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 design creativiteit 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 industriele samenwerking, beleidsbetrokkenheid en grote 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 op dat moment die technologie, mensgericht ontwerp en een begrip van vorm combineerden. Het leerde me 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 gebieden. Mijn PhD richtte zich op de lucht- en ruimtevaartsector en onderzocht hoe engineering ontwerpers informatie vinden en gebruiken. Ik onderzocht hoe mensen toegang krijgen tot kennis, hoe expertise kan worden ondersteund of gerepliceerd, en het snijvlak tussen cognitie, computerwetenschap en engineering ontwerp. Deze mensgerichte lens is bij me gebleven sindsdien.

Naarmate digitale technologieën zijn gegroeid, zijn de vragen in mijn werk ook gegroeid. De opkomst van IoT-gegevens, AI en geavanceerde berekening heeft ontwerp verplaatst van alleen mensgericht naar maatschappijgericht. Dit blijft mijn werk vormgeven aan de University of Exeter, 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 aandrijven.

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’s mondiale 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 ontwerp, innovatie en besluitvorming zal veranderen?

Gedurende decennia is AI in onderzoek gevorderd en is het 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 meer toegankelijk 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 kwesties 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 te clusteren rondom vergelijkbare concepten. Dit benadrukt de noodzaak om menselijke expertise in generieke tools te bouwen, AI aan te passen voor 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 zien wij als uniek menselijk — en welke delen kunnen verantwoordelijk naar AI-gestuurde processen verschuiven?

Creativiteit is voor mij altijd meer geweest dan alleen het genereren van alternatieven. Het gaat over intentie, culturele betekenis en de emotionele verbinding die een ontwerp creëert. Ons recente DIGIT Lab-onderzoek bracht dit scherp in beeld: 82% van de mensen vertelde ons dat mensgericht of hybride werk meer betekenisvol aanvoelt, en 71% zei dat zij zich minder emotioneel verbonden voelen met AI-only ontwerp. Velen beschreven AI-gegenereerd werk als “emotioneel ontbrekend” (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 zij ideeën genereren, en LLM’s zijn zeer nuttig bij het verzamelen van informatie om ontwerpers te helpen verschuiven van het ene probleem naar het andere. Als wij modellen van menselijke expertise in AI-tools kunnen bouwen, kunnen zij ook de evaluatie van ideeën ondersteunen, waardoor AI beter gebruik kan maken van menselijke creatieve vaardigheden.

De chain-of-thought-aanpak die wij experimenteren, 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 aansluiten bij de ervaringen van gebruikers.

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

Dus voor mij is de 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 mensgericht 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.

Dat is waarom ik de toekomst van creativiteit als fundamenteel collaboratief zie. AI kan de speelruimte van mogelijkheden 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 rigoureuzer, 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 wij ervoor dat menselijke ervaringen, emoties en culturele signalen centraal blijven in het ontwerpproces als AI-systemen meer verantwoordelijk worden voor het genereren van producten en diensten?

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

Er zijn twee belangrijke benaderingen. De eerste erkent de noodzaak van kwalitatieve gegevens die een rijk begrip van menselijke ervaring, perceptie en emotie mogelijk maken, waardoor effectieve menselijke-AI-samenwerking mogelijk wordt. De tweede — waarop mijn werk heeft gefocust — heeft als doel om deze kennis te vertalen in modellen die AI-systemen kunnen begrijpen en gebruiken.

Deze modellen zijn complex om te ontwikkelen, omdat zij 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-inzetomgevingen, hoe balanceert u het potentieel van AI-ondersteund ontwerp met de noodzaak voor veiligheid, traceerbaarheid en vertrouwen?

In hoge-risicosectoren zoals 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 vroegtijdige exploratie, maar het kan niet de definitieve autoriteit worden.

Veel van deze sectoren zijn strikt gereguleerd en onderhevig aan strenge veiligheidsvereisten, die een veilige omgang met alle gegevens, persoonlijk of commercieel gevoelig, vereisen. In deze contexten moeten prompts of queries vaak worden ontwikkeld met behulp van lokale gegevens om specificiteit en relevantie te waarborgen, en het is gebruikelijk dat organisaties in deze sectoren hun eigen AI-tools ontwikkelen en onderhouden.

Wat ons bredere onderzoek consistent aantoont, is dat hybride systemen essentieel zijn: AI moet expertoordeel ondersteunen, niet vervangen. Menselijke toezicht moet ingebouwd worden in elk kritiek beslissingspunt, met name waar veiligheid, risico en aansprakelijkheid in het spel zijn. Voor regulatoren en eindgebruikers om AI-geactiveerde systemen te vertrouwen, moeten organisaties ook transparante documentatie hebben over hoe modellen worden getraind, welke gegevens zij 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 “experimenteren 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 experimentele fase omdat zij 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 ontwikkelproces, 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 bedrijfs- en ontwerpprestaties.

Teams hebben ook de juiste fundamenten nodig. Dat betekent investeren in hoogwaardige, goed bestuurde gegevens, met name gegevens die de echte gebruikerservaring weerspiegelen in plaats van alleen technische prestaties. Het betekent ook realistisch zijn over de huidige beperkingen van AI, met name 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 beleid helpen organisaties identificeren waar AI echt waarde kan toevoegen, terwijl zij ervoor zorgen dat mensen overal waar nodig in de lus blijven.

Ten slotte moeten organisaties door gestructureerde, lage-risicopilots 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 wordt gedeeld en overdraagbaar is. AI levert waarde als het is ontworpen in dagelijkse praktijk, niet als een apart experimenteel laag.

U heeft een lange staat van dienst in het ontwikkelen van methoden voor het structureren en automatiseren van kennis. Hoe dicht zijn wij bij AI-systemen die kunnen redeneren over ontwerpdoel, 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 televisieprogramma’s zijn bekeken, kunnen worden gebruikt om aanbevelingen te doen. Deze gebieden profiteren van gemakkelijk beschikbare gegevens.

In tegenstelling daarmee is een belangrijke uitdaging 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 ontwerpeigenschappen percipiëren en reageren. Echter, 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.

Daarom is AI-redenering over intentie verbeterd, maar het blijft een aanvulling op menselijke expertise.

Naarmate 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 heroverwegen?

Ontwerpers zullen vaardig moeten zijn in zowel menselijke perceptie als AI-ondersteunde tools. Het begrijpen van hoe vorm, materiaal en proportie emotionele respons vormen, zal fundamenteel blijven voor goed ontwerp. Tegelijkertijd moeten ontwerpers in staat zijn om zelfverzekerd te werken met AI-systemen die ideeëngeneratie en evaluatie ondersteunen. Dat betekent niet alleen het gebruiken van de tools, maar ook begrijpen waarvoor zij zijn geoptimaliseerd en waar hun beperkingen liggen. Naarmate AI meer wordt ingebed in ontwerpprocessen, zal de capaciteit om kritisch de output te interpreteren en te combineren met menselijk oordeel een van de meest waardevolle creatieve vaardigheden worden.

Naarmate AI ontwerpcycli van ideatie tot prototyping versnelt, zullen ontwerpers een nieuwe combinatie van capaciteiten en manieren van denken nodig hebben die verder gaan dan traditionele ambachtelijke vaardigheden. Zij zullen moeten begrijpen hoe digitale technologieën werken, wat verschillende soorten gegevens kunnen (en niet kunnen) onthullen, en hoe zij ontwerpkennis kunnen combineren met AI-geletterdheid. Dit omvat het weten hoe te werken met hoogwaardige, goed bestuurde gegevens die echte gebruikerservaringen weerspiegelen, in plaats van alleen te vertrouwen op technische prestatieparameters. Daarnaast zullen ontwerpers ook het oordeel nodig hebben om te herkennen waar AI behulpzaam 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 heroverwegen. Sommige universiteiten integreren al datawetenschap in ontwerpprogramma’s; een belangrijke stap, maar niet genoeg op zichzelf. Wat nog steeds ontbreekt, zijn ontwerpdenkmethoden die zijn toegerust voor de realiteiten van de digitale leeftijd: methoden die ontwerpers helpen samen te werken met AI, over disciplines heen te werken en snelle experimenten te navigeren terwijl menselijke en ethische toezicht wordt 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. Vanuit uw perspectief, welke ethische of maatschappelijke risico’s hebben meer aandacht nodig naarmate AI wordt ingebed in ontwerpprocessen over industrieën heen?

Een voorbeeld is het waarborgen van het ethische gebruik van gegevens, waaronder 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 zij kunnen bevatten. Vanuit een maatschappelijk perspectief is er vaak bezorgdheid dat AI banen zal vervangen; echter is het belangrijk om te begrijpen waar menselijke expertise essentieel blijft en hoe AI kan worden gebruikt om menselijke capaciteiten te versterken, in plaats van te vervangen.

Echter, er zijn diepere ethische kwesties ook. Wanneer ontwerpers afhankelijk zijn van menselijke gegevens, moeten zij privacy, bias en transparantie verantwoordelijk afhandelen. Een DIGIT Lab-workshop identificeerde de fabricage-sector “gegevens”, “mens” en “governance” als de belangrijkste uitdagingcategorieën, waarbij werd benadrukt dat betere gegevensverzameling, menselijke toezicht en duidelijke beleid inzake beveiliging, vertrouwen, intellectueel eigendom en regulering nodig zijn. Het aanpakken van deze risico’s betekent dat AI-systemen moeten worden gebouwd op diverse gegevens, menselijke oordeel op kritieke punten inbedden en inclusieve ontwerpnormen ontwikkelen die privacy, toestemming en culturele context respecteren.

U heeft onderzoek gedaan naar hoe gegevens en AI producten kunnen personaliseren rondom gebruikerservaring. Ziet u een toekomst waarin producten dynamisch evolueren op basis van real-time gegevens nadat zij de fabriek verlaten? Als dat zo is, hoe moeten ontwerpers zich voorbereiden op die wereld?

Data-gedreven ontwerp gebruikt voor producten kan worden gepersonaliseerd, aangepast of geüpdatet naar individuele gedragingen. Zij worden dan “slimme” systemen die gegevens verzamelen over hoe zij 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 zij 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 scanning om aangepaste componenten te creëren.

Deze verschuiving creëert nieuwe verantwoordelijkheden. Ontwerpers moeten beslissen welke menselijke gegevens, gedrags-, fysiologische, feedback- of emotionele gegevens relevant zijn. Zij moeten ook ervoor zorgen dat updates de bedoelde esthetische en emotionele kwaliteiten in stand houden die wij weten dat zijn gekoppeld aan vorm en perceptie. Ten slotte is governance belangrijk: onze industrie-workshop benadrukte dat kwesties rondom gegevens, vertrouwen en privacy duidelijke beleid en menselijke toezicht vereisen. Wanneer goed uitgevoerd, kunnen evoluerende producten duurzame waarde en responsiviteit bieden zonder betekenis of ethiek op te offeren.

Kijkend naar de toekomst, welke grote onderzoeksvragen 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 — waarvan ik er verschillende momenteel onderzoek, waaronder werk om te garanderen dat general-purpose generatieve AI-tools effectief kunnen worden aangepast aan de specifieke sectoren die deze willen adopteren.

Op sectorniveau kan dit er heel anders uitzien: in manufacturing kan het het gebruik van lokale modellen omvatten die zijn getraind op domeinspecifieke kennis, naast sterke privacy- en beveiligingsmaatregelen; in creatieve industrieën 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 wij met grote taalmodellen om evaluatietaken te ondersteunen. Een studie toont aan dat LLM’s novelty en nuttigheid kunnen beoordelen en meer in overeenstemming zijn met menselijke experts wanneer zij worden geleid door goed ontworpen prompts. Een gerelateerd artikel gebruikt chain-of-thought prompting en multi-model aggregatie om AI-evaluatie betrouwbaarder te maken. Wij onderzoeken ook conversational agents om de digitale transformatie-eisen van organisaties te verzamelen, waarbij wordt aangetoond dat chatbots effectief gestructureerde interviews kunnen uitvoeren. In combinatie met 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 gedachtevolle en inzichtelijke interview; lezers die meer willen leren over het werk van Professor Ahmed-Kristensen over AI-gestuurd ontwerp, creativiteit en verantwoorde digitale transformatie, kunnen lopend onderzoek en initiatieven verkennen op DIGIT Lab.