Secondo l’Osservatorio Design Thinking for business del Politecnico di Milano, gran parte (76,7%) dei progetti di Design Thinking analizzati punta allo sviluppo di innovazione digitale, dove l’Artificial Intelligence (AI) e il Deep al Learning seguono per frequenza (con il 40%), i progetti che contengono tecnologie Big data analytics, in prima posizione.
A questa buona ragione per analizzare l’interazione fra AI e Design Thinking si aggiunge la trasformazione profonda che l’AI porta nel modo stesso di progettare.
Esistono già sul mercato esperienze innovative di interfaccia con il cliente, progettate non da designer ma da macchine, come ricorda Roberto Verganti, Direttore scientifico dell’Osservatorio Design Thinking for Business del Politecnico di Milano, portando ad esempio le schermate che appaiono sulla pagina Netflix, diverse per la singola persona e in momenti diversi per la stessa persona: ogni volta che si accede non solo vengono presentati i titoli più interessanti per quel cliente, ma lo screenshot per lo stesso film varia sulla base delle informazioni che via via il sistema raccoglie sui suoi gusti (amante dell’azione, romantico, etc.), secondo la classificazione delle scene del film fatte da una macchina. “I sistemi di AI sono così sofisticati che nell’interazione mi fanno vedere proprio quanto è giusto per me”, commenta Verganti, presentando una ricerca realizzata in collaborazione con Luca Vendraminelli (dottorando) e il collega Marco Iansiti, professore presso la Harvard Business School che ha scritto il libro Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World, uscito a marzo 2020.
Come cambia il design con l’AI
Scopo della ricerca è esplorare a fondo il tema per capire come cambi il design grazie all’AI, rispondendo in particolare a due domande:
- L’AI va a cambiare il modo in cui si fa design, ossia la design practice?
- L’AI va a modificare i principi del Design Thinking, ossia la centralità dell’utente, la creatività, l’iterazione?
La prima riflessione è stata capire come fosse la progettazione una volta (e come tutt’ora funziona in gran parte): design è certamente un’attività ad alta intensità umana che l’AI va ad automatizzare. “Come la robotica automatizza la produzione o l’Erp il production planning così l’AI automatizza il problem solving, le fasi di design in precedenza svolte da umani”, spiega Verganti.
La progettazione, proprio perché fortemente human intensive, non consente di progettare manualmente un prodotto ogni volta che un cliente lo chiede. L’Industrial design, in particolare, prevede la progettazione di un prodotto una volta per tutte, la sua produzione in scala con le eventuali customizzazioni e la sua messa sul mercato per l’uso; il prodotto sta sul mercato senza potenziali modifiche fino alla conclusione del suo ciclo di vita; solo allora si procede alla riprogettazione tenendo conto degli insight ricavati dall’uso precedente.
Una parte significativa dei problemi lasciati aperti dalla progettazione tradizionale vengono risolti, secondo Verganti, da un sistema di AI, basato su un problem solving loop.
In questo caso si mette l’applicazione sul mercato sulla base di ipotesi di uso, il cliente la usa, si effettua la raccolta dei dati tramite sensori (nel caso di Netflix è un semplice tracking dati mentre Tesla, ad esempio, impiega sensori che sentono come sto guidando l’auto). I dati raccolti alimentano il sistema AI che volta per volta risolve il problema. Più passa il tempo, più la soluzione viene usata e più migliora.
“C’è una grande differenza nella progettazione: il designer non progetta soluzioni, ma progetta il problem solving loop, ossia il sistema di AI – evidenzia Verganti – Le grandi decisioni di progetto continuano ad essere prese dagli umani ma poi il progetto di dettaglio, quello che assorbe la gran parte delle risorse, è fatto, volta per volta al momento dell’uso, da una macchina”.
L’AI rafforza il design thinking
La risposta alle due domande di ricerca è che cambia la pratica della progettazione, ma l’AI rafforza i principi del Design Thinking. La centralità dell’utente viene non solo mantenuta, ma rafforzata; la limitazione di scala che caratterizzava i progetti del passato viene superata; la macchina può generare un prodotto per ogni singolo cliente basato sui i suoi dati, massimizzando dunque la centralità dell’utente.
Si rafforza la abduction (ossia la creatività), come evidenziano due esempi. Airbnb utilizza i dati delle persone quando prenotano un alloggio per progettare le experience a contorno dell’attività principale, realizzando, grazie ai dati, un movimento di scope su un settore laterale. Tesla usa invece i dati provenienti dall’auto per offrire servizi di entertainment.
Cresce anche il learning: il prodotto si rinnova in continuazione anche dopo che è già stato rilasciato sul mercato.
“La pratica cambia in modo radicale. Tuttavia, anche se il designer non progetta più prodotti ma problem solving loop i principi di fondo restano gli stessi e sono addirittura rafforzati”, sintetizza Verganti.
La trasformazione radicale della pratica, necessaria per aderire al nuovo modello, non è però facilmente perseguibile, dato che l’efficacia dei sistemi AI si basa sulla capacità di fare azioni elementari e “stupide”, migliaia di volte in tempi brevissimi, come ad esempio accade per i sistemi di recognition. “Noi umani non siamo abituati a progettare sistemi così semplici ma sistemi complessi; il nostro cervello, a differenza dell’AI, abbraccia la complessità – spiega – Progettare processi semplici ma estremamente stupidi che replicati migliaia di volte riescono a affrontare sistemi complessi è totalmente opposto al modo di pensare della mente umana; ci aspetta dunque un grande cammino per formare i progettisti di nuova generazione”. Non è un problema di matematica ma di mindset completamente diverso. Agli umani resta l’impegno del sense making. “Se la macchina risolve il problema tecnico, al progettista resta la natura profonda del design che consiste nella scelta dei problemi che vale la pena affrontare”, aggiunge Verganti.
Inoltre le macchine sono affette da problemi di divergenza: a causa dei loop, se prendono una deriva non è facile fermale; è dunque necessario capire come controbilanciare eventuali bias iniziali e tenere la barra nella giusta direzione. Anche in questo caso è indispensabile il progettista umano, a cui resta il ruolo fondamentale di attribuzione di senso.
