Langzaam dringt het door wat transformer-based language models zoals, ChatGPT, ook wel “generative AI”, al kan en gaat kunnen. In de kern: analyseren van teksten en rapporteren erover. De modellen kunnen allerlei opdrachten over teksten uitvoeren zoals ze samenvatten en belangrijke elementen erin vaststellen. Het model analyseert de data in hun context waardoor ook sentiment over en betekenis van de gegevens beschikbaar komt. De modellen maken nu nog fouten, maar in de komende jaren kan worden verwacht dat de fouten steeds kleiner worden.
Omdat de basis van innovatie kennis is en die kennis in taal is vastgelegd (interviews, boeken, artikelen, reviews) geeft chatGPT ons gemakkelijk toegang tot de voor innovatie relevante essentie van gigantische hoeveelheden kennis. Zo kunnen we sneller en beter “customer insights” opdoen.
Wanneer we de verkregen insights als basis gebruiken voor nieuwe opdrachten, dit keer creatieve (bedenk..) kan het language model nieuwe ideeen genereren. Door te herhalen en verfijnen komt er een stroom aan gegenereerde ideeen beschikbaar.
ChatGPT uitproberen levert snel het inzicht op dat vragen finetunen steeds anderen en betere antwoorden kan opleveren. Dat is “prompt engineering”: de juiste vragen stellen en de instellingen van het model veranderen (zoals “temperature”).
Werken met chatGPT en vergelijkbare modellen kan een innovator alleen of een team van innovators ondersteunen in het innovatieproces.