Prof. Saeema Ahmed-Kristensen, directeur van DIGIT Lab – Interviewreeks

Professor Saeema Ahmed-Kristensen is een toonaangevende onderzoeker op het gebied van design engineering en Associate Pro-Vice-Chancellor (Onderzoek & Impact) aan de University of Exeter, waar zij ook fungeert als directeur van de DIGIT Lab, een belangrijke interdisciplinaire onderzoeksinitiatief gericht op digitale innovatie en transformatie. Haar onderzoek omvat designcreativiteit en cognitie, data-gedreven en digitale ontwerp, en de integratie van geavanceerde technologieën in complexe engineering en productontwikkeling, met een sterke nadruk op het vertalen van academische inzichten in real-world impact door middel van industrieel samenspel, beleidsbetrokkenheid en grootschalige onderzoeksprogramma’s.

Uw carrière heeft zich uitgestrekt over Cambridge, DTU, Imperial College London, de Royal College of Art en nu de University of Exeter. Kijkend terug, welke ervaringen of keerpunten hebben uw denken over ontwerp, creativiteit en de rol van digitale technologieën het meest gevormd?

Mijn werk in ontwerp heeft zich uitgestrekt over veel verschillende culturen en disciplines. Ik begon aan Brunel op een van de weinige cursussen die technologie, mensgericht ontwerp en een begrip van vorm combineerden. Het leerde me al vroeg dat creativiteit en innovatie nauw met elkaar verbonden zijn.

Studeren aan Cambridge opende mijn denken verder. De college-omgeving stelde me bloot aan veel disciplines en liet me zien hoe innovatie afhankelijk is van de kennis die samenkomt uit verschillende vakgebieden. Mijn PhD richtte zich op de lucht- en ruimtevaartsector en onderzocht hoe engineeringontwerpers informatie vinden en gebruiken. Ik onderzocht hoe mensen kennis opdoen, hoe expertise kan worden ondersteund of gerepliceerd, en het snijvlak tussen cognitie, informatica en engineeringontwerp. Deze mensgerichte lens is bij me gebleven.

Naarmate digitale technologieën zijn gegroeid, zijn de vragen in mijn werk ook gegroeid. De opkomst van IoT-gegevens, AI en geavanceerde berekening heeft het ontwerp verplaatst van alleen mensgericht naar maatschappijgericht. Dit blijft mijn werk op de University of Exeter vormgeven, waar ik DIGIT Lab leid en me richt op de rol van LLM’s in het creatieve proces, de barrières die industrieën tegenkomen bij het adopteren ervan, en hoe gegevens innovatie kunnen stimuleren.

Mijn tijd aan Imperial en de Royal College of Art versterkte dat ontwerp veel meer is dan alleen het vormgeven van producten of diensten. Met de juiste mensen, processen en cultuur kan ontwerp een driver worden van nieuwe en schaalbare technologieën, materialen en ideeën die vandaag en morgen globale uitdagingen kunnen aanpakken.

DIGIT Lab richt zich sterk op digitale transformatie binnen grote gevestigde organisaties. Vanuit uw perspectief, wat denkt u dat leiders het meest verkeerd begrijpen over hoe AI het ontwerp, de innovatie en het besluitvormingsproces zal veranderen?

Gedurende decennia is AI in onderzoek vooruitgegaan en in bepaalde industrieën geadopteerd, maar de vooruitgang is vaak beperkt door vaardigheidskloven, leiderschapsbegrip en duidelijkheid over de waarde en de infrastructuur die nodig is. Met de opkomst van LLM’s en generatieve tools zoals DALL·E is AI nu toegankelijker en heeft het veel minder specialistische expertise of setup nodig. Maar dit roept ook nieuwe vragen op over privacy, gegevensbeveiliging en hoe goed algemene modellen toepasbaar zijn op specifieke domeinen.

In ontwerp en innovatie zijn deze problemen vooral duidelijk. Ons onderzoek, dat meer dan 12.000 ideeën onderzocht die door mensen en door AI zijn gegenereerd, toonde aan dat AI-ideeën de neiging hebben om rondom vergelijkbare concepten te clusteren. Dit benadrukt de noodzaak om menselijke expertise in generieke tools te bouwen, AI aan te passen aan het domein, of te begrijpen wanneer en hoe AI moet worden gebruikt naast menselijke creativiteit en besluitvorming.

Veel van uw onderzoek verkent creativiteit en cognitie in ontwerp. Nu generatieve AI in staat is om ideeën, concepten en iteraties op grote schaal te produceren, welke aspecten van creativiteit ziet u als uniek menselijk – en welke delen kunnen verantwoordelijk naar AI-gestuurde processen verschuiven?

Creativiteit is voor mij altijd meer geweest dan het genereren van alternatieven. Het gaat over intentie, culturele betekenis en de emotionele verbinding die een ontwerp creëert. Onze recente DIGIT Lab-enquête bracht dit scherp in beeld: 82% van de mensen zei ons dat menselijk geleid of hybride werk meer betekenisvol aanvoelt, en 71% zei dat ze zich minder emotioneel verbonden voelen met AI-only ontwerp. Velen beschreven AI-gegenereerd werk als “emotieloos” (48%) of “te perfect” (40%), en 36% voelde dat de impact snel verdween. Deze reacties versterkten iets wat ik al lang geloof: emotionele betrokkenheid is geen nice-to-have; het is essentieel voor hoe mensen creatief werk ervaren en waarderen.

Ons onderzoek naar menselijke en AI-ideeën toont ook aan dat menselijke ontwerpers beter zijn in het creëren van diverse, nieuwe ideeën en ervoor zorgen dat de creatieve output, of het nu een kunstwerk, productontwerp of dienst is, diepte en betekenis heeft. Creatieve experts hebben een vaardigheidenset die nog niet kan worden gerepliceerd. Ontwerpers moeten het probleem begrijpen voordat ze ideeën genereren, en LLM’s zijn zeer nuttig bij het verzamelen van informatie om ontwerpers te helpen overschakelen van het ene probleem naar het andere. Als we modellen van menselijke expertise in AI-tools kunnen bouwen, kunnen ze ook de evaluatie van ideeën ondersteunen, waardoor AI beter gebruik kan maken van menselijke creatieve vaardigheden.

De chain-of-thought-benadering die we experimenteren met ondersteunt LLM’s om expertredenering te volgen, niet alleen om scores te geven. In alle gevallen is menselijke toezicht vereist om resultaten te interpreteren en ervoor te zorgen dat ontwerpkeuzes in overeenstemming zijn met de ervaringen van gebruikers.

Het is duidelijk dat we ofwel modellen moeten creëren die kunnen vastleggen hoe mensen producten, diensten en interacties ervaren op een manier die computers kunnen interpreteren, of dikke gegevens (rijke kwalitatieve inzichten die context bieden) moeten integreren met de dunne of grote sensorgegevens die we verzamelen. Het ontwikkelen van deze modellen is niet eenvoudig, en dit is precies waar menselijke betrokkenheid essentieel blijft.

Daarom is mijn conclusie niet dat AI geen plaats heeft in creativiteit. Verre van dat. Het is dat AI en mensen verschillende sterke punten bijdragen. Het feit dat mensen consistent positiever reageren op menselijk of hybride werk vertelt ons waar het zwaartepunt ligt. AI kan helpen om een bredere ontwerpruimte te verkennen, patronen te analyseren en gestructureerde kritiek te bieden, maar die percepties van platheid, algoritmische perfectie en emotionele afstand laten zien waar AI nog steeds menselijke oordeel nodig heeft om mogelijkheden om te zetten in iets dat resoneert.

Daarom zie ik de toekomst van creativiteit als fundamenteel collaboratief. AI kan de ontwerpruimte verbreden. Ontwerpers brengen empathie, culturele begrip en een gevoel van intentie dat die mogelijkheden betekenis geeft. Wanneer de twee samenwerken, met menselijke oordeel dat de richting bepaalt en AI die de exploratie verrijkt, is het resultaat een creatief proces dat meer rigoureus, meer imaginatief en uiteindelijk meer menselijk in zijn resultaten is.

U heeft baanbrekende benaderingen ontwikkeld voor het kwantificeren van gebruikerservaringen en het structureren van ontwerpkennis. Hoe zorgen we ervoor dat menselijke ervaringen, emoties en culturele signalen centraal blijven in het ontwerpproces terwijl AI-systemen meer verantwoordelijk worden voor het genereren van producten en diensten?

Om menselijke ervaring centraal te stellen, moeten we kennis van perceptie en emotie in onze methoden integreren.

Er zijn twee belangrijke benaderingen. De eerste erkent de noodzaak van kwalitatieve gegevens die een rijke begrip van menselijke ervaring, perceptie en emotie mogelijk maken, waardoor effectieve menselijke-AI-samenwerking kan worden ondersteund. De tweede – waarop mijn werk zich heeft gericht – heeft als doel deze kennis te vertalen in modellen die AI-systemen kunnen begrijpen en gebruiken.

Deze modellen zijn complex om te ontwikkelen, omdat ze gebruikerservaring, menselijke perceptie en de kenmerken van de producten of systemen die worden ontworpen, moeten integreren om menselijke reacties en de algehele ervaring te voorspellen.

U werkt uitgebreid met complexe industrieën – lucht- en ruimtevaart, medisch, manufacturing, en consumentenproducten. In deze hoge-stakesomgevingen, hoe balanceert u de potentie van AI-ondersteund ontwerp met de noodzaak van veiligheid, traceerbaarheid en vertrouwen?

In hoge-risicosectoren zoals de gezondheidszorg, lucht- en ruimtevaart en manufacturing is de vraag niet of AI kan worden gebruikt, maar hoe het wordt bestuurd. Vertrouwen in deze omgevingen hangt af van duidelijke verantwoordelijkheid, traceerbaarheid en verklarbaarheid op elk niveau van het ontwerpproces en de besluitvorming. AI kan een krachtige ondersteunende rol spelen in simulatie, optimalisatie en vroegstadiumexploratie, maar het kan niet de eindautoriteit worden.

Veel van deze sectoren zijn streng gereguleerd en onderhevig aan stringente veiligheidsvereisten, die een veilige behandeling van alle gegevens, persoonlijk of commercieel gevoelig, vereisen. In deze contexten moeten prompts of queries vaak worden ontwikkeld met lokale gegevens om specificiteit en relevantie te garanderen, en het is gebruikelijk voor organisaties in deze sectoren om hun eigen AI-tools te bouwen en te onderhouden.

Ons bredere onderzoek toont consistent aan dat hybride systemen essentieel zijn: AI moet menselijk oordeel aanvullen, niet vervangen. Menselijke toezicht moet in elk kritiek beslissingspunt worden ingebouwd, vooral waar veiligheid, risico en aansprakelijkheid een rol spelen. Voor regulators en eindgebruikers om AI-geactiveerde systemen te vertrouwen, hebben organisaties ook transparante documentatie nodig over hoe modellen worden getraind, welke gegevens ze gebruiken en hoe outputs worden gegenereerd. Zonder die transparantie kan vertrouwen niet schalen, ongeacht hoe geavanceerd de technologie wordt.

Veel organisaties worstelen met de kloof tussen “experimenten met AI” en het betekenisvol integreren ervan in productontwikkeling. Welke praktische stappen zou u aanbevelen voor teams die proberen over te stappen van experimenten naar strategische implementatie?

Veel organisaties blijven steken in de experimentenfase omdat ze AI adopteren zonder een duidelijk strategisch doel. De eerste praktische stap is om expliciet te zijn over de rol die AI moet spelen in het ontwikkelingsproces, of dat nu het ondersteunen van ideatie, versnellen van testen, verbeteren van evaluatie of verhogen van besluitvorming is. Zonder die duidelijkheid blijven pilots losgekoppeld van echte business- en ontwerpprestaties.

Teams hebben ook de juiste fundamenten nodig. Dat betekent investeren in hoogwaardige, goed bestuurde gegevens, vooral gegevens die echte gebruikerservaringen weerspiegelen in plaats van alleen technische prestaties. Het betekent ook realistisch zijn over de huidige beperkingen van AI, vooral in creatieve en mensgerichte oordeel, waar experttoezicht essentieel blijft.

Veel sectoren beginnen AI-beleid te ontwikkelen dat teams door het proces van experimenteren met AI leidt, van het opbouwen van businesscases en het uitvoeren van pilots tot bredere adoptie. Deze beleidslijnen helpen organisaties identificeren waar AI echt waarde kan toevoegen, terwijl ze ervoor zorgen dat mensen overal waar nodig in de lus blijven.

Ten slotte moeten organisaties door gestructureerde, laagrisicopilots gaan die zijn ingebed in echte workflows, niet losgekoppeld worden uitgevoerd. Deze pilots moeten multidisciplinair zijn, waarbij ontwerpers, ingenieurs, datawetenschappers en domeinexperts samenwerken, zodat kennis gedeeld en overdraagbaar is. AI levert waarde wanneer het is ontworpen in dagelijkse praktijk, niet wanneer het als een apart experimenteel laag wordt behandeld.

U heeft een lange staat van dienst in het ontwikkelen van methoden voor het structureren en automatiseren van kennis. Hoe dichtbij zijn we bij AI-systemen die kunnen redeneren over ontwerpintentie, gebruikersbehoeften en context op een manier die echt waarde toevoegt in plaats van alleen inhoud te genereren?

In sommige gebieden is het voorspellen van gebruikersvoorkeuren relatief eenvoudig, omdat gegevens zoals browsingsgeschiedenis of records van welke films of televisieshows zijn bekeken, kunnen worden gebruikt om aanbevelingen te doen. Deze gebieden profiteren van gemakkelijk beschikbare gegevens.

Door contrast, is een van de belangrijkste uitdagingen in het ontwerp van producten en diensten dat gegevens over mensenkeuzes, behoeften en ervaringen vaak niet gemakkelijk beschikbaar zijn.

Mijn recente onderzoek met Digit Lab onderzocht de mogelijkheid van een LLM, wanneer gegeven een model van hoe mensen ontwerpkenmerken percipiëren en reageren, maar huidige modellen werken op patronen in gegevens en kunnen betekenis niet contextualiseren. Eerdere studies die vorm koppelen aan percepties laten zien dat zelfs kleine veranderingen in vorm emotionele reacties kunnen verschuiven, en dergelijke nuances zijn moeilijk voor AI te anticiperen zonder menselijke leiding of geavanceerde modellen.

Terwijl AI ontwerpcycli versnelt – van ideatie tot prototyping – welke nieuwe vaardigheden hebben ontwerpers nodig? Hoe moeten universiteiten en organisaties de opleiding van de volgende generatie creatieve talenten herbekijken?

Ontwerpers zullen vaardig moeten zijn in zowel menselijke perceptie als AI-ondersteunde tools. Het begrijpen van hoe vorm, materiaal en proportie emotionele reacties vormen, zal fundamenteel blijven voor goed ontwerp. Tegelijkertijd moeten ontwerpers in staat zijn om te werken met AI-systemen die ideeëngeneratie en evaluatie ondersteunen. Dat betekent niet alleen het gebruiken van deze tools, maar ook het begrijpen waarvoor ze zijn geoptimaliseerd en waar hun beperkingen liggen.

Naarmate AI ontwerpcycli versnelt van ideatie tot prototyping, zullen ontwerpers een nieuwe combinatie van vaardigheden en manieren van denken nodig hebben die verder gaan dan traditionele ambachtelijke vaardigheden. Ze zullen moeten begrijpen hoe digitale technologieën werken, wat verschillende soorten gegevens kunnen (en niet kunnen) onthullen, en hoe ze ontwerpkennis kunnen combineren met AI-geletterdheid. Dit omvat het kennen van hoogwaardige, goed bestuurde gegevens die echte gebruikerservaringen weerspiegelen, in plaats van alleen te vertrouwen op technische prestatieparameters. Bovendien zullen ontwerpers het oordeel nodig hebben om te herkennen waar AI nuttig is en waar menselijke creativiteit en kritisch denken centraal moeten blijven.

Om aan deze behoeften te voldoen, zullen universiteiten en organisaties de opleiding van de volgende generatie creatieve talenten moeten herbekijken. Sommige universiteiten integreren al datawetenschap in ontwerpprogramma’s; een belangrijke stap, maar niet genoeg op zichzelf. Wat nog ontbreekt, zijn ontwerpdenkmethoden die zijn toegerust voor de realiteiten van de digitale leeftijd: methoden die ontwerpers helpen om samen te werken met AI, over disciplines heen te werken en snelle experimenten te navigeren terwijl ze ethische en mensgerichte toezicht behouden.

Het aanpakken van deze kloof is essentieel. Daarom schrijf ik, samen met mijn collega Dr. Ji Han, een boek met Cambridge University Press over Design Thinking in the Digital Age, dat de kaders, vaardigheden en manieren van denken samenbrengt die nodig zijn om effectief te ontwerpen naast AI.

DIGIT Lab benadrukt verantwoorde transformatie. In uw visie, welke ethische of maatschappelijke risico’s hebben meer aandacht nodig terwijl AI wordt geïntegreerd in ontwerpprocessen over industrieën heen?

Een voorbeeld is het garanderen van het ethische gebruik van gegevens, inclusief het verkrijgen van geïnformeerde toestemming en het behouden van transparantie over de datasets die worden gebruikt om AI-producten te ontwikkelen, evenals mogelijke biases die ze kunnen bevatten. Voor datasets die zijn ingebed in gezondheidszorgsystemen, moet zorgvuldig worden onderzocht of ze de hele bevolking adequaat vertegenwoordigen, ondervertegenwoordigde groepen identificeren en bevestigen dat het AI-systeem geschikt is voor het doel en inclusief is.

Er zijn echter ook diepere ethische kwesties. Wanneer ontwerpers afhankelijk zijn van menselijke gegevens, moeten ze privacy, bias en transparantie verantwoordelijk behandelen. Een DIGIT Lab-workshop identificeerde de fabricagesector “gegevens”, “mens” en “governance” als de belangrijkste uitdagingencategorieën, waaruit de noodzaak blijkt voor betere gegevensverzameling, menselijke toezicht en duidelijke beleidslijnen over beveiliging, vertrouwen, intellectueel eigendom en regulering. Het aanpakken van deze risico’s betekent dat AI-systemen zijn gebouwd op diverse gegevens, menselijke oordeel op kritieke punten inbouwen en inclusieve ontwerpnormen ontwikkelen die privacy, toestemming en culturele context respecteren.

U heeft onderzocht hoe gegevens en AI producten kunnen personaliseren rondom gebruikerservaring. Ziet u een toekomst waarin producten dynamisch evolueren op basis van real-time gegevens nadat ze de fabriek verlaten? Zo ja, hoe moeten ontwerpers zich voorbereiden op die wereld?

Data-gedreven ontwerp kan worden gebruikt voor producten die kunnen worden gepersonaliseerd, aangepast of geüpdatet op basis van individuele gedragingen. Ze worden dan “slimme” systemen die gegevens verzamelen over hoe ze worden gebruikt en communiceren via ingebedde sensoren en IoT-connectiviteit. In ons kader omvatten personaliseringsactiviteiten het gebruik van die gegevens om producten te updaten en aan te passen nadat ze de fabriek hebben verlaten. Voorbeelden zijn het koppelen van gebaarherkenningsmodellen aan een digitale tweeling voor mens-robot-samenwerking en het gebruik van machine learning-geassisteerde scannen om aangepaste componenten te creëren.

Deze verschuiving creëert nieuwe verantwoordelijkheden. Ontwerpers moeten beslissen welke menselijke gegevens, gedrags-, fysiologische, feedback- of emotionele gegevens relevant zijn. Ze moeten er ook voor zorgen dat updates de bedoelde esthetische en emotionele kwaliteiten behouden die we weten dat zijn gekoppeld aan vorm en perceptie. Ten slotte gaat governance een rol spelen: onze industrie-workshop benadrukte dat kwesties rondom gegevens, vertrouwen en privacy duidelijke beleidslijnen en menselijke toezicht vereisen. Wanneer dit goed wordt gedaan, kunnen evoluerende producten duurzame waarde en responsiviteit bieden zonder betekenis of ethiek op te offeren.

Kijkend naar de toekomst, welke grote onderzoeksuitdagingen motiveren u op dit moment? En welke doorbraken denkt u dat het veld zal zien in de komende jaren op het snijvlak van AI, creativiteit en ontwerpengineering?

Veel van de uitdagingen die hierboven zijn beschreven, blijven onopgelost – enkele waarvan ik momenteel werk, waaronder werk om ervoor te zorgen dat algemene generatieve AI-hulpmiddelen effectief kunnen worden aangepast aan de specifieke sectoren die ze willen adopteren.

Op sectorniveau kan dit er heel anders uitzien: in de fabricage kan het het gebruik van lokale modellen omvatten die zijn getraind op domeinspecifieke kennis, naast sterke maatregelen voor privacy en beveiliging; in de creatieve industrie kan de focus liggen op het diversifiëren van outputs en het mogelijk maken van meer betekenisvolle samenwerking tussen mensen en AI.

Op technisch niveau experimenteren we met grote taalmodellen om evaluatietaken te ondersteunen. Een studie toont aan dat LLM’s noviteit en bruikbaarheid kunnen beoordelen en meer in overeenstemming zijn met menselijke experts wanneer ze worden geleid door goed ontworpen prompts. Een gerelateerd artikel gebruikt keten-van-gedachte-aanduiding en multi-model-aggregatie om AI-evaluatie betrouwbaarder te maken. We onderzoeken ook conversational agents om de digitale transformatiebehoeften van organisaties te capteren, waaruit blijkt dat chatbots effectief gestructureerde interviews kunnen uitvoeren. In combinatie met ons werk over het gebruik van menselijke gegevens in ontwerp, wijzen deze initiatieven op een toekomst waarin AI ons helpt om expertise te behouden, betere beslissingen te nemen en gebruikers op een ethische manier te betrekken.

Bedankt voor het gedachtewisselende en inzichtelijke interview; lezers die meer willen leren over het werk van Professor Ahmed-Kristensen op AI-gedreven ontwerp, creativiteit en verantwoorde digitale transformatie, kunnen lopend onderzoek en initiatieven verkennen op DIGIT Lab.