ダブルダイヤモンドに変わる、スティングレイモデル
なぜダブルダイヤモンドは時代遅れになり、人工知能搭載の新しいイノベーションとデザインモデル、「スティングレイ」モデルが登場したのか？
ポイント
https://scrapbox.io/files/665ac3c15de10f001cf41f80.png
ダブルダイヤモンドは、2005年に生まれた概念。
データサイエンスなんて当時は言葉はなく、現在は
だから、古くなっている
スティングレイモデル
3つのステージからなる。
Train stage
解決したい問題のタイプや期待する解決策の種類を明確にします。
タイプや種類というのがポイント。
プロジェクトの方向性やゴールなどをざっと定める。
https://scrapbox.io/files/665be41ca21971001d422bf8.png
Train Stage具体例
https://scrapbox.io/files/665be453069dce001c791606.png
Develop stage
https://scrapbox.io/files/665be83f759451001c41e34f.png
Iterate stage
実際に解決策を検証し、改良を重ねる段階
https://scrapbox.io/files/665bedbd759451001c41f769.png
Iterate stage 具体例
https://scrapbox.io/files/665bed9b0053fb001df4b6dd.png
感じたこと
確かに、ダブルダイヤモンドは、時代遅れになりつつあるかも。
Train stageでは、従来のデザイン思考の時間かかりすぎ問題が、解決されてる。
情報収集こそ人間がやるが、その後はAIをトレーニング(RAG？)し、ゴール設定している。 概要
ほぼ20年間にわたり、「ダブルダイヤモンド」モデルは、デザインとイノベーションプロジェクトの概念化、計画、実行方法を支配してきました。その強みは常に、シンプルで構造化された発散と収束のアプローチを用いて、チームが「どのような問題を解決するか」と「どのようなソリューションを構築するか」を特定するのを支援してきたことです。
2005年以降、世界中の何千人もの個人とチームがこのモデルで訓練され、間違いなく数十億ドルがこのモデルによって推進されるプロジェクトに費やされてきました。過去20年間の影響は計り知れませんでしたが、Board of Innovationでは、今日の成果に基づく人工知能駆動型イノベーションの環境において、このモデルはますます時代遅れになりつつあると考えています。
ペプシコのイノベーション担当バイスプレジデントであるKoen Burghoutsも同意見で、最近のBoard of Innovationの「自律型イノベーションサミット」で次のように述べています。
「5年後には、誰もダブルダイヤモンドについて語らなくなるかもしれません。」
💡まじか...
ダブルダイヤモンドのアプローチは、イノベーションとデザインプロジェクトが、壁に貼り付けられる付箋の数と、人間の脳が考慮し処理できるデータの量によって制限されていた時代に生まれました。当時は、イノベーションチーム向けのソフトウェアといえばPowerPoint、Excel、Photoshopであり、「データサイエンス」はほとんどの人が聞いたことがない概念でした。
💡そんな昔からあったのか
言うまでもなく、私たちはもはやそのような時代にはいません。そして生成AIのおかげで、私たちは信じられないほどのスピードで指数関数的な革新的な進歩を遂げています。
https://scrapbox.io/files/665578e569fbcd001c54b8ce.png
ダブルダイヤモンドモデルが関連性を失いつつある3つの理由
1. イノベーションの成功は、人間の思考だけではありません
複雑な問題解決は、もはや人間の思考だけではありません。人間の思考と人工知能の複雑な相互作用を管理することです。私たち人間が判断に迷うような表面的レベルで、わずか数個の問題や解決策を何週間もかけて吟味する代わりに、今では数十個のアイデアを同時に考慮し、迅速に優先順位を付け、より価値のある解決策について深く学ぶことに時間を割くことができます。
アイデアの発散を、今はAIと一緒にやる時代だよね、ということ。
2. それは、実現可能性や実行可能性ではなく、魅力性にリソースを集中させています
ダブルダイヤモンドを採用する場合、チームは顧客へのインタビューや共感研究に何週間も、あるいは数か月も費やす場合があります。
この作業は、顧客のニーズを満たすソリューションにつながる可能性がありますが、多くの場合、そのようなソリューションは、経済的実行可能性や技術的実現可能性を欠いています。
もはや、このような時間のかかる非現実的なモデルに従う必要はありません。Board of Innovationでは、世界中のクライアントとのイノベーションとビジネスデザインプロジェクトの実施から、生成AIが、人間によって発見された顧客ニーズを統合し、魅力的なコンセプトを選び出すことに非常に効果的であることを発見しました。チームは、今や無駄なステップを省略し、魅力的で実現可能かつ実行可能なコンセプトを開発することにリソースを集中することができます。
3. それは人間のバイアスと短所を強化します
チームは通常、膨大な情報をかき集めなければならないため、手を抜き、自分のバイアスや短所に陥ります。彼らは解決策に恋をするのです。彼らは、あまりにも複雑なので、すべての人のニーズを考慮するのではなく、主流のユーザーだけに焦点を当てます。
そうだね、まさに。
彼らは自分の個人的な経験に縛られ、確立された思考パターンにとらわれてしまいます。
ChatGPTやMidjourneyなどの初期のLLMには独自のバイアスがありますが、人間よりもはるかに簡単に「再訓練」できることを理解する必要があります。これにより、人間のバイアスを克服し、主流のユーザーだけでなく、より広範な社会のニーズを満たす、真に包括的なソリューションを提供することができます。
新しいモデル：スティングレイモデル
近年、企業のイノベーションチームは、一貫した成果を上げることができず、一般的に失敗しているという感覚があります。多くの企業は、コスト削減や既存の製品やサービスに関するマーケティングや価格設定の取り組みへの成長努力の集中を目的として、イノベーションラボを閉鎖したり、チームを縮小したりしてきました。そのため、イノベーションチームは、効率性を高め、市場での成功率を向上させるというプレッシャーが強まっています。
生成AIの爆発的な出現により、Board of Innovationでは新しいモデルが生まれました。それは、AIの力を利用する「スティングレイ」モデルです。私たちは、このモデルが、従来よりも早い段階で実用的で検証済みのソリューションを提供することで、投資への信頼を高めることを発見しました。
従来のやり方では、足が遅い。イノベーションという言葉に惑わされ、費用対効果が悪いか技術的実現性が低く、結局、頓挫する。
スティングレイモデルは、AIの力を借り、現実的にイノベーションを進めるモデルということか。
工場で製造できない製品アイデアを特定するために3か月も費やすのはやめましょう。2日間のデザイン思考ワークショップで、人々がまだやり残していることがあると感じてしまうのはやめましょう。主流のオーディエンスとの少数のインタビューの結果に基づいて、投資判断を下さなければならないのはやめましょう。
スティングレイモデルは、イノベーションチームが以下のことを支援することで、新しいイノベーションの道筋を提供します。
より意図的な目標設定
より難しい課題に取り組む
問題と解決策に迅速に到達する
不要なステップを排除し、より効果的にリソースを割り当てる
共感よりも実験に焦点を当てる
人間のバイアスを克服する
つまり、従来のやり方は、不確実性が高かった。
無駄もあった。投資ではなく、博打に近い感じだった。
AIが発達したんだから利用して、もっと角度高く、効率的に素早くやろうよ。
という感じか。
スティングレイモデルの3つの段階
「トレーニング」段階
目標設定とインテリジェンスの収集
この最初の段階では、チームはプロジェクトの目標設定に取り組みます。チームは、探したいソリューションの種類を確立し、目標を達成できるかどうかを判断する指標を定義します。
次に、問題に対する解決策を見つけるために必要な関連情報を収集します。
この情報は、会社の顧客や能力に関する独自の情報の形式をとることもあれば（例：工場の能力）、競合他社のデータ、サプライチェーンコスト（例：食料作物の価格）、消費者トレンド（例：TikTokビデオでの顧客の意見）に関する公開情報の形式をとることもあります。
情報が収集され、モデルがトレーニングされると、チームはそれを利用して、プロジェクトの目標を満たす、優先順位付けされた問題空間とソリューションの種類を生成します。たとえば、チームは、デジタルサービスの提供における優先順位付けされた顧客ニーズと例となる機能を特定することができ、これが次の段階への主な入力となります。これらの初期の出力の目的は、チームのためのガイダンスメカニズムとして機能することです。チームは、正しい軌道に乗っているのか、それとも先に進む前に目標をリセットする必要があるのかを理解するのに役立ちます。
目標設定 -> 人間
解決策の情報収集 -> 人間
集めた情報 -> モデルをトレーニング
モデルを使って、問題空間の優先順位付けと、解決策の生成
これらの目的は、アクセルを踏んで良いか、判断すること。
正しい軌道か？目標設定からやり直すか？
「トレーニング」段階の要点
この段階では、設定された目標に基づいて、プロジェクトの出発点として機能するように調整されたモデルを提供することで、問題と解決策に関する確実で優先順位付けされた仮説が得られます。
この段階には、数週間も数か月もかかりません。人間の関与と望ましいイテレーションのレベルに応じて、数時間から数日で行うことができます。
モデルが関連する会社固有の情報で設定されたら、チームは目標を設定およびリセットすることで、この段階を反復的に実行することができます。これにより、プロジェクトを複数回効果的に開始および再起動することができます。
私たちは、この段階で開発した手法に基づいて構築された、カスタムのソフトウェアツールを開発し始めています。これらのツールは、企業が独自のデータ、優先順位、戦略に基づいて、このプロジェクト段階をより適切に実行するのに役立ちます。
「開発」段階
問題と解決策の同時的な指数関数的な探索
モデルが適切な種類の出力を提供するように設定されたら、「開発」段階では、チームは非常に幅広い仮説と、さまざまなターゲットソリューションを同時に生成することができます。彼らは、最初に問題について考え、その後で解決策を見つけることを考える必要に縛られていません。また、わずか数十個のアイデアしか考慮できないという制限もありません。彼らは、考慮されている問題空間を分析する際に、指数関数的に、かつ包括的に行うことができます。
「開発」段階は、AIをコパイロットとして純粋に実行することも、関連する専門家からのインプットを提供する人間のワークショップと組み合わせることもできます。この段階の出力は、チームが自信を持って優先順位を付けることができる、幅広いカテゴリ化されたソリューションセットです。これは、ビジュアルやプロトタイプを含む初期の製品またはサービスの説明、および機能、実現可能性、それらのソリューションがプロジェクトのために定義された成功指標に対して提供できる能力に関する初期の仮説を作成することができます。
「開発」段階の要点:
チームは、人間のアイデア出し、AI主導型アイデア出し、AI支援型アイデア出しを組み合わせることができますが、最新の研究は、AI主導型アイデア出しが不可欠であることを示しています。ほとんどの場合、AI主導型アイデア出しは、他の手法よりも、生成されるアイデアの質と創造性において優れています。
AIにリードさせて考えさせよ、ということか。
チームは、AIを使用して、単なる思考の寄せ集めではなく、「MECE（相互に排他的かつ包括的）」な有望な解決策の明確で管理可能な「クラスター」を特定することで、この指数関数的な潜在的な解決策セットを理解し始めることができます。
「反復」段階
実用的な解決策を反復的に検証する
幅広い潜在的な解決策が得られたら、チームは実験を反復的に行い、より焦点を絞った解決策セットを絞り込み、リスクを軽減し、洗練していきます。これらのソリューションは、魅力性、実現可能性、実行可能性のすべてを同時に検証し、持続可能性の目標など、ビジネスにとって重要な他の要素も組み込みます。AIによって得られる新たな生産性は、チームが、伝統的なアプローチに従う際には、資金や時間があまりなかったため、いつも探索することを望んでいたようなタイプの反復に焦点を当てることができます。
チームは、従来のデザイン思考とイノベーションの手法をさまざまな形で展開していきます。これには、プロトタイプを使用した実験の実施、極端なユーザーや代表されていないユーザーへのインタビューの実施、アンケートの実施などが含まれます。しかし、チームは、合成テストなどの新しい手法も導入する必要があります。合成テストを実施することで、消費者行動に関する予測を使用して、解決策のセットを絞り込みます。これには、既存のサービスコンセプトの改善の特定、AI対応のチャットボットが実施および統合する、実際の人々との自律型インタビューの実施などが含まれます（例：Outsetプラットフォームを使用）。
「反復」段階の要点:
人間は、この道のりのいくつかの段階で、先に進むべき解決策のキュレーション、プロトタイプを使用した現実世界の検証、業界の利害関係者からの専門家からのインプットの取得において役割を果たします。
AIが反復プロセスを強化する可能性は、理論的には無限大です。これは、AIモデルのトレーニング次第です。たとえば、モデルは、工場の能力、サプライチェーンコスト、市場のトレンド、その他の多くのインプットに関するリアルタイム情報に基づいて、コンセプトを評価するために使用することができます。
私たちは現在、さまざまな要因を同時に評価して最適化することで、製品とサービスのアイデアを評価し最適化する、マルチエージェントAIモデルを検討しています。たとえば、新しい製品が、顧客のニーズを満たし、経済的に実行可能であると同時に、持続可能性基準も満たしていることを保証するのに役立ちます。