Egy kozmetikai vállalat természetesen más kozmetikai vállalatokat figyel, egy bank más bankokat, egy gyártó vállalat pedig a saját iparágának technológiáit és versenytársait. Ez logikus, de egyben az egyik legnagyobb korlát is: ha ugyanazon a helyen keresünk, ahol mindenki más, jó eséllyel ugyanazokat a megoldásokat találjuk meg. Unalmas, fáradt ötletek.
Az iparágközi innováció ezen próbál változtatni. Abból indul ki, hogy egy probléma, amely nálunk sajátosnak, és iparágspecifikusnak tűnik, valahol máshol már megjelenhetett egészen más formában. Lehet, hogy egy kórház, egy Formula–1-es csapat, egy földrengés-előrejelző rendszer vagy egy mezőgazdasági vállalkozás ugyanazzal a mélyebb problémával küzdött, csak más szavakat használt rá, de valahol mélyen, alapvető szinten ugyanazt oldották meg.
A lényeg ezért nem az, hogy más iparágak termékeit másoljuk. A működési elvet kell felismernünk.
Hogyan milyen módon segíthet nekünk ebben a keretben, módszerben az AI?
Egy ember vagy egy workshop csapat tapasztalata szükségszerűen korlátozott: néhány iparágat mélyen ismerünk, néhányról vannak benyomásaink, a többiről alig tudunk valamit. Egy nagy nyelvi modell viszont képes nagyon gyorsan mozogni sok különböző szakmai terület között, átfordítani ugyanazt a problémát más iparágak nyelvére, analógiákat keresni, majd az így talált megoldások mögötti elveket visszafordítani a saját helyzetünkre.
Ehhez azonban nem elég annyit írni, kérni tőle:
„Adj húsz innovatív ötletet.”
Ezzel az AI-ből legfeljebb gyorsabb brainstorming gépet csinálunk, ugyanolyan eredménnyel mint a többiek a piacon, és végül megint ugyanott találjuk magunkat. Az érdekesebb lehetőség az, amikor egy tudatos gondolkodási folyamatban használjuk.
Vegyünk egy egyszerű példát.
Egy kozmetikai vállalat azt tapasztalja, hogy a vásárlói kevés közvetlen visszajelzést adnak a termékekről. A fejlesztők ezért sokszor csak hónapokkal később, az újravásárlási, panasz- vagy értékesítési adatokból látják, mi tetszett a vevőknek, mi nem, illetve hol akadt el a használati élmény.
Ha ezt a problémát változatlan formában adjuk oda az MI-nek, könnyen kapunk megoldási válaszként kérdőíveket, QR-kódokat, chatbotokat vagy hűségprogramokat. Ezek között lehet jó megoldás, de a keresés még mindig a kozmetikai ipar megszokott keretein belül zajlik.
Az első lépés ezért nem az, hogy választ kérünk. Először magát a kérdést kell megváltoztatni.
Először emeljük feljebb a problémát
A konkrét problémák tele vannak olyan részletekkel, amelyek fontosak a mindennapi működésben, de akadályozhatják az analógiakeresést. A „vásárló”, a „kozmetikum” és a „visszajelzés” mind olyan szavak, amelyek azonnal egy adott megoldási térbe terelik a gondolkodást.
Ezért érdemes újra és újra megkérdezni: miért fontos ez nekünk? Mi a valódi cél?
Miért kell a visszajelzés?
Azért, mert szeretnénk érteni, mi történik a termék használata közben.
Miért fontos ezt érteni?
Azért, mert minél hamarabb szeretnénk jó döntést hozni.
Innen már egészen más kérdés születik:
Hogyan tudnánk gyors visszacsatolási hurkot létrehozni a valóságban történő események és a szervezet döntései között?
Ez már nem kozmetikai kérdés. Ugyanez a probléma megjelenhet egy kórházban, egy kibervédelmi központban, egy elektromos hálózat irányításában vagy egy versenyautó boxutcai csapatánál is.
Az AI ebben a lépésben nem megoldást keres, hanem segíthet megtalálni azt az absztrakciós szintet, ahol a problémánk más iparágak számára is felismerhetővé válik.
prompt 1 – Absztrakciós létra
Tapasztalt innovációs facilitátor vagy, aki egy iparágközi workshopot készít elő.
Konkrét problémánk:
[ÍRD LE A PROBLÉMÁT]
Kontextus rólunk / iparágunkról:
[ÍRD LE]
Kérlek:
1. Fogalmazd újra „Hogyan tudnánk…?” formában.
2. Emeld feljebb 2–3 szinttel a „Miért? Mi a valódi cél?” kérdéssel, és mutasd a létrát a konkréttól az általánosig.
3. Adj minden szinthez egy iparágtól független megfogalmazást.
4. Ajánld, melyik szint hozza a leggazdagabb iparágközi analógiákat, és indokold.
Ennek a lépésnek a kimenete nem egy kész ötlet. A konkrét problémából iparág független keresőkérdés lesz.
És csak most érdemes elindulni más területek felé.
Ne versenytársakat keressünk, hanem probléma rokonokat
Ha már nem azt kérdezzük, hogy „hogyan szerezzünk gyorsabban kozmetikai visszajelzést?”, hanem azt, hogy „hol kellett már gyors visszacsatolási rendszert létrehozni?”, hirtelen sokkal érdekesebb területek jelennek meg.
A Formula–1-ben az autók telemetriája folyamatosan kapcsolja össze a pályán történő eseményeket a stratégiai döntésekkel. A kiberbiztonságban egyetlen gyenge jel gyakran semmit sem jelent, több összefüggő anomália viszont már egy támadás kezdetét jelezheti. Az egészségügyi betegmonitorozásban több fiziológiai jelből próbálják időben felismerni az állapotromlást. A földrengés-korai előrejelzés nem a károkat várja meg, hanem egy korábban jelentkező jelet keres. A villamosenergia-hálózatok pedig különböző sebességű visszacsatolási hurkokkal reagálnak a különböző típusú eltérésekre.
Ezek első pillantásra távol vannak a kozmetikumoktól, de éppen ez a lényeg. Nem azt keressük, hogy melyik iparág hasonlít ránk, hanem azt, hogy hol működik hasonló problémamechanizmus.
prompt 2 – Iparágközi analógiakeresés
Iparágközi innovációs kutató vagy, széles iparági tudással.
Absztrahált kihívásunk:
[ÍRD IDE AZ ELŐZŐ LÉPÉSBEN KIVÁLASZTOTT KÉRDÉST]
Kérlek:
1. Sorolj fel 8–10 iparágat vagy területet, amelyek strukturálisan hasonló problémát már megoldottak.
2. Mindegyiknél nevezd meg a konkrét megoldást és a mögöttes elvet.
3. Jelöld a három legtávolabbi, mégis jól átültethető példát.
4. Mindegyikhez adj egy provokatív kérdést, amely segít az átültetésben.
Ne a felszíni hasonlóságot keresd, hanem a problémastruktúra hasonlóságát.
Itt történik meg az első valódi kitágulás. Egyetlen problémából több különböző iparág mechanizmus-könyvtára lesz.
Ez azért fontos, mert a következő lépésben már nem egy ötletből indulunk ki, hanem több kipróbált működési elvből.
A precíziós mezőgazdaság furcsa, de használható analógiája
A kozmetikai példában a precíziós mezőgazdaság különösen érdekesnek bizonyult számomra, közel 10, számomra meglepő példát adott.
A modern mezőgazdaságban egy termőterületet nem feltétlenül kezelnek homogén egészként. Szenzorok, GPS-adatok és területi információk segítségével különbségeket érzékelnek, majd az egyes részeken eltérő mennyiségű vetőmagot, műtrágyát vagy más inputot alkalmaznak.
Ha ezt felszínesen másolnánk, könnyen arra jutnánk, hogy szenzort kellene építeni egy kozmetikai tégelybe. Ez lehet érdekes technológiai ötlet, de nincs sok köze az iparágközi innováció valódi logikájához.
A mögöttes elv sokkal egyszerűbb:
Ne az átlagot kezeld. Érzékeld a különbségeket a legkisebb még értelmes egységen, reagálj célzottan, majd mérj újra.
A mezőgazdaságban ez lehet egy területi zóna. A kozmetikai élményben lehet egy használati pillanat vagy állapot.
A működési logika így sűríthető össze:
Érzékelés → besorolás → beavatkozás → újramérés
Most már van valami, amit valóban át lehet ültetni.
prompt 3 – Copy, Adapt, Paste
Iparágközi innovációs tanácsadó vagy, aki az inspirációtól a megvalósítható koncepcióig visz.
Forrásmegoldás:
[ÍRD LE A MÁSIK IPARÁG MEGOLDÁSÁT]
A mi helyzetünk és korlátaink:
[IPARÁG, ERŐFORRÁSOK, SZABÁLYOZÁS, EGYÉB KORLÁTOK]
Kérlek:
1. ELV – emeld ki a forrásmegoldás mögötti általános működési elvet.
2. COPY – mi vihető át közvetlenül?
3. ADAPT – mit kell módosítani a mi helyzetünkhöz?
4. PASTE – fogalmazd meg a kész koncepciót egy mondatban.
5. Adj hozzá egy olcsó, gyors tesztet.
Ne a technológiát másold, hanem a működési elvet.
Ebből a precíziós mezőgazdasági analógiából született meg a Precision Feedback Loop gondolata.
Ahelyett, hogy hónapokkal később minden vásárlótól ugyanazt kérdeznénk, néhány kritikus használati pillanatban egy apró jelet gyűjtünk, és a jel alapján eltérő beavatkozást indítunk.
Például az első használat után azt kérdezzük, rendben ment-e minden. Néhány nappal később azt, hogy a termék könnyen illeszkedik-e a rutinba. Egy hét elteltével pedig azt, hogy a vásárló folytatná-e a használatot.
A válasz itt már nem egyszerűen adat.
Ha minden rendben, nincs szükség beavatkozásra. Ha bizonytalanság jelenik meg, célzott használati segítséget lehet adni. Ha komolyabb súrlódás látszik, rövid személyes utánkövetés indulhat.
Ezzel az eredeti problémát teljesen másképp kezdtük kezelni. Már nem azt kérdezzük, hogyan vegyük rá a vásárlót arra, hogy hosszú visszajelzést adjon. Azt kérdezzük, hogyan érzékelhetjük az élmény állapotát korábban, és hogyan reagálhatunk rá gyorsabban.
Egy ötlet akkor válik innovációvá, amikor elkezdjük tesztelni
Az AI használatának egyik veszélye, hogy nagyon könnyű beleszeretni az ötletgyártásba. Húsz izgalmas koncepció már önmagában produktívnak tűnhet, pedig az innováció valódi kérdése nem az, hogy mennyire érdekes egy ötlet, hanem hogy működik-e, és képesek vagyunk kipróbálni.
Ezért a folyamat végén az AI szerepe ismét megváltozik. Már nem újabb lehetőségeket kell keresnie, hanem segíthet a bizonytalan feltevéseket mérhető kísérletté alakítani.
A Precision Feedback Loop esetében az első teszthez nem kell külön alkalmazás, mesterséges intelligencia, okos csomagolás vagy jelentős fejlesztési költség. Egy meglévő termék, néhány tucat önkéntes vásárló és egy egyhetes pilot már képes megmutatni, hogy az alapmechanizmus ígéretes-e.
A legfontosabb mérőszám sem feltétlenül az, hogy hányan válaszoltak. Sokkal érdekesebb kérdés:
Mennyi idő telik el a termék használata és az első olyan jel között, amely alapján valódi döntést tudunk hozni?
Ez a „time to actionable signal”.
Ha korábban hónapokat kellett várnunk, és most néhány nap alatt használható információhoz jutunk, akkor már történt valami értékes.
Hol van ebben valójában az AI?
Nem ott, ahol elsőre gondolnánk.
Az AI ebben a folyamatban nem egyszerűen ötletgenerátor.
Először segít átfogalmazni a problémát.
Utána kitágítja a keresési teret, és olyan iparágakat hoz be, amelyekre magunktól talán nem gondolnánk.
Ezután segít leválasztani a működési elvet a konkrét technológiáról, majd lefordítani ezt az elvet a saját helyzetünkre.
Végül segít abban, hogy az ötletből tesztelhető koncepció legyen.
A teljes gondolkodási út tulajdonképpen nagyon egyszerű:
Konkrét probléma → absztrakció → más iparágak → működési elv → saját koncepció → teszt
A mesterséges intelligencia fő értéke az első felében a divergens keresés: messzebbre tud vinni, több iparágat, több mechanizmust és több nézőpontot hoz be.
A folyamat második felében viszont az ember szerepe válik egyre fontosabbá. Nekünk kell eldönteni, hogy az analógia valóban releváns-e, belefér-e a költségekbe, a szabályozásba és a szervezet képességeibe, illetve melyik feltevést kell először valódi környezetben kipróbálni.
Ezért az iparágközi innováció és az AI kapcsolata számomra nem arról szól, hogy egy algoritmus megmondja, mi legyen a következő termékünk.
Sokkal inkább arról, hogy segítségével messzebb tudunk menni a saját iparágunk megszokott válaszainál.
Az iparágközi innováció alapvető kérdése ugyanis továbbra is nagyon emberi:
Ki oldotta már meg máshol azt a problémát, amellyel mi most küzdünk – és mit tanulhatunk abból, ahogyan ő gondolkodott róla?
Az AI abban segít, hogy erre a kérdésre sokkal több helyen tudjunk választ keresni.
Megjegyzések
Megjegyzés küldése