人工智能增强设计思维：AI赋能以人为本创新过程的潜力、挑战与应对策略

《IEEE Engineering Management Review》：AI-Augmented Design Thinking: Potentials, Challenges, and Mitigation Strategies of Integrating Artificial Intelligence in Human-Centered Innovation Processes

本文聚焦人工智能(AI)在创新管理中的应用如何扩展至设计思维(DT)等创意领域。研究人员通过观察性研究和半结构化访谈，探讨了专业人士在DT工作坊中如何感知和利用AI。研究基于可供性理论，识别出AI在DT中的四大行动潜力：提升创造力、支持分析任务、促进任务启动和加速进程，同时也揭示了团队协作减少、对AI产出缺乏归属感等挑战，并提出了相应的缓解策略。此项研究为寻求将AI整合到混合创新过程中的实践者提供了重要见解。

　　

在创新管理领域，人工智能(AI)的应用早已不局限于数据分析等传统任务。随着生成式人工智能(GenAI)和聊天机器人界面的出现，AI的能力正以前所未有的方式向创意领域渗透，甚至触及了曾被认为是人类智慧专属领地的设计思维(Design Thinking, DT)过程。设计思维作为一种广泛应用的人本创新方法，其核心在于通过理解用户需求、迭代原型和测试来创造性地解决问题。然而，当AI，特别是像ChatGPT这样的大型语言模型(Large Language Model, LLM)，被引入到复杂、协作的DT工作坊中时，一系列新的问题随之产生：AI究竟能扮演什么角色？它如何影响团队的动态和创意产出？专业人士在实践中是如何与AI互动的？这些互动又带来了哪些新的机遇与挑战？

为了探索这些前沿问题，一项发表在《IEEE Engineering Management Review》上的研究进行了一项深入的探索性研究。研究人员与来自Bayern Innovativ的六位经验丰富的设计思维专家合作，组织了一场融合了AI的DT工作坊，并在之后对参与者进行了半结构化访谈。研究采用可供性理论(Affordance Theory)作为概念框架，旨在揭示在DT这一特定情境下，AI的技术能力与专家的技能之间是如何相互作用，从而产生特定的行动潜力和约束的。

为了开展这项研究，研究人员设计了一个多步骤的定性研究方案。首先，他们组织了一场面对面的DT工作坊，专家们被要求使用ChatGPT（基于GPT-3.5模型）来完成一个关于开发新型内容格式的设计挑战。工作坊涵盖了DT标准流程中的前三个阶段：共情(Empathize)、定义(Define)和构思(Ideate)，并应用了包括人物角色(Persona)、“我们该如何”(How-Might-We, HMW)问题、头脑风暴(Brainstorming)等经典DT方法。研究的关键在于，专家团队被鼓励自主决定在各个环节如何整合AI，而研究人员则通过直接观察和记录工作坊中的互动、对话以及AI聊天记录来收集数据。工作坊结束后，研究人员对六位专家进行了平均时长约55分钟的深度访谈，以获取他们对AI整合的感知、体验和反思。最终，通过对观察笔记、访谈转录文本和AI聊天记录进行系统的主题分析(Thematic Analysis)，研究提炼出了核心的发现。

研究发现，在DT工作坊中，专家们与AI的互动呈现出四种典型的模式：AI主导模式(AI-only)，即完全将任务委托给AI后再评估其输出；人类主导模式(Human-only)，在涉及特定公司知识或领域知识时完全依靠人类专家；人类先行-AI后行模式(Human-then-AI)，人类先进行初步构思，再由AI优化和细化；以及AI先行-人类后行模式(AI-then-human)，利用AI的输出来启发和推动后续的人类思考和开发。这四种模式动态地体现了人机协作的复杂性。

研究进一步识别出AI在DT工作坊中的四大核心行动潜力（即可供性）。首先是提升创造力的潜力。AI能够帮助专家在相同时间内产生更多的想法，并能揭示出专家们未曾想到的新颖概念。此外，AI在措辞和表达方面也展现出优势，能帮助团队更精准地捕捉和表述思想，例如在制定HMW问题时。其次是增强分析和探索任务的潜力。AI能够高效地协助信息搜集（如快速总结网络内容）和信息合成（如整合人物角色特征），甚至能帮助识别出被人类团队忽略的重要目标群体。第三是启动任务执行的潜力。当团队缺乏灵感或面临“构思者瓶颈”时，AI可以像一个“推动者”，提供初步的方向和想法，帮助团队克服启动困难。第四是加速进程的潜力。这一潜力几乎贯穿于DT的各个阶段，从共情阶段的研究到构思阶段的想法生成，AI都能显著提升任务完成的效率，有助于克服传统工作坊中常见的时间限制。

然而，这些潜力的实现并非一帆风顺。研究也揭示了AI整合带来的显著约束。首要的约束是对社会性元素的抑制。专家们普遍认为，与文本生成器的个体化交互减少了对团队内部的沟通和协作，甚至出现了“通过笔记本电脑交流多于彼此直接交流”的情况，这与DT强调的协作精神相悖。其次是对积极工作坊效应的抑制。过度或不当使用AI可能导致参与者出现“心智懒惰”，降低批判性思维，并破坏创意工作所必需的“心流”(Flow)状态。更值得注意的是，与AI生成的成果相比，专家们对自我生成的想法表现出更强的认同感和归属感，这种“非我发明”(Not-Invented-Here, NIH)综合征的变体可能影响对AI生成想法的后续推进意愿。此外，提示工程(Prompt Engineering)的挑战以及处理AI大量输出所需的时间精力，也给工作坊的流畅性带来了干扰。

针对这些约束，研究基于专家的经验提出了初步的缓解策略。在协作模式上，建议采用“人类先思考”的原则，即在咨询AI之前，让参与者先进行自主的构思和讨论，以确保人类在创新过程中的主导性，并利用AI的输出来激发进一步的灵感而非完全依赖。在工作坊准备方面，建议在会前对参与者进行基本的AI和提示工程培训，以减少工作坊期间的挫败感和时间浪费。同时，可以考虑在会前预先生成并筛选AI内容，将其作为工作坊的输入材料，从而避免在工作坊进行中因频繁与AI交互而打断流程。此外，明确规划工作坊中“AI开启”和“AI关闭”的时段，并确保留出专门的时间用于批判性地反思AI生成的内容，对于维持团队动力和成果所有权至关重要。

这项研究对创新管理文献和实践做出了重要贡献。它通过实证探索，揭示了AI在复杂、协作的创新框架（如DT）中的具体作用方式，超越了以往研究多关注孤立任务输出的局限。研究结果表明，AI有潜力同时提升创新过程的效率（速度）和效果（创意质量与新颖性），这可能重塑未来创新工作坊的设计与经济性。同时，研究也警示，需要谨慎平衡人机协作，以避免削弱人类团队的内在动机、创造力和协作精神。对于实践者而言，研究提供的具体可供性、约束和互动模式，为管理者设计有效的混合DT倡议和方法提供了宝贵的指导。通过精心设计AI使用的时机、顺序和强度，管理者可以最大化AI的益处，同时 mitigating 其潜在的负面影响，确保AI的部署与团队动态和项目目标有效契合。当然，本研究作为一项探索性研究，其发现基于单次工作坊和有限的样本，其普适性有待在未来通过更多样化的情境和更长期的研究中进一步验证。提示工程技能对AI效用的影响、不同协作模式的效果比较等，都是未来研究值得深入的方向。