AI in Design Thinking: AI inzetten per fase

Veel teams denken dat ze moeten kiezen: óf je vertrouwt op menselijke empathie en intuïtie, óf je laat data en AI het werk doen. Die aanname is fundamenteel onjuist. Design thinking draait om het herkennen van patronen, het begrijpen van emotionele betekenis en het construeren van ideeën die zowel functioneel als menselijk zijn (Brown, 2008). AI voegt daar iets aan toe wat geen team van tien mensen kan evenaren: duizenden datapunten in seconden omzetten naar bruikbare inzichten.

AI intgreren in je design thinking proces is een logische keuze. De vraag is wel hoe je dat doet zonder de menselijke kern te verliezen.

Waarom AI en Design Thinking een natuurlijke combinatie zijn

Design thinking is een mensgerichte, prototype-gedreven methode voor innovatie (Meinel, Leifer & Plattner, 2011). Het proces volgens het d.school-model bestaat uit vijf kernfasen, empathize, define, ideate, prototype en test, vaak aangevuld met een zesde: implement (Dam & Siang, 2021). In elk van die fasen zit een spanning die Tim Brown treffend beschrijft: gevoel en intuïtie staan tegenover rationele analyse. Zijn “derde weg” zoekt naar integratie van beide (Brown, 2008).

AI kan dienen als die brug. Niet als vervanging van menselijke creativiteit, maar als versneller en verdieper. Waar een designer drie dagen nodig heeft om vijftig interviewtranscripten te analyseren, doet een taalmodel dat in minuten. De designer besteedt die vrijgekomen tijd aan wat echt telt: interpretatie, oordeelsvorming en creatieve synthese.

AI toepassen in elke Design Thinking fase

Empathize: dieper luisteren op schaal

De empathize-fase draait om het doorgronden van wat gebruikers werkelijk nodig hebben, inclusief behoeften die ze zelf niet kunnen verwoorden (Serrat, 2017). AI maakt het mogelijk om sentimentanalyse uit te voeren op honderden klantreviews, supporttickets en interviewtranscripten tegelijk.

Een concrete workflow: laat vijftig klantinterviews automatisch transcriberen via Otter.ai, vat ze samen met ChatGPT en cluster de patronen. Gebruik deze prompt: “Analyseer deze 20 interviewfragmenten en identificeer de drie meest terugkerende onvervulde behoeften, met een direct citaat per behoefte.” Je krijgt in enkele minuten wat normaal twee dagen kost.

Eén belangrijke kanttekening: AI mist lichaamstaal, stiltes en emotionele nuance, precies de signalen die design thinking onderscheiden van standaard marktonderzoek. Combineer AI-analyse daarom altijd met je eigen empathize-werkwijze: live interviews, shadowing, observaties en contextueel onderzoek blijven onmisbaar.

Define: scherpere probleemstellingen

In de define-fase destilleer je ruwe inzichten tot een heldere probleemstelling. Dorst (2010) beschrijft dit als “frame creation”: het vinden van het juiste kader waarbinnen een probleem oplosbaar wordt. Hier kun je een LLM inzetten voor thematische analyse en het genereren van “How Might We”-vragen op basis van je empathize-data.

Nog krachtiger: laat AI je probleemstelling actief challengen door tegenargumenten en alternatieve frames te genereren. Gebruik bijvoorbeeld deze prompt: “Bekijk deze probleemstelling vanuit het perspectief van drie verschillende stakeholders en formuleer per perspectief een alternatieve ‘How Might We’-vraag.” Zo voorkom je wat Liedtka (2018) beschrijft als cognitieve bias, de neiging om te snel op een te voor de hand liggende oplossing af te stevenen.

Ideate: breder en sneller ideeën genereren

De ideate-fase vraagt om divergent denken: zoveel mogelijk richtingen verkennen vóór je convergeert. Gebruik ChatGPT of Claude als brainstormpartner en pas frameworks als SCAMPER automatisch toe. Een effectieve prompt: “Genereer 15 ideeën voor [probleem], waarvan 5 incrementeel, 5 ambitieus en 5 radicaal onconventioneel. Geef bij elk idee een mogelijke eerste stap voor validatie.”

De kracht zit niet in de AI-output zelf, veel ideeën zullen middelmatig zijn. De waarde zit in het feit dat het je team dwingt voorbij de eerste drie voor de hand liggende ideeën te denken. AI doorbreekt de groepsdynamiek waarbij teams onbewust convergeren rond de luidste stem of het veiligste idee. Combineer AI-gegenereerde input met bewezen brainstormmethoden zoals Crazy 8’s of brainwriting voor het beste resultaat.

Prototype: sneller bouwen en meer testen

Bij prototyping versnelt generatieve AI het proces ingrijpend. Midjourney, Stitch, OpenAI en Gemini produceren visuele concepten in minuten, Figma AI genereert interface-varianten en tools als Lovable, Claude Code, Cursor en Replit schrijven functionele MVP-code. Wat Meinel et al. (2011) “rapid conceptual prototyping” noemen, het snel tastbaar maken van ideeën om ervan te leren, gaat van dagen naar uren of zelfs minuten tegenwoordig.

Het echte voordeel is niet alleen snelheid, maar breedte. Waar teams traditioneel twee tot drie prototypes bouwen, kun je met AI tien varianten genereren en de meest belovende selecteren voor gebruikerstests. Dat vergroot de kans dat je de juiste richting vindt vóór je zwaar investeert in ontwikkeling.

Het is belangrijk om te realiseren dat low-fidelity prototypes zoals “paper prototypes” in een AI wereld nogsteeds zeer waardevol blijven. Paper prototyping blijft in de vroegste projectfase onmisbaar, omdat de ruwe vorm uitnodigt tot eerlijke kritiek op de logica in plaats van op details als kleur en typografie, een fenomeen dat bekendstaat als fidelity bias.

Test: sneller leren

In de testfase verzamel je feedback van echte gebruikers op je prototypes. AI versnelt de analyse van die feedback aanzienlijk: sentimentanalyse op open antwoorden, automatische categorisering van usability-issues en patroonherkenning over meerdere testsessies heen. Een LLM kan twintig gebruikerstestverslagen samenvatten en de vijf meest kritieke pijnpunten ranken op frequentie en ernst.

Cruciaal: gebruik AI als analyse-instrument, niet als vervanger van het observeren van gebruikers. De verraste blik, de aarzeling bij een bepaalde stap, het moment waarop iemand het prototype op een onverwachte manier gebruikt, die inzichten vind je alleen door erbij te zijn.

De ethische keerzijde: verantwoorde AI in Design Thinking

AI versnelt je proces, maar introduceert ook risico’s die het mensgerichte karakter van design thinking kunnen ondermijnen. Het eerste risico is bias in trainingsdata. Taalmodellen weerspiegelen de vooroordelen uit hun trainingssets. Dat betekent dat je empathize-fase systematisch bepaalde gebruikersgroepen kan missen of verkeerd representeren, juist de groepen die design thinking zou moeten bereiken.

Het tweede risico is verminderde empathie. Wanneer AI klantinterviews samenvat, verlies je nuance, lichaamstaal en emotionele context. Je creëert een “empathy gap” precies daar waar design thinking juist diep menselijk contact vereist. Het derde risico is privacy: het voeren van klantdata door LLM’s roept serieuze GDPR-vragen op, zeker in B2B-contexten met vertrouwelijke bedrijfsinformatie. Gebruik bij gevoelige data altijd lokaal gehoste modellen of geanonimiseerde datasets.

Hanteer drie vuistregels voor verantwoorde integratie:

• AI valideert, de mens beslist. Houd alle beslismomenten bij het team. AI levert input, nooit het eindoordeel.
• Diversiteit in data betekent diversiteit in inzicht. Audit je bronnen actief op representativiteit en blinde vlekken. Betrek ondervertegenwoordigde gebruikersgroepen expliciet in je empathize-fase.
• Transparantie naar stakeholders. Communiceer altijd waar en hoe AI is ingezet in je proces, en documenteer welke beslissingen op AI-inzichten zijn gebaseerd.

De toekomst: AI als creatieve partner

De rol van AI in design thinking verschuift fundamenteel. Drie trends bepalen de komende jaren:

1. AI-agents als sprintfacilitators. Autonome AI-agents faciliteren steeds grotere delen van design sprints, van deskresearch tot prototype-generatie, met de mens als curator en kwaliteitsbewaker. IDEO experimenteert al met AI-ondersteunde designprocessen waarbij mens en machine elkaars output iteratief verbeteren.

2. Multimodale AI in prototyping. Eén prompt levert straks tekst, beeld, video én een functioneel prototype op. De grens tussen ideate en prototype vervaagt, waardoor teams sneller van inzicht naar tastbare oplossing bewegen.

3. Real-time, continue design thinking. AI monitort klantgedrag permanent en triggert automatisch nieuwe empathize-define-cycli wanneer patronen verschuiven. Innovatie wordt geen project meer, maar een doorlopend proces dat continu inspeelt op veranderende behoeften.

Wat betekent dit voor jou als designer of innovatieprofessional? De kerncompetentie verschuift van uitvoering naar oordeelsvermogen, vraagstelling en ethische sturing. Design thinking wordt niet minder menselijk door AI, het vereist een ander soort menselijkheid: het vermogen om de juiste vragen te stellen, AI-output kritisch te evalueren en de mens centraal te blijven stellen.

Wil je ontdekken hoe jouw organisatie AI en design thinking effectief combineert? Neem contact op met DT Design Thinking voor een vrijblijvend gesprek.

Heb je het gevoel dat je nog veel meer wilt weten over Design Thinking? Schrijf je in voor onze interactieve Design Thinking training en ervaar de kracht van Design Thinking zelf aan de hand van voorbeelden en praktijkcases. Of voer een eigen design thinking project uit onder begeleiding van een ervaren design thinking coach.

Bronnen

• Altman, M., Huang, T. T., & Breland, J. Y. (2018). Design thinking in health care. Preventing Chronic Disease, 15, E117. https://doi.org/10.5888/pcd15.180128
• Brown, T. (2008). Design thinking. Harvard Business Review, 86(6), 84, 92.
• Dam, R. F., & Siang, T. Y. (2021). What is design thinking and why is it so popular? Interaction Design Foundation. https://www.interaction-design.org/literature/article/what-is-design-thinking-and-why-is-it-so-popular
• Dorst, K. (2010). The nature of design thinking. In Proceedings of the 8th Design Thinking Research Symposium (pp. 131, 139). Sydney: DAB Documents.
• Kimbell, L. (2009). Design practices in design thinking. Papers from the European Academy of Management Conference. Lancaster University.
• Kolko, J. (2015). Design thinking comes of age. Harvard Business Review, 93(9), 66, 71.
• Liedtka, J. (2018). Why design thinking works. Harvard Business Review, 96(5), 72, 79.
• Meinel, C., Leifer, L., & Plattner, H. (2011). Design thinking: Understand, improve, apply. Springer-Verlag.
• Razzouk, R., & Shute, V. (2012). What is design thinking and why is it important? Review of Educational Research, 82(3), 330, 348. https://doi.org/10.3102/0034654312457429
• Serrat, O. (2017). Design thinking. In Knowledge solutions (pp. 129, 134). Springer Singapore.
• Vianna, M., Vianna, Y., Adler, I. K., Lucena, B., & Russo, B. (2012). Design thinking: Business innovation. MJV Press.

Rik van der Wardt

Rik van der Wardt is Agile Coach en Design Thinker. Hij heeft een achtergrond in Innovatie Management (TU/e) en hij heeft zich binnen verschillende adviesbureaus met dit onderwerp bezig gehouden. In 2016 was hij een van de oprichters van dit initiatief. Rik vindt het leuk om zijn kennis over Design Thinking te delen in blogposts. Hij is bovendien verantwoordelijk voor deze website, dus als je feedback hebt, laat het hem weten!