Vi lever mitt i en samhällsrevolution! Och det här är inte sensations-klick-bete – det är den logiska slutsatsen av några enkla mätbara observationer.
Kommunikation, energi och transport, som ligger till grund för vår ekonomi och samhället i stort, förändras just nu snabbt – och fundamentalt – på grund av genombrott inom flera teknikområden. Det här skiftet kallas den andra, tredje eller till och med den fjärde industrirevolutionen, beroende på vem du pratar med. Oavsett vilket så är det per definition en revolution om kommunikation, energi och transport som förändras drastiskt och samtidigt med varandra.
Informationsteknologi – bland annat cyber-fysiska system, sakernas Internet (Internet of Things), blockchain och AI – spelar en viktig roll i detta skifte. Nanoteknologi, inklusive nya typer av energi som kan ersätta litiumbaserade batterier, smarta förpackningsmaterial och 4D-printing, kommer också att spela en stor roll. Bioteknologi och genetik kommer vidare att vara en annan viktig kraft. Och när alla dessa konvergerar, till exempel AI-driven nanoteknologi som gör det möjligt för uppkopplade autonoma och självförsörjande enheter att agera, så följer markanta förändringar.
Exakt hur långt in i framtiden detta kommer att ske är okänt. Det är också möjligt att vi kommer att se en mer konstant och kontinuerlig förändring, och att revolutionen i själva verket kommer att vara ”det nya normala”. Vi kan se några symptom redan: Under de senaste 15 åren har 52 procent av Fortune 500-företagen försvunnit på grund av digitaliseringen. Den genomsnittliga livslängden för framgångsrika företag 1955 var 75 år och år 2015 var det 15 år.
Oförmåga att designa för ny teknik
Vad är den gemensamma nämnaren här?
En av orsakerna tycks vara oförmågan att designa för ny teknik. Techföretag som Alphabet, Apple, Microsoft och Amazon har seglat förbi de gamla jättarna inom olja och bank. Men digital oförmåga är bara en del i det hela.
En studie från 2011 av drygt 300 företag inom flera branscher konstaterade att även om 95 procent av företagen hävdade att de var kundcentrerade och 80 procent hävdade att de levererade en "överlägsen upplevelse”, höll endast 8 procent av kunderna med. Denna enorma klyfta är den andra delen av pusslet. Som designers vet vi att folk inte köper produkter: de köper förmågan att uppleva saker och de betalar för tillfredsställelse. Oförmågan att operationalisera detta är alltså en annan stor orsak till att många företag och organisationer går bet.
Det går att definiera “design” på många olika sätt. Men en definition som är relevant i det här sammanhanget skulle kunna vara:
Design är avsiktlig leverans av meningsfulla tjänsteupplevelser, medierad av den bästa relevanta teknologin.
Vad som är meningsfullt är naturligtvis en komplicerad fråga. Men det har att göra med slutanvändarnas mål, attityder och förväntningar. Och förväntningarna förändras snabbt. Aktörer som Amazon och Alibaba höjer till exempel kontinuerligt förväntningarna för snabb leverans och kundupplevelse. Alibabas logistikorganisation Cainiao har rapporterat en officiell leveranstid på 12 minuter från klick till dörr.
Stora framsteg
Hur kan något sådant bli möjligt? Denna kundupplevelse handlar uppenbart inte om ett smidigt GUI, eller trevliga ikoner. Detta är istället möjligt genom stora mängder strukturerad data och algoritmdrivna plattformar som samordnar miljontals aktörer i realtid. En populär term för detta är förstås AI, och i synnerhet maskininlärning.
Maskininlärning gör stora framsteg för närvarande, men problemet är att tekniken fortfarande kan uppfattas som svart magi. Större delen av en given organisation eller företag förstår helt enkelt inte teknologin. Och till och med ingenjörer och programmerare misslyckas ibland med att förstå och förklara effekter och beslut tagna av algoritmerna.
Men detta är förstås sant med all ny teknologi. Och hur det blir framöver kommer antagligen följa det gängse mönstret för teknikmognad.
När den tekniska prestandan når den nivå som de flesta användare kräver, blir upplevelsen (experience) den avgörande faktorn och teknologin i sig blir oviktig för slutanvändaren. (Don Norman kallar detta en ”transition point”). Tanken får stöd av siffror som hävdar att ROI för designorienterade företag är 219 procent högre än för S & P 500-företag. Teknologi, som till exempel maskininlärning, är en möjliggörare – inte ett mål. Målet är som sagt meningsfulla tjänster och interaktioner för människor. Och detta har vi arbetat med under flera årtionden inom Service Design och UX Design.
Men våra designinsatser kommer bara att vara lika bra som de verktyg och det designmaterial vi har till hands. Framgången inom AI-applikationer kommer alltså att vara helt beroende av grundläggande förståelse för slutanvändarna och vår förmåga att designa för människor. Frågan blir då: är vi som designers utrustade för att designa för AI-drivna tjänster och plattformar? Eller försöker vi lösa dagens problem med gårdagens verktyg? Som designers behöver vi förstå egenskaperna hos vårt nya designmaterial. Det vill säga, vi måste förstå:
Vad är AI och vad kan AI göra?
För att kunna svara på detta, behöver vi titta på olika typer av AI:
Mänsklig intelligens (”konceptbildande” eller artificiell allmän intelligens – AGI) ligger långt bortom vad dagens teknik är kapabel till. Dagens tillgängliga AI är maskinlärning. Maskininlärning är helt enkelt förmågan att förutsäga ett värde utifrån en modell tränad på en strukturerad uppsättning historiska data. Till exempel: med hjälp av information om gårdagens temperatur och vindriktning, innevarande säsong och en handfull andra variabler kan en ML-tränad modell svara på frågan: ”Kommer det att regna imorgon?” med ett Ja eller ett Nej, och förhoppningsvis är svaret dessutom korrekt...
Som Service Designers kan vi använda sådan information för att resonera om saker som uppfattad kostnad, känsla av meningsfullhet eller identitetsbyggande aspekter av att – i regnexemplet – bära med sig ett paraply. Vi gör detta genom att förstå användaren, hens mål, attityder och förväntningar.
För praktiska ändamål är AI idag alltså en fråga om förutsägelse (prediction). Och kraften i dessa förutsägelser håller på att bli riktigt bra. Sedan 2015 slår bildklassificering konsekvent mänskliga prestationer, i alla fall för vissa ändamål.
Imponerande teknologi
Maskininlärning är alltså en kraftfull och imponerande teknologi. Men som alltid finns det en viktig flaskhals: maskininlärning kräver massor av träningsdata. Och strategin för datainsamling handlar inte bara om effektiv träning. Det kan också ha en mörkare baksida. Historiska data har per definition en tendens att förstärka historiska fenomen. Så, om träningsdata till exempel speglar historisk ojämlikhet mellan människor, kommer den resulterande prediktionsmodellen per definition att göra detsamma.
Maskininlärning är den ultimata “garbage-in/garbage-out-teknologin”. Det verkar inte finnas någon gräns för vad dåliga datamodeller kan ställa till med, vilket framgår av det stora antalet fall och varningar som nyligen publicerats om systematisk bias och negativa, både avsiktliga och oavsiktliga, effekter av dåliga träningsdata.
Så en central aspekt för utformningen av AI-drivna serviceplattformar är hur man ska designa för strategiskt och relevant datainsamling.
Hur kan vi utforma interaktion för ömsesidig nytta, det vill säga samtidigt stödja användaren och samla in data?
Detta måste ingå i jobbet för en interaktionsdesigner eller UX-designer. Och eftersom användningsdata bara kan fångas genom touchpoint-interaktion, är det också en kritisk aspekt av Service Design. Användarresan som du mejslar fram kommer att påverka både interaktion och datainsamling. Om datainsamlingen inte blir kvalitetssäkrad och autentisk kommer den genererade datan att bli dålig och missvisande, vilket leder till negativa effekter och upplevelser för slutanvändaren – och i förlängningen din affär.
System som agerar å våra vägnar
Klickbeten eller aggressiva call-to-actions, till exempel, kommer kanske att ge en del engagemang på kort sikt, men kvaliteten på datan blir antagligen tveksam, och är sällan en långsiktig strategi. Och det kommer ju inte att tjäna dina affärsmål.
En annan förändring i landskapet med digital design är övergången från hjälpsystem till agentbaserade system (agentive systems). Vi bygger inte bara direktmanipulerade assisterande verktyg längre. Agentiva tjänster – system som agerar å våra vägnar – ändrar den traditionella interaktionsmodellen. Som Christopher Noessel förklarar i sin bok Designing Agent Technology, så kommer interaktion mellan människa och maskin att ha mer att göra med att konfigurera tjänsten och sedan reagera på agentens initiativ över tid. Denna interaktionsmetafor kräver en annan designstrategi än den klassiska inmatning/process/output-loopen som dominerar klassisk interaktionsdesign.
Nya designmaterial och applikationsområden kräver nya angreppssätt. Vi kan inte lösa morgondagens problem med gårdagens verktyg och metoder. Därför undersöker vi ständigt nya sätt och skapar nya verktyg för att forma AI-drivna serviceplattformar och erfarenheter. Vi behöver ta fram nya, och modifiera befintliga, verktyg som stöder designers i att tänka på hur data, algoritmer, tjänster och användarupplevelse är kopplade och manifesterade för att skapa värde och effekt för individer, organisationer och samhälle.
Oavsett vad framtida historiker kommer att kalla vår tid – andra, tredje eller fjärde industrirevolutionen – så åligger det oss alla att medvetet designa vår väg genom det här paradigmskiftet. Eftersom vi inte har råd att lämna detta till en slumpen. Insatserna är helt enkelt för höga. Som designers måste vi lära oss att utnyttja kraften i AI-teknik och designdrivet holistiskt och strategiskt värdeskapande för att lyckas. Teknik är en möjliggörare. Och om den inte är korrekt utformad kan den utöva en mycket negativ påverkan på oss och samhället.
Cathy O'Neill, författare till boken Weapons of Math Destruction, skrev:
Data är ett digitalt eko av vår kultur. Algoritmer är åsikter inbäddade i kod.
Vi vet ganska bra hur man hanterar de tekniska detaljerna för data och algoritmer. Kultur och åsikter däremot, kräver andra typer av färdigheter och verktyg. Det faller på människo-centrerade designers att hjälpa till att kasta ljus över, och designa för, datainsamlingsstrategier, effekter av maskininlärning och interaktionsmönster för agentbaserade system.
Detta är den kontinuerliga och naturliga utvecklingen av designfältet. För skulle det inte vara väldigt konstigt om just vårt yrke inte förändrades drastiskt, om vi lever i en era där fundamentala saker som kommunikation, energi, transport och infrastruktur revolutioneras?