Du kan godt bruge AI, når du vil skabe personaer, der afspejler virkelige brugere – men gør det med omtanke. Læs om, hvorfor og hvordan du skal bevare styringen og lade AI bidrage konstruktivt gennem hele processen.
Din arbejdsplads skal træffe nogle vigtige strategiske beslutninger og ønsker at inddrage jeres kunders perspektiv i beslutningsprocessen.
I bliver enige om, at det kunne være nyttigt at kondensere viden om kunderne i en række personaer.
Opgaven med at udvikle disse personaer havner på dit bord – sammen med de andre opgaver, som i forvejen ligger der.
Måske kan du bruge generativ AI til at optimere processen, foreslår en kollega.
Men er det en god idé?
Grundlæggende: Ja.
Men du skal tænke over, hvilken slags personaer, du ønsker at fremstille.
Det vil nemlig være afgørende for, hvordan og hvornår du bør bruge generativ AI, og hvilken rolle henholdsvis du selv og AI spiller i arbejdsprocessen.
Quick ‘n’ dirty eller dataforankrede personaer?
Der er forskellige tilgange til at udvikle personaer. Groft sagt findes der to tilgange – en hurtig og en datadrevet.
- Inden for den første skole udvikler man quick ‘n’ dirty-personaer ud fra egne forestillinger om, hvad der kendetegner den målgruppe, personaerne skal afspejle. Det er en praksis, som blandt andet kan ses på marketingområdet.
- Inden for den anden skole udvikler man dataforankrede personaer på baggrund af empiriske data og eksisterende viden om målgruppen. Denne praksis er udbredt inden for designdisciplinerne.
Selv tilhører jeg den sidste skole, og det er den dataforankrede tilgang, som jeg præsenterer i min bog Valide personaer – trin for trin.
AI-genererede personaer – go eller no-go?
Hvis din tilgang til personaudvikling er quick ‘n’ dirty, og du går mindre op i, at personaerne skal afspejle faktiske træk og forhold hos målgruppen, så er intet, der forhindrer dig i at fremstille personaer i en fart ved at bruge få prompts til at få din AI-chatbot til at levere et sæt personaer.
Men tilhører du ligesom jeg den dataforankrede skole, er det en rigtig dårlig idé at lade AI fremstille personaerne for dig.
AI-generede personaer bygger på syntetiske data. Det vil sige en AI-skabt, algoritme-filtreret sammenkobling af en stor mængde informationer fra AI’ens træningsmateriale.
Og problemet med syntetiske data er, at du ved, hvilke kilder AI trækker på, og derfor ikke kan vurdere deres kvaliteten. Det går ud over validiteten af det, du fremstiller – og du risikerer samtidig at importere bias uden at opdage det.
Du kan læse mere om syntetiske data i blogindlægget Synthetic data vs. real user data: Where market research loses its validity af Ines Maione fra markedsanalysevirksomheden Resonio.
Valide personaer med AI: 5 trin
At du skal styre uden om syntetiske data i arbejdet med at fremstille dataforankrede personaer, betyder ikke, at AI ikke kan spille en rolle i processen.
Du kan lade AI generere personaer sammen med dig – i stedet for for dig.
I det samarbejde bliver det din rolle at styre processen og med nøje instrukser uddelegere afgrænsede arbejdsopgaver til en AI-chatbot.
Processen kan med fordel følge de samme fem trin som ved personaudvikling på “gammeldags” manér: research, analyse, skitsering, beskrivelse og ibrugtagning.
I løbet af processen kan du fx bruge AI til at transskribere interviews, gruppere temaer i dine data eller omsætte personaer til forskellige formater – fra præsentationer til tegneserier eller podcasts – og give feedback på dine egne udkast.
I tabellen herunder finder du flere forslag til, hvordan AI kan bidrage konstruktivt i hvert trin af arbejdet.
Den vigtige validering
Når du inddrager AI som samarbejdspartner i forbindelse med personaudvikling, bliver kvalitetssikring ekstra vigtigt.
Det skriver Danial Amin og hans forskerkolleger i artiklen How is generative AI used for persona development? Artiklen bygger på en gennemgang af 52 forskningsartikler om personaudvikling med AI.
Du kvalitetssikrer eller validerer ved at gennemgå det AI-skabte output kritisk og luge ud i fejl, bias og unøjagtigheder. Fejl, som skyldes AI-teknologiens begrænsninger, og som stammer fra AI’ens træningsmateriale.
Kvalitetssikring bør finde sted løbende i processen for i sidste ende at øge nøjagtigheden, pålideligheden og troværdigheden af de fremstillede personaer.
Vil du prøve selv?
Jeg håber, indlægget her har inspireret dig til, hvordan du kan samarbejde med generativ AI om at udvikle valide, dataforankrede personaer.
Vil du arbejde systematisk med dataforankrede personaer – med eller uden AI – så finder du en praktisk trin-for-trin-guide i min bog Valide personaer – trin for trin.
Del gerne dine erfaringer eller bedste prompts i kommentarfeltet.
