه، محدودیتها چالشهای کلی را توصیف میکنند که یکپارچهسازی هوش مصنوعی در DT برای شرکتکنندگان در کارگاه به همراه داشت.
محدودیت 1: سرکوب عناصر اجتماعی
با وجود مزایای بالقوه یکپارچهسازی هوش مصنوعی، در طول مشاهده مشخص شد که مشاوره با هوش مصنوعی منجر به کاهش ارتباط و تعامل بین شرکتکنندگان در کارگاه هنگام تدوین درخواستها یا خواندن خروجیهای تولید شده توسط هوش مصنوعی شد. تأخیرهای ذاتی مرتبط با تعامل با ChatGPT، مانند انتظار برای پاسخها و هماهنگ کردن بحثها در مورد این پاسخها، چالشهایی را در حفظ تبادل همزمان بین اعضای تیم در کارگاه ایجاد کرد. یکپارچهسازی کامپیوتری هوش مصنوعی در کارگاه در خفه کردن تعامل اجتماعی شرکتکنندگان بسیار مهم بود. به ویژه تکرار درخواستها (یعنی مهندسی درخواست) و بازتاب خروجیها به عنوان چالشبرانگیز و وقتگیر، به ویژه برای شرکتکنندگان با تجربه کم در هوش مصنوعی در نظر گرفته شد. در مصاحبهها، متخصصان به اتفاق آرا اظهار داشتند که کار فردی با ژنراتورهای متن به متن منجر به همکاری انسانی محدود و کار در جریانهای جداگانه و منزوی تیمها میشود. این حالت کاری جدید برای شرکتکنندگان ناامیدکننده به نظر میرسید، زیرا آنها به تجربه مثبت حالتهای کاری مشارکتی و تعامل اجتماعی در کارگاههای DT عادت داشتند.
“هوش مصنوعی فضای زیادی را اشغال کرد و تمرکز را کاهش داد و تعامل اجتماعی کمتری وجود داشت.” (متخصص 5)
“[…] زیرا همه روی لپتاپهای خود متمرکز بودند. مشابه کارگاههای دیجیتال است که برای تولید سریع ایدهها عالی هستند، اما برای تقویت خلاقیت یا فعالیتهای تیمی مناسب نیستند.” (متخصص 4)
“در برخی موارد، شرکتکنندگان بیشتر از طریق لپتاپ با هم ارتباط برقرار میکردند تا با یکدیگر، به ویژه اگر تدوین درخواست برای تیم چالشبرانگیز بود.” (متخصص 4؛ متخصص 6)
محدودیت 2: سرکوب اثرات مثبت کارگاه
در طول مراحل و وظایف مختلف کارگاه، الگوی قابل توجهی مشاهده شد. شرکتکنندگان به نظر میرسید که پس از استفاده طولانیمدت یا مکرر از هوش مصنوعی، کاهش انرژی خلاقانه و تفکر انتقادی را تجربه میکردند. شرکتکنندگان نوعی محدودیت شناختی را نشان میدادند که اغلب به عنوان “دید تونلی” (tunnel vision) شناخته میشود. این پدیده با کاهش تمایل به کاوش ایدههای واگرا یا چالش کشیدن پیشنهادات تولید شده توسط هوش مصنوعی مشخص میشد.
این یافته توسط مصاحبهها تأیید شد، که در آن شرکتکنندگان این رفتار را به “خاموش شدن ذهنی” (Expert 3) و اتکا بیش از حد به پیشنهادات هوش مصنوعی نسبت دادند. در نتیجه، سطح تعامل به طور قابل توجهی کاهش یافت، همانطور که متخصصان اشاره کردند:
“هوش مصنوعی روشن – مغز خاموش.” (متخصص 1)
جنبه دیگری از کاهش آگاهی ذهنی، افزایش دید تونلی بود. مصاحبهشوندگان به چالش تفکر فراتر از ایدههای تولید شده و در نظر گرفتن ایدههای غیرمتعارف به دلیل آمادهسازی توسط ایدههای تولید شده توسط ChatGPT اشاره کردند.
علاوه بر این، مشاهدات نشان داد که جریان کارگاه هر زمان که شرکتکنندگان با هوش مصنوعی درگیر میشدند، مختل میشد. این رفتار در مراحل مختلف ظاهر میشد، هر زمان که شرکتکنندگان به هوش مصنوعی درخواست میدادند و بنابراین باید روی ژنراتور متن به متن و رایانههای خود تمرکز میکردند. اختلال در جریان، به ویژه در مراحل خلاقانه مانند تولید ایده، مختلکننده و قابل توجه بود. به طور خاص، وقفه رسانهای بین تایپ درخواستها و نوشتن ایدهها روی برچسبها، جریان کاری که متخصصان DT به دنبال آن بودند را مختل کرد. این جریان کاری جدید برای آنها طبیعی به نظر نمیرسید، همانطور که در مصاحبهها بیان شد:
“من وقفههای رسانهای را دوست نداشتم.” (متخصص 6)
ما شناسایی ضعیفتر با ایدههای تولید شده توسط هوش مصنوعی نسبت به ایدههای خود یا انسانی را مشاهده کردیم. شرکتکنندگان همچنین اشاره کردند که با نتایج تولید شده توسط هوش مصنوعی به اندازه نتایج ایجاد شده توسط خودشان، ارتباط برقرار نمیکنند. فقدان اعتماد و اشتیاق به ایدهای که به شدت توسط یک تیم توسعه نیافته است، یک پدیده شناخته شده در تحقیقات خلاقیت است (Meyerson & Dewettinck, 2012; Hanaysha, 2016). این ممکن است منجر به اولویتدهی اولیه یا ناخودآگاه ایدههای تولید شده توسط هوش مصنوعی شود.
“اگر شما در ایجاد [ایدهها] لذت بردید، به نوعی قلب و روح من کمی بیشتر به آن متصل است، پس شاید بخواهم کمی بیشتر آن را دنبال کنم، زیرا احساسات مثبتی با آن همراه است.” (متخصص 4)
“وقتی خروجی خود تولید شده نباشد، شناسایی با نتایج به اندازه کافی قوی نیست.” (متخصص 6)
علاوه بر تکرار ایدههای سنتی، شرکتکنندگان باید درخواستها را تکرار میکردند. درخواست نوشته میشود و تا زمانی که نتیجه مطلوب حاصل شود، اصلاح میشود. تاریخچه چت نشان داد که در بیشتر موارد، حداقل دو پرسوجو برای دستیابی به نتیجه مطلوب ضروری بود. به اصطلاح مهندسی درخواست گاهی چالشبرانگیز و وقتگیر بود، به ویژه برای شرکتکنندگان با تجربه کم در هوش مصنوعی به طور کلی یا در زمینه یک کارگاه. علاوه بر این، حتی زمانی که یک درخواست خوب انجام میشد، خروجی دادههای حجیم هوش مصنوعی نیاز به تلاش قابل توجهی برای جذب و بازتاب خروجیهای تولید شده توسط هوش مصنوعی داشت، که منجر به یک برداشت کلی منفی از کمک هوش مصنوعی میشد.
استراتژیهای کاهش محدودیتهای یکپارچهسازی هوش مصنوعی در DT
ما استراتژیهای کاهش را برای مقابله با محدودیتها و تحقق پتانسیلهای عمل در زمینه همکاری و آمادهسازی کارگاه شناسایی کردیم. این استراتژیها عمدتاً بر پیشنهادات متخصصان بر اساس تجربه آنها در کارگاه تقویتشده با هوش مصنوعی بنا شده است.
حالت همکاری (Collaboration mode)
نحوه و زمان استفاده از هوش مصنوعی برای بهرهبرداری از تواناییهای اصلی هوش مصنوعی و انسان و جبران نقاط ضعف مربوطه ضروری است. در کارگاه، مشاهده کردیم که شرکتکنندگان گاهی از تحت تأثیر قرار گرفتن توسط خروجی تولید شده توسط هوش مصنوعی و مشکل در ارائه ایدههای خارج از چارچوب خود شکایت داشتند. بنابراین، متخصصان پیشنهاد کردند که ممکن است مفید باشد که شرکتکنندگان کارگاه ابتدا ایدههای خود را بیان کنند و سپس به هوش مصنوعی مراجعه کنند. به این ترتیب، مجریان میتوانند از اتکا بیش از حد به هوش مصنوعی جلوگیری کنند و اطمینان حاصل کنند که تعاملات بین شرکتکنندگان و هوش مصنوعی عوامل انسانی و اجتماعی مهم کارگاه را خفه نمیکند. علاوه بر این، متخصصان در مصاحبهها تأکید کردند که یک تخلیه اولیه ایدههای انسانی میتواند احساس توانمندسازی را در بین شرکتکنندگان افزایش دهد. به عنوان مثال، متخصص 2 اشاره کرد که به طور کلی مهم است که “ابتدا به انسانها اجازه دهیم فکر کنند”، و به افراد اجازه میدهد تا به طور فعال فرآیند طراحی را هدایت کنند و از هوش مصنوعی به عنوان یک ابزار پشتیبانی استفاده کنند. متخصص دیگری بر اهمیت فکر کردن انسانها در مورد مشکل قبل از مراجعه به هوش مصنوعی تأکید کرد:
“من آن را دوست داشتم زیرا ابتدا خودمان در مورد آن فکر کردیم و سپس آن را روی یادداشتهای کوچک خود نوشتیم و قبلاً یک ساختار اولیه داشتیم، بنابراین میتوانستیم به طور خاص از هوش مصنوعی بپرسیم، مثلاً بگوییم، ما فکر میکنیم آن را به سه حوزه تقسیم کردیم، ساختار، محتوا، رسانه یا چیزی شبیه به این. و سپس میتوانستیم به سادگی از هوش مصنوعی بپرسیم، از هوش مصنوعی در مورد ایدهها، در مورد ساختار، محتوا و رسانه بپرسیم.” (متخصص 2)
بنابراین، متخصصان ما توصیه میکنند که قبل از درگیر کردن هوش مصنوعی، در مورد مشکل فکر کنید و جهتگیریها را تعیین کنید. با این حال، متخصصان همچنین به اهمیت برخورد با خروجیهای هوش مصنوعی اشاره کردند. این شامل بازتاب خروجیها نسبت به اهداف کارگاه یا وظیفه خاص، ارزیابی تناسب و کیفیت، و همچنین الهام گرفتن از خروجیها، افزودن ایدههای انسانی و ارتباط با آنها، و ترکیب ایدههای تولید شده توسط هوش مصنوعی است:
“این نیز بسیار مفید بود که میتوانستیم به سادگی بگوییم: سوال سوم [HMW] عالی است، و اولی و چهارمی را به نوعی ترکیب میکنیم.” (متخصص 4)
آمادهسازی کارگاه
علاوه بر ویژگیهای مربوط به همکاری بین انسان و هوش مصنوعی، ما چندین روش برای کاهش محدودیتها هنگام آمادهسازی کارگاه شناسایی کردیم. قبل از کارگاه، متخصصان مصاحبه شده یک جلسه آموزشی کوتاه را برای بهرهبرداری کامل از مزایای هوش مصنوعی و به حداقل رساندن اثرات مخرب بالقوه آن توصیه کردند. در یک آزمایش در شرکت مشاوره Boston Consulting Group، پیشآمادگی مدیران در استفاده از ChatGPT ثابت شده است که کیفیت خروجی گروههای آموزش دیده را افزایش میدهد (Dell’Acqua et al., 2023). آموزش شرکتکنندگان در مورد دانش عمومی در مورد هوش مصنوعی و رویکردهای اولیه مهندسی درخواست برای تجهیز آنها برای کارگاه معقول است. این زمان را در طول کارگاه صرفهجویی میکند و ناامیدیها هنگام کار با هوش مصنوعی را کاهش میدهد.
همانطور که در مشاهدات ما توضیح داده شد، یکی از محدودیتهای مهم یکپارچهسازی مستقیم هوش مصنوعی در کارگاه این بود که جریان کارگاه و تعامل اجتماعی را مختل میکرد. برای مقابله با این اثر مضر، متخصصان پیشنهاد کردند که یک لیست انتخاب شده از محتوای تولید شده توسط هوش مصنوعی، مانند ایدهها، را قبل از کارگاه آماده کنند. مدیران باید درخواستهای واضح و خاصی را برای هوش مصنوعی تنظیم کنند که متناسب با وظیفه کارگاه باشد و سپس مرتبطترین و امیدوارکنندهترین آنها را که با اهداف کارگاه همسو هستند، انتخاب کنند. این ممکن است در فیلتر کردن ایدههای تکراری یا کمتر کاربردی کمک کند. ایدههای انتخاب شده همچنین میتوانند برای تسهیل یک جلسه ساختاریافتهتر و پربارتر، به دستههای مختلف تقسیم شوند. بنابراین، آمادهسازی محتوای تولید شده توسط هوش مصنوعی قبل از کارگاه میتواند راهی برای بهرهبرداری از مزایای هوش مصنوعی در عین محدود کردن اثرات منفی آن بر تعامل اجتماعی و حفظ جریان متمرکز کارگاه باشد.
پس از محدودیتهای قبلی، جنبه مهم دیگر در مفهومسازی کارگاه، برنامهریزی دقیق توالی کارگاه است که توسط شرکتکنندگان انسانی هدایت میشود و توسط هوش مصنوعی هدایت میشود. ما در طول کارگاه شاهد بودیم که وسوسه استفاده شدید از ChatGPT به دلیل در دسترس بودن آن برای همه شرکتکنندگان بسیار زیاد بود. در بازههای زمانی بدون محدودیت یا دستورالعمل در مورد استفاده از هوش مصنوعی، تقریباً همه شرکتکنندگان به سمت لپتاپها جذب شدند و از ChatGPT برای راهنمایی درخواست کردند. بنابراین، باید قوانین و دستورالعملهای روشنی برای اطمینان از استفاده متعادل از هوش مصنوعی وضع شود. همانطور که متخصصان اشاره کردند، به عنوان مثال، باید زمانی را برای تأمل انتقادی در مورد محتوای تولید شده توسط هوش مصنوعی اختصاص داد:
“شما باید […] به طور صریح یک دوره در کارگاه یا یک مرحله را شامل شوید که در آن [تیم] نتایج را بازتاب میدهد.” (متخصص 5)
این تصمیم بسیار فردی است و به تجربه هوش مصنوعی شرکتکنندگان، تخصص، ترجیحات حالت کاری و هدف کارگاه بستگی دارد. فازهای روشن و خاموش هوش مصنوعی، از جمله دلایل، باید به طور واضح به شرکتکنندگان اطلاع داده شود تا انتظارات مدیریت شود و از سردرگمی جلوگیری شود.
بحث و نتیجهگیری
ما یک مطالعه اکتشافی برای بررسی پتانسیلهای عمل و محدودیتهای هوش مصنوعی، به ویژه ChatGPT OpenAI انجام دادیم. در این مطالعه، ما متخصصان DT را در یک آزمایش اولیه برای یکپارچهسازی هوش مصنوعی در یک کارگاه DT مشاهده کردیم و پس از آن مصاحبههای کیفی انجام دادیم. ما از نظریه قابلیت به عنوان یک چارچوب مفهومی برای بررسی تعامل عوامل فنی و اجتماعی در کاربرد استفاده میکنیم، که محققان آن را به عنوان یکی از مزایای کلیدی این نظریه برجسته کردهاند (Majchrzak & Markus, 2013). یافتههای ما به تحقیقات نوآوری، به ویژه تحقیقات در مورد DT و تقویت آن از طریق هوش مصنوعی به روشهای متعددی کمک میکند.
تحقیق ما به مجموعه رو به رشد ادبیات در مورد تقاطع هوش مصنوعی و مدیریت نوآوری (Cooper & Brem, 2024; Füller et al., 2022; Kakatkar et al., 2020) با ارائه بینشهای کیفی در مورد یک روش متداول در این زمینه: کارگاههای DT کمک میکند. در حالی که مطالعات قبلی بر مزایای هوش مصنوعی در وظایف خاص و جداگانه تأکید میکنند، یعنی مقایسه کیفیت نتایج حاصل از استفاده از هوش مصنوعی (Dell’Acqua et al., 2023; Boussioux et al., 2024)، تحقیق حاضر یک دیدگاه فرآیندی و گروهی را اتخاذ میکند و بررسی میکند که چگونه تیمهای انسانی با هوش مصنوعی در یک محیط ترکیبی همکاری میکنند. بدین ترتیب، ما بینشهایی را در مورد تعامل تیمهای انسانی و هوش مصنوعی در طول یک فرآیند ایدهپردازی گسترده به جای یک کار ایدهپردازی منفرد مانند brainwriting (Joosten et al., 2024) ارائه میدهیم. از دیدگاه اجتماعی-فنی، تحقیق ما قابلیتها و محدودیتهای اصلی هوش مصنوعی را قبل از زمینه جنبههای اجتماعی مانند اهداف کاربر، شیوههای همکاری و هنجارهای اجتماعی شناسایی میکند.
یافتههای ما نشان میدهد که هوش مصنوعی چهار پتانسیل اصلی در زمینه کارگاههای DT دارد: (1) پتانسیل تقویت خلاقیت، (2) پتانسیل تقویت فازهای تحلیلی، (3) پتانسیل شروع وظایف، و (4) پتانسیل افزایش سرعت فرآیند. متخصصان DT به این پتانسیلها اشاره کردند که ممکن است بسته به شرکتکنندگان در کارگاه و زمینه متفاوت باشد. به طور قابل توجهی، پتانسیلها به وظایف کاملاً متفاوتی، یعنی وظایف خلاقانه و تحلیلی، و ابعاد عملکرد، یعنی کیفیت ایدهها یا سرعت فرآیند، اشاره میکنند. مشاهده اینکه هوش مصنوعی برای وظایف خلاقانه استفاده میشود، تغییر درک پتانسیلهای هوش مصنوعی را هنگام مقایسه درک مدیران و متخصصان قبل و بعد از ChatGPT نشان میدهد. به عنوان مثال، مطالعهای توسط Füller et al. (2022)، که قبل از ظهور ChatGPT انجام شد، نشان داد که از بین هشت کار رایج در مدیریت نوآوری، استفاده از هوش مصنوعی برای تولید ایده کمترین رتبه را داشت. در مقابل، مدیران در این مطالعه مزیت هوش مصنوعی را در رسیدگی به وظایف تحلیلی مانند شناسایی نیازهای مصرفکننده دیدند. این تغییر درک، موارد استفاده جدیدی را که توسط هوش مصنوعی مولد القا شده است، منعکس میکند و استفاده متنوعتر از فناوری هوش مصنوعی در مدیریت نوآوری را برجسته میکند.
در عین حال، قابل توجه است که متخصصان DT توانایی هوش مصنوعی را در تقویت عملکرد در ابعاد متضاد سنتی تشخیص میدهند. این نشان میدهد که قابلیتهای هوش مصنوعی تعادل سنتی بین کیفیت و سرعت را مختل میکند و میتواند بر اقتصاد نوآوری تأثیر بگذارد. این با یافتههای تجربی همسو است که نشان میدهد متخصصان مجهز به ابزارهای هوش مصنوعی به طور قابل توجهی از گروههای کنترلی که از پشتیبانی هوش مصنوعی استفاده نکردهاند، در کیفیت و سرعت پیشی میگیرند (Dell’Acqua et al., 2023). به طور مشابه، تحقیقات در مورد مدلهای هوش مصنوعی پیشبینیکننده ساختار پروتئین نشان داده است که مدلها بسیار دقیق هستند و با سرعت شگفتآوری کار میکنند و زمان کشف دارو را تا پنجاه درصد کاهش میدهند (Criddle et al., 2024). بهبود سرعت و کیفیت ارائه شده توسط هوش مصنوعی میتواند ساختار و فرآیندهای کارگاههای آینده را به طور اساسی تغییر شکل دهد. به عنوان مثال، کیفیت بالای ایدههای تولید شده توسط هوش مصنوعی و گزارشهای تحقیق میتواند رویههای استاندارد کارگاه را متحول کند، مانند جلسات گسترده brainwriting در ابتدا یا تحقیقات دفتری دستی در مورد گروههای هدف و محیطهای بازار. ورودیهای تولید شده توسط هوش مصنوعی میتوانند این وظایف و مراحل را ساده یا بهبود بخشند و به فرمتهای کارگاه کارآمدتر یا اختصاص زمان بیشتر به مراحل بحرانی مانند شناسایی مشکل، تعریف مشکل یا توسعه دقیق ایدهها کمک کنند.
به دلیل این قابلیتهای جدید هوش مصنوعی، نقش هوش مصنوعی در ایجاد نوآوری به طور فزایندهای مورد بحث قرار گرفته است (Mariani et al., 2023; Gama & Magistretti, 2023). برای مدت طولانی، نوآوری عمدتاً به عنوان نتیجه حل خلاقانه مشکلات تلقی میشد، در حالی که یافتن مشکل در فرآیند نوآوری کمتر مورد توجه قرار میگرفت (Ulrich & Eppinger, 1995; Verganti et al., 2020). Verganti et al. (2020) استدلال میکنند که هوش مصنوعی در مرکز صحنه قرار گرفته است و در دسترس بودن فوری و دسترسی آسان به ایدهها را القا میکند و نیاز به خلاقیت انسانی را کاهش میدهد. این سؤال مطرح میشود: “اگر حل مسئله توسط ماشینها انجام شود، چه نوع تفکری برای انسانها در نوآوری باقی میماند؟” (Verganti et al., 2020، ص 224). Csikszentmihalyi (1988) قبلاً به ماهیت متفاوت حل مسئله و یافتن مشکل اشاره کرده بود. به همین ترتیب، رویکردهای طراحی مانند چارچوب الماس دوگانه بر تمایز مهم بین دو مرحله در فرآیندهای خلاقانه تأکید میکنند. Verganti et al. (2020) پیشنهاد میکنند که تمرکز انسانها در فرآیند نوآوری ممکن است در عصر هوش مصنوعی به سمت یافتن مشکلات مرتبط تغییر کند. همانطور که در مشاهدات ما مشاهده شد، متوجه شدیم که متخصصان در مطالعه ما عمدتاً الگوی تعامل فکر کردن اول، تعریف مشکل و چارچوببندی چالش قبل از درگیر کردن هوش مصنوعی را پذیرفتهاند. با این وجود، در برخی شرایط، جهت مخالف در تعامل با هوش مصنوعی را نیز مشاهده کردیم. به ویژه زمانی که تیم انسانی فاقد الهام بود، از هوش مصنوعی برای هدایت در یک جهت خاص قبل از تأمل و درک مسیر پیشنهادی استفاده میکردند. بنابراین، بینشهای ما از یک کارگاه ترکیبی شواهدی را برای تغییر نقش انسانها در رویکردهای نوآوری، همانطور که Verganti et al. (2020) اعلام کرد، ارائه میکند. ما مشاهدات خود را خلاصه میکنیم و چارچوب متشکل از چهار الگوی تعامل اصلی برای همکاری با هوش مصنوعی پیشنهاد میکنیم: فقط هوش مصنوعی، فقط انسان، انسان-سپس-هوش مصنوعی و هوش مصنوعی-سپس-انسان.
مشابه تقابل یافتن مشکل و حل مسئله، تمایز بین استفاده از هوش مصنوعی در تفکر واگرا و همگرا در تحقیقات خلاقیت مورد بحث قرار گرفته است. با توجه به بینشهای Grilli & Pedota (2024) در مورد تغییر نقشهای تفکر واگرا و همگرا در حضور هوش مصنوعی، یافتههای ما دیدگاه دقیقی را معرفی میکند. در حالی که آنها پیشنهاد میکنند که هوش مصنوعی ممکن است تفکر همگرا را کالایی کند و حفظ کند که تفکر واگرا همچنان یک تلاش مشخصاً انسانی است، مشاهدات ما از الگوهای تعامل سناریوی متفاوتی را پیشنهاد میکند. در حالی که ما به طور کلی خط استدلال را تأیید میکنیم، شاهد اثربخشی استفاده از هوش مصنوعی در تفکر واگرا در چندین موقعیت در کارگاه بودیم، مانند ابتدای مرحله همدلی و در جلسه طوفان فکری.
ترجمه فارسی متن
بنابراین، به جای یک دوگانگی ساده هوش مصنوعی در مقابل انسان، ما پیشنهاد میکنیم به الگوهای همکاری در این بحث اشاره کنیم. با انجام این کار، بحث میتواند بر (1) توالی ورودیهای هوش مصنوعی و انسان، یعنی ترتیبی که همکاری در آن آشکار میشود، و (2) شدت ورودیهای هوش مصنوعی و انسان، یعنی میزان استفاده از تواناییهای انسان یا هوش مصنوعی در توالی مربوطه، تمرکز کند. این تغییر در دیدگاه میتواند زمینههای آکادمیک را به بازبینی چارچوبهای نظری پیرامون نقش هوش مصنوعی در خلاقیت سوق دهد.
در حالی که مزیت هوش مصنوعی در ایجاد سریع بسیاری از ایدهها ممکن است استفاده از برونسپاری تولید اولیه ایده به هوش مصنوعی را پیشنهاد کند (Boussioux et al., 2023; Joosten et al., 2024)، تحقیقات ما همچنین محدودیتهایی را در ارتباط با تولید ایدههای هدایتشده توسط هوش مصنوعی نشان داد. شرکتکنندگان در کارگاه نشان دادند که با وجود برتری عینی هوش مصنوعی در تولید ایده، اثرات جانبی مثبت توسط استفاده بیش از حد یا بیقاعده از هوش مصنوعی سرکوب میشوند. به ویژه، انگیزه ذاتی تیمهای انسانی به نظر میرسد که زمانی که آنها تجربه خودکارآمدی یا جریان را در هنگام انجام یک کار خلاقانه ندارند، رنج میبرد (Bandura, 1986; Nakamura & Csikszentmihalyi, 2002; Stajkovic & Luthans, 1998). Schutte و Malouff (2020) حمایت تجربی برای رابطه مثبت بین جریان و خلاقیت یافتند، که ممکن است از استدلال مبنی بر اینکه احساسات جریان بر نتایج کارگاههای خلاق تأثیر مثبت میگذارد، پشتیبانی کند. در حالی که مشاهدات ما نشان داد که افزایش سرعت و ایدههای جدید حاصل از استفاده از هوش مصنوعی میتواند احساسات سرخوشی ایجاد کند، ما شواهد حکایتی یافتیم که یک فرآیند تولید ایده تحت سلطه هوش مصنوعی که فقط توسط انسانها بازتاب و ارزیابی میشود، میتواند انگیزه و جریان تیم را خفه کند. در طول کارگاه ما، متوجه شدیم که تعاملات با هوش مصنوعی اغلب مستلزم این بود که متخصصان پرسشهایی را وارد کنند و منتظر پاسخ باشند. با وجود سرعت کلی این تبادلات، مکثهای ذاتی ناشی از این فرآیند گاهی اوقات تعامل و فرآیندهای فکری مداوم شرکتکنندگان را مختل میکرد. در محیط پویای یک کارگاه، چنین وقفههایی ممکن است به ویژه قابل توجه باشد و میتواند به طور قابل توجهی جریان ضروری برای تولید ایدههای مشارکتی را مانع شود. این امر به ویژه در مراحل طوفان فکری یا ایدهپردازی سریع، جایی که هدف تولید ایدهها به صورت روان و خودجوش است، قابل توجه بود.
علاوه بر اختلال در جریان، برونسپاری عناصر کلیدی تولید ایده به هوش مصنوعی میتواند خودکارآمدی شرکتکنندگان را تضعیف کند (Bandura, 1986). یک چالش رایج شناسایی شده در تحقیقات خلاقیت، کاهش اعتماد و تعهد به ایدههایی است که به طور گسترده توسط تیم توسعه نیافتهاند (Meyerson & Dewettinck, 2012; Hanaysha, 2016). این اغلب منجر به اولویتبندی آگاهانه یا ناخودآگاه ایدههای تولید شده توسط هوش مصنوعی میشود. به عنوان مثال، شرکتکنندگان متخصص در کارگاه ما نشانههایی از ناامیدی نشان دادند زمانی که کارگاه عمدتاً شامل درخواست از ChatGPT و کپی کردن پاسخ بود. مشخص شد که یک کارگاه تقویتشده با هوش مصنوعی به مراحل اختصاصی برای بسط ایدهها و تقویت سرمایهگذاری عاطفی و مالکیت در مفاهیم تولید شده توسط هوش مصنوعی نیاز دارد. بنابراین، یافتههای ما خواستار یکپارچهسازی متعادل هوش مصنوعی در وظایف خلاقانه برای جلوگیری از دلسرد کردن تیمهای انسانی کارگاه است. این به نظر میرسد که به ویژه مهم است، زیرا در بیشتر موارد، کارگاههای DT اغلب اولین قدم هستند، نتایج آنها نیاز به پردازش بیشتر – اغلب توسط تیمهای انسانی – دارد. اگر مالکیتی بر ایدههایی که عمدتاً توسط هوش مصنوعی ایجاد شدهاند وجود نداشته باشد، اجرای آنها توسط انسانها احتمالاً با شکست مواجه خواهد شد.
مشاهدات ما همچنین به درخواست تجدید نظر در سندرم NIH (Not Invented Here) و تأثیر احتمالی آن بر پذیرش محتوای تولید شده توسط هوش مصنوعی توسط Bouschery et al. (2023) میپردازد.
پیامدهای عملی
برخی از پیامدهای مهم برای مدیرانی که قصد دارند هوش مصنوعی را در کارگاههای خود ادغام کنند، عبارتند از:
1. بهرهبرداری از پتانسیل هوش مصنوعی و کاهش محدودیتها:
- شناسایی و بهرهبرداری از قابلیتهای هوش مصنوعی: از تواناییهای هوش مصنوعی برای تقویت خلاقیت، تحلیل و حل مسئله استفاده کنید.
- پیشبینی و کاهش محدودیتها: استراتژیهایی را برای کاهش مشکلاتی مانند اختلال در جریان خلاقیت، کاهش خودکارآمدی و آسیب به همکاری تیم پیادهسازی کنید.
2. آمادهسازی کارگاههای تقویتشده با هوش مصنوعی:
- انتقال وظایف پیش از کارگاه: وظایفی مانند تدوین درخواست و بازتاب اولیه ایدههای تولید شده توسط هوش مصنوعی را به مرحله قبل از کارگاه منتقل کنید تا تمرکز شرکتکنندگان بر جنبههای عمیقتر و مشارکتیتر فرآیند خلاقیت افزایش یابد.
- تغییر ساختار کارگاهها: ساختار کارگاهها را برای بهرهبرداری از افزایش کارایی ناشی از هوش مصنوعی بهینه کنید. کارگاههای کوتاهتر و متمرکزتر با تأکید بیشتر بر مراحل حیاتی مانند تعریف مسئله و بسط ایدهها را در نظر بگیرید.
3. کاهش هزینه و افزایش بهرهوری:
- بهینهسازی تخصیص منابع: تکمیل سریعتر وظایف با کمک هوش مصنوعی میتواند منجر به صرفهجویی در هزینهها و افزایش بهرهوری شود. سازمانها میتوانند منابع را به طور مؤثرتری تخصیص دهند و بازده بیشتری از سرمایهگذاریهای نوآورانه خود کسب کنند.
4. توسعه مهارتهای هوش مصنوعی:
- سرمایهگذاری در آموزش و توسعه: بر آموزش در زمینه هوش مصنوعی مولد برای تجهیز مدیران نوآوری با مهارتهای لازم اولویت دهید.
- ترویج اشتراکگذاری دانش: جوامع عملی را برای به اشتراکگذاری بهترین شیوهها و تسریع در پذیرش روشهای تقویتشده با هوش مصنوعی ایجاد کنید.
با درک و رسیدگی به این پیامدها، سازمانها میتوانند از قدرت هوش مصنوعی برای بهینهسازی کارگاههای نوآوری خود بهرهبرداری کنند.
محدودیتها و چشماندازهای پژوهش
اگرچه مطالعه ما دادههایی را از کارشناسان طراحی تفکر (DT) استخراج کرده است، اما تنها بر اساس مشاهدات یک کارگاه DT انجام شده است. این محدودیت در دامنه پژوهش، تعمیمپذیری یافتههای ما را کاهش میدهد، زیرا نتایج از یک زمینه خاص و با نمونهای نسبتاً کوچک به دست آمدهاند. انجام مطالعات در کارگاههای متعدد DT با حضور شرکتکنندگانی متنوع میتواند تعمیمپذیری نتایج را افزایش دهد. همچنین، شامل کردن طیف وسیعی از صنایع، ترکیبات تیمی و زمینههای فرهنگی، درک جامعتری از تأثیر هوش مصنوعی بر کارگاههای DT ارائه خواهد داد.
احتمال وجود سوگیریهایی ناشی از طراحی خاص کارگاه و نحوه ادغام هوش مصنوعی در آن وجود دارد. اگرچه این کارگاه به گونهای طراحی شده بود که به کارشناسان اجازه میداد از هوش مصنوعی استفاده کرده و تصمیمات خود را در خصوص نحوه ادغام مناسب آن بگیرند، ساختار کلی کارگاه ممکن است بر نتایج و تفسیرهای مطالعه تأثیر گذاشته باشد. این امر ممکن است برداشتها از قابلیتها و چالشهای استفاده از هوش مصنوعی در کارگاههای DT را دچار سوگیری کند. بررسی سیستماتیک انواع طراحیهای کارگاه، با توجه به نحوه ادغام هوش مصنوعی (برای مثال، انتخاب وظایف مناسب برای مشارکت هوش مصنوعی، ترتیب همکاری انسان و هوش مصنوعی، روش همکاری و تکرار فرآیندهای مرتبط با دستوردهی) میتواند روشهای مؤثر طراحی کارگاههای ترکیبی را که به اهداف کارگاه وابسته هستند، آشکار کند.
در مورد تعامل میان کارشناسان انسانی و هوش مصنوعی، ما پیشنهاد میکنیم که تحقیقات آتی تحلیل جامعی از تکنیکهای تعامل و دستوردهی به هوش مصنوعی در محیطهای مشابه انجام دهند. درک عمیقتر از اینکه چگونه دستورات خاص، پاسخهای هوش مصنوعی را شکل میدهند و این پاسخها چگونه بر نتایج کارگاه تأثیر میگذارند، میتواند بینشهای حیاتی برای بهبود ادغام هوش مصنوعی در فرآیندهای خلاقانه ارائه دهد. این بررسی دقیق به تنظیم بهتر ابزارهای هوش مصنوعی برای پاسخگویی به نیازهای خاص کارگاههای DT کمک کرده و کارایی استراتژیهای نوآوری با پشتیبانی هوش مصنوعی را بهبود میبخشد.
کارشناسان DT حاضر در مطالعه، متخصص استفاده از ChatGPT نبودند. در حالی که هدف پژوهش ما روشن کردن استفاده و پذیرش هوش مصنوعی توسط افراد غیرمتخصص بود، تأثیر مهارتهای آنها در دستوردهی (Prompting) مورد بررسی قرار نگرفت. باید توجه داشت که این پژوهش در مراحل اولیه عرضه ChatGPT انجام شد، زمانی که شرکتکنندگان تجربه کمی با این فناوری داشتند. آشنایی محدود با ChatGPT ممکن است توانایی شرکتکنندگان را در ادغام و استفاده مؤثر از هوش مصنوعی در کارگاه DT کاهش داده باشد. فقدان تخصص در مهندسی دستورات ممکن است کارایی هوش مصنوعی را محدود کرده باشد، زیرا کیفیت خروجیهای تولید شده توسط هوش مصنوعی تا حد زیادی به توانایی در تدوین دستورات بستگی دارد. تحقیقات آینده باید تأثیر مهارتهای مهندسی دستورات را بر اثربخشی هوش مصنوعی در فرآیندهای خلاقانه بررسی کند. با بررسی این که چگونه سطوح مختلف تخصص در دستوردهی و نحوه تدوین دستورات بر خروجیهای تولید شده توسط هوش مصنوعی تأثیر میگذارند، پژوهشگران میتوانند بهترین روشها برای ادغام هوش مصنوعی در کارگاههای DT را شناسایی کنند.
با وجود این محدودیتها و مسیرهای تحقیقاتی پیشرو، مطالعه ما بینشهای اولیهای درباره ادغام هوش مصنوعی در رویکردهای طراحی تفکر ارائه میدهد و فرصتها و چالشهای موجود را برجسته میکند. این پژوهش بهعنوان پایهای برای تحقیقات آینده در زمینه پویاییهای همکاری انسان و هوش مصنوعی در محیطهای خلاقانه عمل میکند.
منابع
Amabile, T.M. (2013). Componential theory of creativity. In: Kessler, E.H., Ed., Encyclopedia of Management Theory, Sage Publications, London, 134-139.
Amabile, T. M. (1988). A model of creativity and innovation in organizations. Research in organizational behavior, 10(1), 123-167.
Amabile, T. M. (2020). Creativity, artificial intelligence, and a world of surprises. Academy of Management Discoveries, 6(3), 351-354.
Anderson, C., & Robey, D. (2017). Affordance potency: Explaining the actualization of technology affordances. Information and Organization, 27(2), 100-115.
Antons, D., & Piller, F. T. (2015). Opening the black box of “not invented here”: Attitudes, decision biases, and behavioral consequences. Academy of Management perspectives, 29(2), 193-217.
Auernhammer, J., & Roth, B. (2021). The origin and evolution of Stanford University’s design thinking: From product design to design thinking in innovation management. Journal of Product Innovation Management, 38(6), 623–644.
Bandura, A. (1986). Social foundations of thought and action. Englewood Cliffs, NJ, 1986(23-28), 2.
Bayern Innovativ (2023). About us. retrieved (June 5, 2024) from https://www.bayern-innovativ.de/en/preview/about-us/.
Bilgram, V., Brem, A., & Voigt, K. I. (2008). User-centric innovations in new product development—
Systematic identification of lead users harnessing interactive and collaborative online-tools.
International journal of innovation management, 12(03), 419-458.
Bilgram, V., & Laarmann, F. (2023). Accelerating innovation with generative AI: AI-augmented digital prototyping and innovation methods. IEEE Engineering Management Review, 51(2), 18-25.
Bogner, A., Littig, B., & Menz, W. (2014). Interviews mit Experten: Eine praxisorientierte Einführung.
Springer Fachmedien Wiesbaden.
Bouschery, S. G., Blazevic, V., & Piller, F. T. (2023). Augmenting human innovation teams with artificial intelligence: Exploring transformer‐based language models. Journal of Product Innovation Management, 40(2), 139–153.
Boussioux, L., Lane, J. N., Zhang, M., Jacimovic, V., & Lakhani, K. R. (2023). The crowdless future?
generative ai and creative problem solving. Organization Science, https://doi.org/10.1287/orsc.2023.18430.
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.
Brem, A., Giones, F., & Werle, M. (2021). The AI digital revolution in innovation: A conceptual framework of artificial intelligence technologies for the management of innovation. IEEE Transactions on Engineering Management, 70(2), 770-776.
Brown, T. (2008). Design thinking. Harvard business review, 86(6), 84.
Brynjolfsson, E., Maslej, N., Etchemendy, J., Lyons, T., Manyika, J., Ngo, H., Niebles, J. C., Shoham, Y., Clark, J., Perrault, R., Ligett, K., Fattorini, L., & Parli, V. (2023). The AI Index 2023 Annual Report. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University.
Carlo, Lyytinen, & Boland. (2012). Dialectics of Collective Minding: Contradictory Appropriations of Information Technology in a High-Risk Project. MIS Quarterly, 36(4), 1081.
Chatterjee, S., Moody, G., Lowry, P. B., Chakraborty, S., & Hardin, A. (2015). Strategic Relevance of Organizational Virtues Enabled by Information Technology in Organizational Innovation. Journal of Management Information Systems, 32(3), 158–196.
Criddle, C., Kuchler, H., & Murgia, M. (2024, January 10). DeepMind spin-off aims to halve drug discovery times following Big Pharma deals. Financial Times. retrieved (June 5, 2024) from https://www.ft.com/content/a08e4ad9-5277-4860-9df2-d5df2ad1e57d.
Cropley, A. (2006). In praise of convergent thinking. Creativity Research Journal, 18(3), 391-404.
Csikszentmihalyi, M. 1988. Solving a problem is not finding a new one: A reply to Simon. New Ideas
in Psychology 6 (2): 183–86.
Coughlan, P., Suri, J. F., & Canales, K. (2007). Prototypes as (Design) Tools for Behavioral and Organizational Change: A Design-Based Approach to Help Organizations Change Work Behaviors. The Journal of Applied Behavioral Science, 43(1), 122–134.
Cohen, S., & Gibson, C. (2003). In the beginning: Introduction and framework. In C. Gibson & S.
Cohen (Eds.). Virtual teams that work: Creating conditions for virtual team effectiveness (pp. 1–13).
Jossey-Bass.
Cooper, R. G., & Brem, A. M. (2024). The Adoption of AI in New Product Development: Results of a Multi-Firm Study in the US and Europe. Research-Technology Management, 67(3), 44-53.
Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., … & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Technology & Operations Mgt. Unit Working Paper, (24-013).
Dell’Era, C., Magistretti, S., Cautela, C., Verganti, R., & Zurlo, F. (2020). Four kinds of design thinking: From ideating to making, engaging, and criticizing. Creativity and Innovation Management, 29(2), 324– 344.
Denzin, N. K., & Lincoln, Y. S. (Eds.). (2018). The SAGE handbook of qualitative research (Fifth edition). SAGE.
d.school & Institute of Design Stanford. (2010). An Introduction to Design Thinking PROCESS GUIDE.
Hasso Plattner Institute of Design at Stanford.
Dorst, K., & Cross, N. (2001). Creativity in the design process: co-evolution of problem–solution.
Design Studies, 22(5), 425-437.
Du, W. D., Pan, S. L., Leidner, D. E., & Ying, W. (2019). Affordances, experimentation and actualization of FinTech: A blockchain implementation study. The Journal of Strategic Information Systems, 28(1), 50-65.
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.
Flick, U. (Ed.). (1991). Triangulation. In Handbuch qualitative Sozialforschung: Grundlagen, Konzepte, Methoden und Anwendungen (pp. 432–434). Psychologie-Verl.-Union.
Füller, J., Hutter, K., Wahl, J., Bilgram, V., & Tekic, Z. (2022). How AI revolutionizes innovation management–Perceptions and implementation preferences of AI-based innovators. Technological Forecasting and Social Change, 178, 121598.
Gama, F., & Magistretti, S. (2023). Artificial intelligence in innovation management: A review of innovation capabilities and a taxonomy of AI applications. Journal of Product Innovation Management.
Gama, K., Valença, G., Alessio, P., Formiga, R., Neves, A., & Lacerda, N. (2023). The developers’ design thinking toolbox in hackathons: a study on the recurring design methods in software development marathons. International Journal of Human–Computer Interaction, 39(12), 2269-2291.
Garbuio, M., & Lin, N. (2021). Innovative idea generation in problem finding: Abductive reasoning, cognitive impediments, and the promise of artificial intelligence. Journal of Product Innovation Management, 38(6), 701–725. https://doi.org/10.1111/jpim.12602
Gibson, J. J. (1979). The Theory of Affordances. In The Ecological Approach to Visual Perception:
Classic Edition (1st ed., p. 17). Psychology Press.
Given, L., & McKechnie, L. E. F. (Eds.). (2008). Participant Observation. In The SAGE Encyclopedia of Qualitative Research Methods. SAGE Publications, Inc.
Gold, R. L. (1958). Roles in Sociological Field Observations. Social Forces, 36(3), 217–223.
Grilli, L., & Pedota, M. (2024). Creativity and artificial intelligence: A multilevel perspective. Creativity and Innovation Management.
Hanaysha, J. (2016). Examining the effects of employee empowerment, teamwork, and employee training on organizational commitment. Procedia-Social and Behavioral Sciences, 229, 298-306.
Hui, X., Reshef, O., & Zhou, L. (2023). The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market. Available at SSRN 4527336.
Joosten, J., Bilgram, V., Hahn, A., & Totzek, D. (2024). Comparing the Ideation Quality of Humans With Generative Artificial Intelligence. IEEE Engineering Management Review.
Kaiser, R. (2014). Qualitative Experteninterviews: Konzeptionelle Grundlagen und praktische Durchführung. Springer Fachmedien Wiesbaden.
Kakatkar, C., Bilgram, V., & Füller, J. (2020). Innovation analytics: Leveraging artificial intelligence in the innovation process. Business Horizons, 63(2), 171-181.
Kakatkar, C., de Groote, J. K., Fueller, J., & Spann, M. (2018, July). The DNA of winning ideas: A network perspective of success in new product development. In Academy of management proceedings (Vol. 2018, No. 1, p. 11047). Briarcliff Manor, NY 10510: Academy of Management.
Katz, R., & Allen, T. J. (1980). An empirical test of the Not Invented Here (HIH) Syndrome: a look at the performance, tenure, and communication patterns of 50 R&D project groups.
Keller, R., Stohr, A., Fridgen, G., Lockl, J., & Rieger, A. (2019). Affordance-experimentation-actualization theory in artificial intelligence research: a predictive maintenance story. In 40th international conference on information systems.
Leidner, D. E., Gonzalez, E., & Koch, H. (2020). An affordance perspective of enterprise social media and organizational socialization. In Strategic information management (pp. 364-402). Routledge.
Leung, L. (2015). Validity, reliability, and generalizability in qualitative research. Journal of Family Medicine and Primary Care, 4(3), 324.
Lewrick, M., Link, P., & Leifer, L. (2020). The design thinking toolbox: A guide to mastering the most popular and valuable innovation methods. John Wiley & Sons
Liedtka, J. (2015). Perspective: Linking Design Thinking with Innovation Outcomes through Cognitive
Bias Reduction: Design Thinking. Journal of Product Innovation Management, 32(6), 925–938.
Liedtka, J. (2018). Why design thinking works. Harvard Business Review, 96(5), 72-79.
Magistretti, S., Ardito, L., & Messeni Petruzzelli, A. (2021). Framing the microfoundations of design thinking as a dynamic capability for innovation: Reconciling theory and practice. Journal of Product Innovation Management, 38(6), 645–667.
Maguire, M., & Delahunt, B. (2017). Doing a thematic analysis: A practical, step-by-step guide for learning and teaching scholars. All Ireland Journal of Higher Education, 9(3), 14.
Majchrzak, A., Faraj, S., Kane, G. C., & Azad, B. (2013). The Contradictory Influence of Social Media Affordances on Online Communal Knowledge Sharing. Journal of Computer-Mediated Communication, 19(1), 38–55.
Majchrzak, A., & Markus, M. L. (2013). Technology Affordances and Constraints in Management Information Systems (MIS). In Encyclopedia of Management Theory. Sage Publications.
Marchuk, A., Biel, S., Bilgram, V., & Jensen, S. W. L. (2020). The best of both worlds: Methodological insights on combining human and AI labor in netnography. In Netnography Unlimited (pp. 181-201). Routledge.
Mariani, M. M., Machado, I., & Nambisan, S. (2023). Types of innovation and artificial intelligence: A systematic quantitative literature review and research agenda. Journal of Business Research, 155, 113364.
Markus, M. L., Silver, M., & Fordham University. (2008). A Foundation for the Study of IT Effects: A New Look at DeSanctis and Poole’s Concepts of Structural Features and Spirit. Journal of the Association for Information Systems, 9(10), 609–632.
Meyerson, G., & Dewettinck, B. (2012). Effect of empowerment on employees performance. Advanced research in economic and management sciences, 2(1), 40-46.
Micheli, P., Wilner, S. J. S., Bhatti, S. H., Mura, M., & Beverland, M. B. (2019). Doing Design Thinking: Conceptual Review, Synthesis, and Research Agenda: Doing Design Thinking. Journal of Product Innovation Management, 36(2), 124–148.
Mikalef, P., & Krogstie, J. (2020). Examining the interplay between big data analytics and contextual factors in driving process innovation capabilities. European Journal of Information Systems, 29(3), 260–287.
Moehrle, M. G., Isenmann, R., & Phaal, R. (2013). Basics of technology roadmapping. In Technology roadmapping for strategy and innovation: Charting the route to success (pp. 1-10). Berlin, Heidelberg: Springer Berlin Heidelberg.
Nakamura, J., & Csikszentmihalyi, M. (2002). The concept of flow. Handbook of positive psychology, 89, 105.
Norman, D. A. (2013). Fundamental Principles of Interaction: Affordances. In The design of everyday things (Revised and expanded edition, pp. 36–39). Basic Books.
OpenAI. (2023). GPT-4 Technical Report (pp. 1–100).
Patton, M. Q. (1999). Enhancing the quality and credibility of qualitative analysis. Health Services Research, 34(5 Pt 2), 1189–1208.
Paulus, P. B., Dzindolet, M., & Kohn, N. W. (2012). Chapter 14 – Collaborative creativity—Group creativity and team innovation. In M. D. Mumford (Ed.). Handbook of organizational creativity (pp. 327–357).
Pinkow, F. (2023). Creative cognition: A multidisciplinary and integrative framework of creative thinking. Creativity and Innovation Management, 32(3), 472-492.
Qu, S. Q., & Dumay, J. (2011). The qualitative research interview. Qualitative Research in Accounting
& Management, 8(3), 238–264.
Runco, M. A. (2007). Creativity: Theories and themes: Research, development, and practice.
Rylander Eklund, A., Navarro Aguiar, U., & Amacker, A. (2022). Design thinking as sensemaking: Developing a pragmatist theory of practice to (re)introduce sensibility. Journal of Product Innovation Management, 39(1), 24–43.
Seidel, V. P., & Fixson, S. K. (2013). Adopting Design Thinking in Novice Multidisciplinary Teams: The Application and Limits of Design Methods and Reflexive Practices: Adopting Design Thinking in Novice Teams. Journal of Product Innovation Management, 30, 19–33.
Schneider, S., & Kokshagina, O. (2021). Digital transformation: What we have learned (thus far) and what is next. Creativity and Innovation management, 30(2), 384-411.
Schutte, N. S., & Malouff, J. M. (2020). Connections between curiosity, flow and creativity. Personality and individual differences, 152, 109555.
Sowden, P. T., Pringle, A., & Gabora, L. (2019). The shifting sands of creative thinking: Connections to dual-process theory. In Insight and creativity in problem solving (pp. 40-60). Routledge.
Stajkovic, A. D., & Luthans, F. (1998). Self-efficacy and work-related performance: A meta-analysis.
Psychological bulletin, 124(2), 240.
Sternberg, R. J. (1999). Handbook of creativity. Cambridge UniversityPress.
Trocin, C., Hovland, I. V., Mikalef, P., & Dremel, C. (2021). How Artificial Intelligence affords digital innovation: A cross-case analysis of Scandinavian companies. Technological Forecasting and Social Change, 173, 121081.
Ulrich, K. T., & Eppinger, S. D. (1995). Product design and development. McGraw-hill.
Verganti, R., Dell’Era, C., & Swan, K. S. (2021). Design thinking: Critical analysis and future evolution.
Journal of Product Innovation Management, 38(6), 603–622.
Verganti, R., Vendraminelli, L., & Iansiti, M. (2020). Innovation and Design in the Age of Artificial Intelligence. Journal of Product Innovation Management, 37(3), 212–227.
Waizenegger, L., McKenna, B., Cai, W., & Bendz, T. (2020). An affordance perspective of team collaboration and enforced working from home during COVID-19. European Journal of Information Systems, 29(4), 429–442.
White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., … & Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with chatgpt. arXiv preprint arXiv:2302.11382.
