Humanizing AI: Echte menschliche Daten für echten Innovationserfolg
Als Menschen sind wir alle einzigartig. Als Verbraucher:innen sind unsere Entscheidungen komplex, emotional, kontextbezogen und oft irrational. Obwohl künstliche Intelligenz (KI) die Entwicklung neuer Produkte schneller und einfacher als je zuvor macht, können standardisierte Modelle die Realitäten der Verbraucher:innen verzerren oder falsch darstellen.
In diesem Whitepaper diskutieren wir die Praxis, KI-Modelle mit echten Verbraucherdaten zu trainieren, um das Wesen dessen zu erfassen, was das tatsächliche Verbraucherverhalten antreibt, und um bessere Innovationen zu generieren und vorherzusagen. Ohne eine Verbindung zu echten Menschen wird selbst der leistungsfähigste Algorithmus nicht ausreichen, um den Erfolg von Innovationen zu garantieren.
KI bietet die Möglichkeit, die Geschwindigkeit und möglicherweise die Erfolgsquote neuer Innovationen zu verbessern. Ob wir erfolgreich dabei sind, hängt davon ab, wie wir die KI anwenden.
Gehirne sind wie Schwämme; sie absorbieren, was ihnen ausgesetzt ist, und KI ist da nicht anders. Die Entwicklung von KI erfordert Daten, und die Qualität der Daten bestimmt die Qualität des KI-Modells. Es gibt zwei Hauptformen des Lernens für KI-Modelle: betreutes Lernen, bei dem ein Mensch der KI beibringt, was sie lernen soll, und selbstüberwachtes Lernen, bei dem die KI mit einer großen Menge an Texten gespeist wird, um Vorhersagen zu generieren.
Neue Produktideen werden eher erfolgreich sein, wenn die Ideenfindungs- und Evaluationsphasen in Daten verankert sind, die die intrinsisch menschlichen Bedürfnisse und Wünsche der Verbraucher widerspiegeln. Diese Daten müssen zeitunabhängig oder zumindest aktuell sein.
Ipsos zum Beispiel verwendet menschliche Reaktionen auf neue Produktkonzepte, um KI-Modelle für die Konzeptevaluation zu trainieren. Die Autoren fordern die Verwendung echter menschlicher Daten, um das echte menschliche Verhalten besser zu verstehen und vorherzusagen.
Durch die Einbeziehung relevanter, repräsentativer und zeitloser Daten können KI-Modelle genauer und effektiver sein, um den Erfolg von Innovationen zu fördern.
Key Takeaways
1. Die Qualität der Trainingsdaten ist entscheidend für den Aufbau intelligenter KI-Modelle. Die Daten müssen relevant, repräsentativ und zeitlos sein. 
2. Standardisierte KI-Modelle, wie große Sprachmodelle (LLMs), können Einschränkungen haben, wenn es darum geht, das Wesen des echten menschlichen Verhaltens und der Bedürfnisse zu erfassen. Die Vermenschlichung der KI durch das Training mit echten Verbraucherdaten kann zu einem besseren Innovationserfolg führen.
3. Generative KI kann in der Ideenfindungsphase von Innovationen zur Entwicklung neuer Produktideen verwendet werden, während analytische KI in der Evaluationsphase zur Vorhersage des Marktpotenzials eingesetzt werden kann.
4. Echte menschliche Daten, einschließlich Verbraucherreaktionen und wörtlichen Antworten, können verwendet werden, um KI-Modelle zu trainieren und ihre Genauigkeit bei der Vorhersage des Innovationserfolgs zu verbessern.
Mehr dazu im Paper.
