AI is de hel of AI is de hemel. De discussie over het gebruik van AI wordt vaak platgeslagen tot een binair ‘voor of tegen’. Voorstanders van AI hebben een bijna religieus geloof in een utopische toekomst waarin AI alle problemen oplost. En tegenstanders vrezen een dystopisch doemscenario met op zijn best (kan dat bij een dystopie?) overheersing door big tech en op zijn slechtst een volstrekt onleefbare aardbol. Is er ook een middenweg? Ja, en die ligt in het experimenteren met AI zonder weg te kijken voor de risico’s. (Pioniers als Ethan Mollick en Philippa Hardman laten zien hoe je dat kunt doen.) Eerder schreef ik al een artikel over mogelijke toepassingen van AI in foresight. Hieronder zoom ik wat meer uit en laat ik zien hoe (vooral de kwalitatieve) foresight-methoden kunnen profiteren van het gebruik van generatieve AI-tools.

De foresight diamond van Rafael Popper (Popper, 2008) is binnen de futuring-wereld een bekend model om foresight-methoden te structureren op basis van vier criteria (de hoeken van de ruit): interactie, bewijsmateriaal, expertise en creativiteit. Je ziet de ruit hieronder:

Popper geeft daarnaast in diezelfde foresight-ruit nog een andere indeling van de methoden (zie in de afbeelding linksonder), en wel in drie typen:

1. Kwalitatieve methoden (zoals scenario’s, interviews en brainstorming) gebaseerd op subjectiviteit of creativiteit in de vorm van meningen, oordelen of overtuigingen;
2. Kwantitatieve methoden (zoals modellering en trendextrapolatie) gebaseerd op metingen en statistische analyse met betrouwbare en valide data;
3. Semi-kwantitatieve methoden (zoals Delphi, cross-impact-analyse en roadmapping) die wiskundige principes toepassen om subjectieve oordelen of meningen van experts te kwantificeren.

Omdat de kwalitatieve methoden gebaseerd zijn op subjectiviteit (meningen, oordelen) of creativiteit zijn die volgens Popper vaak moeilijk te onderbouwen. Die beperking gold in 2008, nog vóór de deep learning revolutie waarmee het trainen van Large Language Models (LLMs) mogelijk werd. Want de komst van deze (sinds ChatGPT in 2023 breed toegankelijke) generatieve AI-tools betekent een cesuur in de manier waarop we met talige input kunnen werken. LLMs zoals Gemini, Claude of ChatGPT zijn door hun sterke taal-, context- en semantiekbegrip een meester in het structureren en analyseren van grote hoeveelheden talige input en kunnen dat vooral veel sneller en op veel grotere schaal dan mensen. En dat biedt nieuwe mogelijkheden. Wat voorheen moeilijk samen te vatten, te analyseren of te onderbouwen was, kan nu wel worden gedaan. Zo ook bij kwalitatieve foresight-methoden.

Hieronder geef ik een paar voorbeelden van kwalitatieve foresight-methoden en hoe AI-tools deze kunnen versterken.

Brainstorming:

Brainstorming wordt binnen foresight vaak toegepast, bijvoorbeeld om trends of signalen op te halen of ideeën te genereren. Daarbij wordt de opbrengst meestal vastgelegd op post-its of flip-overs. AI-tools kunnen (live) signalen of ideeën clusteren en indelen, onverwachte ideeën toevoegen of ideeën automatisch scoren op criteria (zoals haalbaarheid of disruptiviteit). Een brainstormtool als het futures wheel – om gevolgen van trends in kaart te brengen – kan bijvoorbeeld direct geanalyseerd worden, waarbij (onverwachte) tweede- of derde-orde gevolgen zichtbaar worden, gevolgen kunnen worden geclusterd of ontbrekende gevolgen aangevuld.

Interviews:

Interviews met experts uit het veld is een methode die vaak gebruikt wordt om inzicht te krijgen in ontwikkelingen, trends en signalen in de omgeving van een bedrijf of organisatie. De inzichten en adviezen uit deze expertinterviews en discussies worden vaak handmatig verwerkt en geanalyseerd. Met AI is snelle systematische vastlegging mogelijk, in de vorm van transcriberen en direct analyseren (sentiment, thema, prioriteiten). Ook kan consensus en divergentie meteen worden blootgelegd. AI kan ook als expert aan een panel worden toegevoegd. Zeker wanneer specifieke relevante bronnen zoals rapportages uit het vakgebied worden toegevoegd, is het mogelijk om input op te halen uit een veelheid van betrouwbare bronnen.

Scenario’s:

Toekomstscenario’s worden nu meestal handmatig ontwikkeld in workshops of op basis van expertmeningen. Het resultaat is vaak tekstueel (soms visueel) en subjectief. Scenario’s die gemaakt zijn, kunnen worden geanalyseerd om patronen te ontdekken. Scenario’s kunnen worden gescoord op waarschijnlijkheid met sentimentanalyse. AI kan daarnaast scenario’s genereren op basis van documenten, signalen/drivers, bedrijfsdata of rapporten, of helpen bij het ontwikkelen van scenario’s (een geraamte maken, een eerste versie schrijven of feedback geven). Ook is het mogelijk om scenario’s te verrijken met AI in de vorm van beelden, video’s, VR-omgevingen of future persona’s (beschrijvingen van personen uit een bepaald toekomstscenario).

SWOT(/TOWS)-analyse:

Sterktes, zwaktes, kansen en bedreigingen worden door een groep benoemd op basis van ervaring en intuïtie. AI kan SWOT-elementen halen uit data (rapporten, documenten, communicatie etc.) Kan elementen scoren op criteria (frequentie, sentiment, context). Op die manier kan een SWOT-analyse worden gekoppeld aan data om deze direct te onderbouwen.

Natuurlijk blijft er ook met de komst van AI altijd een menselijke, subjectieve en creatieve component aanwezig in al deze kwalitatieve methoden. AI vervangt het subjectieve aspect niet, maar vult het aan (zie ook dit eerdere artikel over Aanvullende Intelligentie). Wel biedt de komst van breed toegankelijke, generatieve AI-tools meer mogelijkheden voor analyse en onderbouwing. Uiteindelijk zal AI in alle foresight-methoden een plek kunnen vinden. En zo verandert foresight langzaam maar zeker in foresAIght.

“Neemt AI dan niet het werk van de foresight-professional over”, zoals een collega-foresighter onlangs verzuchtte? Want waarom zou ik als klant nog met veel pijn en moeite een diepgaande SWOT-analyse of gedetailleerde scenario’s maken als ik dat ook AI kan laten doen? Mijn antwoord op die vraag is: alles wat je nu (geheel) door AI laat doen, wilde je vroeger eigenlijk al liever niet zelf doen. De mens is nu eenmaal liever lui dan moe en kiest graag voor de weg van de minste weerstand. Tenzij die weerstand iets oplevert, denk maar aan zaken als geld (werken), kennis/kunde (leren), plezier (hobby’s) of waardering (vrijwilligerswerk). Voor foresight geldt precies hetzelfde: wie AI als shortcut gebruikt, eindigt met een lege huls. De weg van het foresight-proces is namelijk minstens zo belangrijk als het doel. Daarom moet foresAIght zich op alle bovenstaande aspecten richten en laten zien hoe organisaties en personen baat hebben bij foresight-methoden, omdat ze bijdragen aan kennis (van omgeving en organisatie), kunde (scannen, analyseren), inzicht (perspectieven, strategische keuzes), waardering (van collega’s, klanten) en ook geld (toekomstige producten/diensten). Maar eigenlijk was dat bij foresight zonder AI al niet anders.

AI gaat foresight-methoden niet vervangen, maar vult ze wel aan. Dat maakt foresigt niet zwakker, maar juist sterker. Zo bezien kunnen we vol vertrouwen door de ruit van Popper naar een toekomst vol foresAIght kijken.

(De afbeelding bij dit artikel is gegenereerd met ChatGPT-4o.)