Samarbeid med AI for kreativt arbeid: Hvordan store språkmodeller (LLM-er) forvandler kreativiteten
- Yuan Ren
- 25. mars
- 3 min lesing
Siden lanseringen av ChatGPT i desember 2022 har det pågått omfattende diskusjoner, noe som har ført til rask innføring av store språkmodeller (Large Language Models, LLM-er) på tvers av ulike bransjer. Disse modellene hjelper nå brukerne med å håndtere et bredt spekter av åpne oppgaver, hvorav mange krever et høyt nivå av kreativitet.
I fjor publiserte Zenan Chen og Jason Chan en banebrytende studie i det anerkjente tidsskriftet Management Science, med tittelen «Large Language Models in Creative Work: The Role of Collaboration Modality and User Expertise». Studien, basert på et grundig utformet randomisert eksperiment, undersøkte hvordan ulike samarbeidsformer mellom mennesker og store språkmodeller påvirker den kreative prosessen innen reklametekstskriving. Studien fokuserte på to hovedmåter å bruke LLM-er på: (a) som ghostwritere, der modellen tar hovedansvaret for innholdsgenereringen, og (b) som sparringspartnere, som gir tilbakemeldinger og vurderinger av menneskeskapt innhold. Eksperimentet inkluderte både eksperter og ikke-eksperter, som ble bedt om å fullføre annonsetekstoppgaver både med og uten assistanse fra LLM-er. Deretter ble kvaliteten på annonsene vurdert for å analysere hvilken rolle disse modellene spiller i den kreative prosessen.
Interessant forskningsfunn: Hvordan samarbeider AI med mennesker?
Et viktig funn i studien er at effekten av LLM-bruk ikke er ensartet, men at den snarere formes av samspillet mellom samarbeidsmodellen og brukerens ekspertisenivå. Med LLM-tilbakemeldinger kunne ikke-eksperter produsere annonseinnhold som var mer tilpasset ekspertinnhold, noe som effektivt minsket avstanden mellom dem og domeneeksperter. For ekspertene derimot, ga ikke LLM-er som ghostwritere bare ingen vesentlige fordeler, men hadde også en negativ innvirkning på resultatene deres. Dette skyldes at som ghostwriter-modellen er spesielt utsatt for «forankringseffekten», der det opprinnelige innholdet som genereres av LLM-er, subtilt begrenser ekspertenes kreative tenkning, noe som til slutt resulterer i annonser av lavere kvalitet. Ekspertene opplevde heller ingen vesentlige fordeler ved å bruke LLM-er som sparringspartnere. Dette kan forklares med en «tak-effekt», der forslagene fra LLM-ene ikke overgår ekspertenes ekspertise og praktiske erfaring.
AI i reklamekreativitet: Et tveegget sverd
Utover denne innsikten presenterer studien flere tankevekkende funn. Generelt har annonser som er objektive, moderat lange og svært lesbare, en tendens til å oppnå høyere engasjement. Imidlertid viste de første utkastene generert av LLM-er i ghostwriter-modus lavere lesbarhet.
I ghostwriter-modus har LLM-er dessuten en tendens til å inkludere flere emojier og hashtags i de første utkastene, noe som kan undergrave troverdigheten til budskapet og den opplevde påliteligheten til kilden (Koch et al., 2023). Selv om deltakerne delvis justerte bruken av emojier etter å ha jobbet med ghostwriter-modellen, virket det som om disse elementene, som opprinnelig ble introdusert av LLM-ene, fortsatt hadde en forankrende effekt på de endelige annonsene.
Innsikt for bedrifter og utøvere: Det enorme potensialet ved bruk av AI
Denne studien gir svært verdifull innsikt for utøvere, og understreker viktigheten av å velge den optimale LLM-samarbeidsmodellen basert på utøverens ekspertisenivå. For nybegynnere med begrenset erfaring er sparringsmodellen mer effektiv for å forbedre kvaliteten på det kreative arbeidet. Organisasjoner kan vurdere å bruke LLM-er i denne egenskapen for å støtte nyansatte eller hjelpe dem med å navigere i ukjente operasjonelle utfordringer, og dermed akselerere deres læring og vekst. Samtidig bør organisasjoner implementere klare retningslinjer for bruk av LLM-er, og legge vekt på potensielle kognitive skjevheter som ansatte kan møte når de benytter seg av ghostwriter-modellen. Denne tilnærmingen bør brukes med forsiktighet, særlig når man bruker eksperter til å skape kreative resultater på høyt nivå, ettersom den risikerer å utløse forankringseffekten og begrense den kreative tenkningen deres. Selv om generelle LLM-er kanskje ikke direkte forbedrer arbeidet på ekspertnivå, kan utvikling av spesialiserte modeller som er trent på domenespesifikke data, gi erfarne fagfolk nye perspektiver og verdifull innsikt.
Etter hvert som LLM-teknologien utvikler seg og blir mer utbredt, må enkeltpersoner og organisasjoner nøye evaluere både fordelene og begrensningene som ligger i den. Ved å utnytte LLM-teknologiens styrker og redusere dens mangler på en strategisk måte, vil virksomheter være bedre rustet til å utnytte kraften i generativ AI, frigjøre menneskelig kreativitet og skape overlegne resultater på tvers av ulike kreative felt.
Referanser:
Chen, Z., & Chan, J. (2024). Large Language Model in Creative Work: The Role of Collaboration Modality and User Expertise. Management Science, 70(12), 9101–9117. https://doi.org/10.1287/mnsc.2023.03014
Koch T, Denner N, Crispin M, Hohagen T (2023) Funny but not credible? Why using (many) emojis decreases message credibil ity and source trustworthiness. Soc. Media Soc., ePub ahead of print September 4, https://doi.org/10.1177/20563051231194584.
留言