Skip to main content
Innovation

Künstliche Intelligenz im Design Thinking

Von 20. November 2020Dezember 29th, 2023Keine Kommentare

Künstliche Intelligenz (KI) ist seit Jahren fixer und nützlicher Bestandteil in der Industrie und Gesellschaft. Viel wurde berichtet, wie man mit Hilfe von Design Thinking zum KI-orientierten Unternehmen wird. Auch bei IDEO in San Francisco wurde heuer erstmals mit KI gebrainstormt. Ich möchte hier Erfahrungen aus meiner Praxis teilen, wie KI im Design Thinking genutzt wird.

Wenn KI ins Spiel kommt

Auf den ersten Blick passt Design Thinking, dass primär das „Werkzeug“ der Empathie nutzt, um Anwenderverhalten zu verstehen und der Einsatz von KI nicht wirklich zusammen. Schaut man jedoch genauer hin, erkennt man schnell, dass der analytische Einsatz von KI im Design Thinking offensichtlich ist. KI kann die Arbeit von Design Teams rasch auf einen neuen Level führen. Der Vorteil: KI ist objektiv, analysiert unvoreingenommen und völlig ohne Empathie! Die Voraussetzung: Daten in tragfähiger Qualität! KI kann große Datenmengen in kurzer Zeit nutzbringend verarbeiten. Dadurch lassen sich kognitive Verzerrungen, die bei der „Empathie-Arbeit“ im Design Thinking entstehen minimieren.

Im Design Thinking gehen wir von menschlichen Bedürfnissen aus und explorieren von dort die technologische Machbarkeit und betriebswirtschaftliche Werthaltigkeit. Um das tun zu können, müssen wir zuerst unsere „Hausaufgaben“ machen und zu dem Punkt kommen, an dem wir uns sicher sind, ob wir uns die richtigen Fragen stellen! KI bietet die Möglichkeit, „Innovationsaufgaben zu vereinfachen, effizienter zu gestalten und mit zusätzlichen Informationen anzureichern. Neue Algorithmen und immer größer werdende Datenmengen erlauben bessere Analysen, präzisere Prognosen und Entscheidungen bei geringerem Risiko“. Zu diesem Schluss kommt der Innsbrucker Univ. Prof. Dr. Johann Füller in seiner aktuellen Studie.

Grenzen & Herausforderungen der Empathie

Die empathische Herangehensweise im Design Thinking hat auch seine Herausforderungen. Anwender „verführen“ Design Teams nur allzu leicht in der „Empathie-Phase“. Sie tun nicht immer, was sie sagen, sie sagen nicht, was sie wollen oder sie tun nicht was wir von ihnen erwarten. „Menschen können zudem ihr eigenes Verhalten oft nicht genau genug beschreiben“, bringen es meine Berliner Kollegen von Dark Horse auf den Punkt. Viele richten ihre Aussagen zudem an den Erwartungen anderer oder ihrer Gesprächspartner aus. Als Produktentwickler bauen wir jedoch auf Zuverlässigkeit und nicht auf Vermutungen.

Auf der Seite der Interviewer erlebe ich oft die Situation, dass wir viel zu schnell verstehen. Nicht selten suchen wir nach Bestätigung und tappen in die von Prof. Paul Watzlawick so eindruckvoll beschriebene „Persönliche Wirklichkeitskonstruktion“. Dass Zurücknehmen der eigenen Erwartung und das unvoreingenommene Beobachten muss gelernt sein. KI setzt genau hier an. Sind Daten in ausreichender Qualität vorhanden, unterstützen uns Algorithmen im Synthese-Prozess Muster zu generieren und rascher Zusammenhänge zu verstehen, die in explorativen Interviews häufig übersehen werden.

Zum Vorgehen, wie genau man KI für den Innovationsbereich implementieren soll, gibt es unterschiedliche Sichtweisen und nur wenig Übereinstimmung, Orientierung oder Anleitung. Füller kommt zum Schluss, dass „der Nutzen von KI primär in der Effizienzsteigerung gesehen wird und gerade von noch KI-unerfahrenen Unternehmen weniger in der Entwicklung neuer Geschäftsfelder oder Schaffung neuartiger Innovationen“.

Big Data & Empathie: 1+1=3

Die Praxiserfahrung zeigt, dass der Einsatz von KI für die Analyse großer Datenmengen in Kombination mit explorativen Methoden erfolgsversprechend ist. Design Thinking Teams nutzen als Grundlage Kundenprofile sowie Datalakes und überprüfen die daraus analysierten Erkenntnisse und Hypothesen mit live Beobachtungen. Die darauf folgenden explorativen Gespräche dienen zum weiteres Lernen. Herausforderungen entstehen in der Praxis oft durch die Qualität und Verfügbarkeit von Daten. Auch am Verständnis und dem Wissen welche Rolle schwache oder lernende Intelligenz in der agilen Produktentwicklung spielen kann, darf noch gearbeitet werden.