A kreativitás nem misztikum, hanem egy folyamat

 

Kreativitásról beszélni sokáig olyan volt, mint a reggeli ködről beszélgetni. Mindenki sejti, hogy létezik, mindenki látja a hatását, de amikor meg kell mondani, mi az pontosan, a definíciók kicsúsznak a kezünkből, valami ami van is, meg nincs.

„Eredeti ötlet”, „szokatlan megoldás”, „ihlet”, „szikra” – ezek mind igazak, mégsem használhatók a legtöbb esetben, akkor sem amikor dönteni kell: egy csapatban, egy termékfejlesztésnél, egy oktatási helyzetben, vagy akár egy művészeti projektben.

A generatív AI azért kavarta fel az állóvizet, mert a kreativitást nem „megoldotta”, hanem szétszerelte. Hirtelen lett egy eszköz, ami képes sok változatot, sok stílust, sok lehetséges megfogalmazást adni – gyorsan, olcsón, fáradtság nélkül.

Ezzel a kreativitás egyik része, az úgynevezett ötlet fluencia :mennyi ötletet tudsz előállítani gépesíthetővé vált. Ettől a ponttól kezdve az igazi kérdés nem az, hogy „kreatív-e az AI?”, hanem hogy mit csinál a kreatív folyamattal, amikor belép a műhelybe.

Próbáljuk meg felmérni, megbecsülni azt, hogy jelenleg hol segít, hol árt, és hogyan kellene mérni, hogy ne csak a lelkesedés vagy a félelem irányítson.

„Az AI bizonyos kreativitás-tesztekben felülmúlja az átlagembert” – mit jelent ez valójában?

A médiában az „AI kreatívabb, mint az ember” típusú mondatok úgy terjednek, mint a vírusok: rövidek, provokatívak, és valami mély, egzisztenciális félelmet érintenek.

De a pontosabb állítás így hangzik: bizonyos standardizált kreativitás-feladatokban (különösen nyelvi, divergens gondolkodást mérő teszteken) egyes nagy nyelvi modellek elérhetik vagy meghaladhatják az átlagos emberi teljesítményt, miközben a legkreatívabb emberek továbbra is magasabban teljesítenek.

A kulcs szavak itt a „bizonyos” és az „átlagos”.

A kreativitás-tesztek gyakran olyan feladatokból állnak, ahol sok, egymástól távoli ötletet kell generálni. Például: „Adj minél több, egymástól minél különböző asszociációt egy fogalomra.”

Ez nem rossz mérés, nem rossz feladat – csak éppen a kreativitás egyik apró szeletét érinti.

Olyan, mint a sportban egy gyorsasági teszt: sokat elmond, de nem mindent.

Miért lehet ebben erős az AI? Mert a nyelvi modellek óriási mennyiségű szövegből tanulták meg, hogyan kapcsolódnak egymáshoz fogalmak, stílusok, metaforák.

Ha a feladat az, hogy „adj 30 különböző ötletet”, akkor egy modell, amelynek a „memóriája” és a kombinációs tere óriási, természetesen versenyképes, és ne csodálkozzunk, hogy lepipál minket embereket. Az átlagember egyszerűen nem töltött az életéből 10–20 ezer órát tudatos ötletgenerálással, míg egy modell valójában egy szövegvilágban létezik.

Itt jön a második nagy tanulság: az átlag nem az élvonal. A kreatív szakmákban – legyen az design, tudomány, írás, vállalkozás – a különbséget gyakran nem az adja, hogy valaki képes-e sok ötletet adni, hanem hogy melyik ötletet választja, hogyan ad neki formát, hogyan illeszti be a kontextusba, és hogyan épít belőle valamilyen működő rendszert.

Az AI sok ötletet ad, de a „jó ízlés”, a mély kontextus, az emberi tapasztalatból származó feszültség, és jelentés gyakran továbbra is emberi terület.

Talán egy egyszerű kép segíthet: képzeld el, hogy a kreativitás egy nagy szerszámos láda, és ebből az AI kapott egy fantasztikus csavarhúzót (ötletgenerálás) és egy nagyon gyors fúrót (variációk). De egy ház megtervezése, az arányérzék, a szerkezeti döntések, és a „miért építjük ezt a házat” kérdése még mindig nem garantáltan oldódik meg attól, hogy gyorsan tudsz csavarozni, vagy milyen mély lyukakat fúrsz a padlóba.

„A generatív AI egyszerre tudja erősíteni és sorvasztani a kreatív gondolkodás dimenzióit” – miért nem ellentmondás?

A generatív AI hatása nem egységes: vannak kreatív készségek, amelyeket felerősít, és vannak, amelyeket – rossz használat mellett – elgyengíthet.

Egy friss design-oktatási fókuszú munka is ezt a dilemmát ragadja meg: gyors az elterjedés, de a kreatív gondolkodás különböző dimenzióira gyakorolt hatás még nincs eléggé feltérképezve.

Miért fontos ez? Mert a kreativitás nem csupán„egy izom”, inkább olyan, mint a testünk, sokkal összetettebb: van állóképessége, erős, van koordinációja, gyors a reakcióideje, és rendkívüli a mobilitása. Ha csak futsz, jobb lesz az állóképességed, de lehet, hogy a nyújtás hiányában romlik a mobilitásod.

Az AI is ilyen: bizonyos képességeket edz, másokat kivált.

Nézzünk néhány kreativitás, ötletelés dimenziót:

• Ötletmennyiség: AI-val nőhet. Könnyebb „szórni” az opciókat, a lehetőségeket.
• Rugalmasság (különböző irányok): nőhet, mert a modell könnyen vált stílust vagy keretet.
• Probléma-keretezés (jó kérdés feltevése): itt jön a veszély. Ha mindig az AI-ra bízod, hogy „mondd meg, mi a jó brief”, akkor a saját kérdésfeltevő izmaid gyengülhetnek.
• Ítélőképesség (mi a jó, mi a rossz, mi a középszer): az AI sokszor meggyőzően „közepes”. Ha ezt elfogadod, tanulás helyett kényelmet kapsz.
• Mély tanulás és memória: ha mindent a gép csinál helyetted, a te agyad kevesebbet épít be

A paradoxon tehát: az AI egyszerre lehet „kreativitás-szteroid” és „kreativitás-szedatív”.

A különbség nem a modellben létezik, hanem a munkafolyamatban, benned csírázik: mikor használod, mire használod, és milyen felelősséget hagysz az emberi oldalon.

Ha egy egyszerű receptet keresel, az AI adhat 20 variációt egy húslevesre – ettől te kreatívabbnak érzed magad.

De ha mindig kész megoldásokat kapsz, és sosem tanulod meg, miért működik egy ízkombináció, akkor hosszú távon kevésbé leszel önálló a konyhában. Ugyanez történhet gondolatokkal, ötletekkel, szövegekkel.

Ha az ember indítja az ötletelést, és az AI később segít, akkor a diverzitás megmarad; ha AI-val kezdesz, konvergencia lesz

Kezdjük egy nagyon gyakorlati megfigyeléssel: nem az a kérdés, hogy AI igen/nem, hanem hogy hol lép be a kreatív folyamatba.

A Wharton School of the University of Pennsylvania összegzése a témában azt emeli ki, hogy amikor az ember generálja az első ötleteket, és az AI inkább az értékelésben, finomításban segít, akkor az ötletdiverzitás megmarad; amikor viszont az AI már az elején adja az ötletmagot, az eredmények hajlamosak összecsúszni, hasonlítani egymásra.

Miért történik ez?

Gondolj az AI-ra úgy, mint egy nagyon gyors „átlagoló” gépre, ami jól tudja, hogy egy adott témában mik a legvalószínűbb és leggyakrabban előforduló minták. A kreativitás viszont gyakran ott születik, ahol te a saját tapasztalatodból, mániáidból, furcsa korlátaidból építesz vagy hozol be valamit, ami nem tipikus.

Az emberi kreativitás egyik titkos összetevője a sajátos torzulás: mindenkinek van egy egyedi szűrőrendszere, amit az élettörténete, a figyelme, a műveltsége, a vágyai alakítanak.

Ez a torzulás néha hiba, néha kincs – de mindenképp egyedi, ez vagy te.

Ha AI kezdi és adja meg egy témában az első ötletet, akkor ezt az egyediséget rögtön lecseréled egy statisztikailag valószínű mintára, homogenizálsz, eltűnik a torzulásod a rendszerben.

Ezzel szemben, ha az ember indítja az ötletelést, akkor az AI később úgy működik, mint egy nagy teljesítményű műhely: segít variálni, kipróbálni, gyorsan prototipizálni, ellenőrizni, javítani, stílust váltani. Vagyis sokszoroz, felnagyítja a torzulást nem irányít.

Magyarán ha te találsz ki egy fura történetmagot, az AI segíthet belőle írni 10 változatot, erősíteni a dramaturgiát, keresni metaforákat, analógiákat kibontani. De ha az AI találja ki a történetet, gyakran olyan lesz, mint sok más történet: sima, jól olvasható, de „mintha már olvastad volna”.

A valódi ismeretlen: kreativitást növelő, de nem homogenizáló workflow

Ha azt mondjuk: „AI segít a kreativitásban”, az túl általános, mint ő maga.

Az igazi kérdés inkább az legyen: milyen munkafolyamatban segít úgy, hogy közben nem csúszunk bele a homogenizációba – abba, hogy minden hasonló lesz, minden „AI-szagú”, minden átlagos.

Ehhez mint mindenhez amin változtatni akarunk, mérni kell.

A kreativitás mérése nehéz, mert többdimenziós és területfüggő. Friss áttekintések és metodológiai írások hangsúlyozzák, hogy az automatikus kreativitás-metrikák gyakran csak bizonyos szeleteket fognak meg, miközben a „megfelelőség”, „érték”, „kulturális jelentés” vagy „hasznosság” nehezen gépesíthető.

A homogenizáció ráadásul nem egyszeri esemény, inkább olyan, mint a talajerózió: lassan történik, de biztos az eredménye, lapos egyenletes terület.

Az első héten még nagyon izgalmas, hogy gyorsan kész a egy facebook poszt, a szlogen, a koncepció percek alatt az asztalon. A harmadik hónapban viszont elkezded észrevenni, hogy minden ugyanolyan okos, ugyanazt a retorikát használja, ugyanazok a metaforák jönnek vissza, minden elkezd szürkülni.

Ezért kell olyan benchmark, ami nem csak azt méri, hogy „jó-e”, hanem azt is, hogy mennyire sokféle.

Mit kellene mérnie egy jó, laikusbarát kreativitás-benchmarknak?

1.    Újdonság: mennyire eltérő az ötlet a megszokottól?

2.    Diverzitás: ha 20 ötlet születik, ezek mennyire különböznek egymástól?

3.    Megfelelőség: tényleg megoldja-e a feladatot, vagy csak „érdekes”?

4.    Tanulás és készségmegőrzés: a csapat egyre jobb lesz, vagy csak gyorsabb?

 

Hogyan néz ki ez a gyakorlatban?

A legjobb része, hogy nem igényel óriási infrastruktúrát, egy kéthetes kísérletet egy kis csapat is meg tud csinálni, akár kreatív írásban, marketingben, termékkoncepcióban, kutatási ötletelésben.

A három feltétel:

1.    Human-first → AI refine: először emberi ötletelés (10–20 nyers ötlet), utána az AI segít kidolgozni, javítani, variálni, kritikát írni.

2.    AI-first ideation: az AI adja az első ötletcsomagot, az ember ezekből válogat és finomít.

3.    Hybrid: az AI nem csak segít, hanem ellenáll: kötelezően ad ellenstílusú vagy ellenlogikájú alternatívákat is („ha ezt választod, mi lenne a radikális ellentéte?”).

Miért jó a harmadik? Mert megtöri a konvergenciát. Rákényszeríti a rendszert (embert és gépet is), hogy ne az első kényelmes megoldásnál álljon meg.

Hogyan értékeld?

• Vak emberi bírálat: olyan emberek pontozzák az outputokat, akik nem tudják, melyik feltételből jött az adott megoldás. Ez csökkenti az „AI-ellenesség” vagy „AI-rajongás” torzítását.
• Diverzitás-metrikák: például szemantikai távolság, egyediség, klaszterezési szórás.

Ne csak azt nézd, melyik a „legjobb” ötlet, szerinted, hanem nézd azt is, melyik feltétel ad többféle jó ötletet. Nézd a „második legjobb” és „harmadik legjobb” ötleteket is: ott látszik az igazi diverzitás, mennyire más és eltérő területről jön az ötlet.

A döntés természetesen nem az, hogy kidobjuk az AI-t vagy „mindent AI-ra bízunk.

A döntés az, hogy melyik ponton használjuk, és milyen szabályokkal, milyen keretekkel.

A kreativitás jövője

Ha egy mondatban kell összefoglalni: a generatív AI nem elveszi a kreativitást, hanem áttervezi a kreatív munka architektúráját. Az a csapat vagy alkotó fog nyerni, aki nem az AI-tól vár csodát, hanem megérti,

hogy a kreativitás többkomponensű – és a komponensekhez különböző eszközök és szabályok kellenek.