💻 computer science

Exploring Creativity in Human-Human-LLM Collaborative Software Design

Deze studie van 18 ontwerpparen onthult dat, hoewel grote taalmodellen nieuwe ideeën kunnen genereren en menselijke concepten kunnen uitdiepen om creativiteit te ondersteunen in collaboratief softwareontwerp, menselijke eigenschappen zoals ervaring en empathie de voornaamste drijfveren blijven voor creatieve resultaten, waarbij LLM's de voortgang soms belemmeren indien ze niet intentioneel worden ingezet.

Oorspronkelijke auteurs: Victoria Jackson, Grischa Liebel, Rafael Prikladnicki, Andre van der Hoek

Gepubliceerd 2026-04-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Victoria Jackson, Grischa Liebel, Rafael Prikladnicki, Andre van der Hoek

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een team van twee architecten bent die proberen een nieuwe, veilige fietsenstalling voor een universiteit te ontwerpen. Je hebt een lijst met basisregels (zoals "mensen moeten plekken kunnen vinden" en "mensen moeten reviews kunnen achterlaten"), maar je bent vrij om de details zelf uit te werken. Stel je nu voor dat je een superintelligente, snelpratende robotassistent hebt die direct blauwdrukken kan tekenen en ideeën kan aandragen.

Dit is precies wat de onderzoekers in dit artikel deden. Ze observeerden 18 paren softwareontwerpers die aan een vergelijkbare taak werkten: het ontwerpen van een fietsenstalling-app. Sommige paren gebruikten de robotassistent (een Large Language Model, of LLM), en anderen niet. Het doel was niet om te zien of de robot code kon schrijven, maar om te kijken waar en hoe creativiteit ontstond wanneer mensen en robots samenwerkten.

Hier is wat ze ontdekten, opgesplitst in eenvoudige concepten:

1. De Mensen Waren de "Vonken"

Hoewel de robotassistent aanwezig was, kwam de echte creativiteit van de mensen. Denk aan de mensen als de dirigenten van een orkest en de robot als een zeer snelle muzikant die elk noot kan spelen die je vraagt.

De Mensen: Ze gebruikten hun eerdere ervaringen, empathie (zichzelf verplaatsen in de gebruiker) en analogieën (het vergelijken van de app met dingen zoals Google Maps of Yelp) om tot grote, verrassende ideeën te komen.
De Robot: Het was uitstekend in het uitdiepen van die ideeën of het aandragen van kleine, nieuwe details, maar het kwam zelden zelfstandig tot die "grote sprong".

2. De Robot Was Soms een "Vertraging"

De robot was niet altijd behulpzaam. Soms gedroeg het zich als een afleidende rondleidinggids.

Het Goede: Het kon het saaie, repetitieve werk (zoals het schrijven van standaardcode of het opsommen van basisfuncties) snel uitvoeren. Dit gaf de hersenen van de mensen de vrijheid om na te denken over de moeilijke creatieve problemen.
Het Slechte: Soms stelde de robot overmatig ingewikkelde oplossingen voor of bracht het de mensen in discussie over dingen die ze al hadden besloten. Het was als een rondleidinggids die blijft stilstaan om te praten over een zijstraat, terwijl je probeert naar de hoofdattractie te komen. Dit doodde soms de creatieve stroom.

3. Het "Recept" versus de "Chef"

De onderzoekers merkten iets interessants op over hoe de teams de robot gebruikten:

De "Recept"-teams: Sommige teams gaven de robot een zeer strikte, gedetailleerde lijst met eisen (zoals een strikt recept). De robot volgde het recept perfect, maar leverde een saaie, voorspelbare maaltijd op. Deze teams eindigden met minder creativiteit.
De "Chef"-teams: Andere teams gaven de robot een vaag, open einde prompt (zoals "Maak me iets cools"). Deze teams hadden meer kans op verrassende, creatieve ideeën.
De Les: Als je de robot behandelt als een strikte rekenmachine, geeft het je het antwoord van een rekenmachine. Als je het behandelt als een brainstormpartner, kan het je verrassen.

4. Creativiteit Ontstond Zelfs Zonder "Te Proberen"

De onderzoekers vertelden de deelnemers niet: "Probeer vandaag creatief te zijn." Ze zeiden gewoon: "Maak dit ontwerp af."

Het Resultaat: Creativiteit kwam natuurlijk naar boven bij elk paar, zelfs wanneer ze niet probeerden creatief te zijn.
De Uitkomst: 13 van de 18 paren produceerden een definitief ontwerp met minstens één "wow-factor" (iets nieuws, verrassends en nuttigs). De robot garandeerde dit echter niet. Twee paren die de robot geen keer gebruikten, kwamen toch met creatieve ontwerpen, terwijl sommige paren die de robot wel gebruikten, saaie ontwerpen opleverden.

5. De "Mini-C" versus "Big-C" Creativiteit

Het artikel merkt op dat de creativiteit die ze zagen voornamelijk "Mini-C" of "Pro-C" was (persoonlijke of professionele creativiteit).

Wat dit betekent: De ontwerpers kwamen met grote, praktische verbeteringen (zoals het toevoegen van een functie om fietsdiefstal te volgen of het sneller maken van de app).
Wat het niet was: Ze kwamen niet met "Big-C" creativiteit (wereldveranderende, baanbrekende uitvindingen). De robot bedacht niet plotseling een nieuwe manier van denken over fietsparkeren; het hielp alleen bij het verfijnen van het huidige idee.

De Conclusie

Beschouw de LLM als een krachtig gereedschap in een gereedschapskist, niet als de bouwer zelf.

De mensen zijn de bouwers die beslissen wat er gebouwd wordt, hoe ze de moeilijke problemen oplossen en wanneer ze het gereedschap negeren.
De robot is uitstekend in het aanreiken van de hamer of het voorstellen van een nieuw type spijker, maar als je het de bouw laat leiden, eindig je misschien met een huis dat er precies hetzelfde uitziet als elk ander huis op de blok.

Voor de beste resultaten stelt het artikel voor dat ontwerpers intentioneel moeten zijn: gebruik de robot om het saaie werk te doen zodat ze zich kunnen focussen op het diepe denken, maar laat de eerste suggestie van de robot hen niet stoppen met het verkennen van andere, betere ideeën.

1. Probleemstelling

Hoewel Large Language Models (LLM's) uitgebreid worden bestudeerd om hun vermogen om softwareontwikkelingstaken te versnellen (bijvoorbeeld codegeneratie, debugging), bestaat er een aanzienlijke lacune in het begrijpen van hoe LLM's collaboratieve creativiteit binnen software-engineering beïnvloeden. Softwareontwerp is van nature een creatieve, probleemoplossende activiteit die vereist dat er nieuwe, verrassende en waardevolle artefacten worden gegenereerd. De auteurs onderzoeken of LLM's fungeren als katalysatoren voor creativiteit of dat ze louter routinetaken automatiseren, wat het creatieve proces mogelijk kan belemmeren door ontwerpers te verankeren aan conventionele oplossingen of door onproductieve afdwalingen te veroorzaken.

Onderzoeksvraag: Hoe en waar komt creativiteit op natuurlijke wijze naar voren bij het ontwerpen met een LLM?

2. Methodologie

De auteurs voerden een gecontroleerde laboratoriumstudie uit die een remote werkomgeving simuleerde.

Deelnemers: 18 paren softwareprofessionals ( $N=36$ ) met ontwerpervaring (variërend van 5 tot 20+ jaar). Paren werden gerekruteerd om real-world teamdynamieken na te bootsen.
Taak: Paren kregen 90 minuten de tijd om een softwareontwerpdokument te produceren voor een "Fietsparkeerapplicatie" gebaseerd op een Product Requirements Document (PRD). Het PRD bevatte specifieke functies (bijvoorbeeld parkeren zoeken, reviews, routebeschrijving), maar liet ruimte voor architecturale en functionele uitbreiding.
Voorwaarden:
- LLM-toegang: Alle paren hadden toegang tot een aangepaste LLM-wrapper (OpenAI's ChatGPT 3.5 Turbo), maar waren niet verplicht deze te gebruiken.
- Primering: Deelnemers kregen geen instructie om creatief te zijn; hen werd verteld dat het ontwerp zou worden beoordeeld op volledigheid. Dit zorgde ervoor dat creativiteit op natuurlijke wijze ontstond in plaats van geforceerd werd.
Dataverzameling:
- Schermopnames van ontwerpsessies en exit-interviews.
- Definitieve ontwerpdokumenten.
- Logs van alle LLM-prompten en -antwoorden.
Analysekader:
- Procesanalyse: Gebruik van het concept "Creatieve Gebeurtenissen" van Dorst en Cross (momenten waarop probleem- en oplossingsruimtes co-evolueren via een "sprong" of inzicht).
- Productanalyse: Gebruik van Boden's definitie van creativiteit: artefacten die Nieuw, Verrassend en Waardevol zijn.
- Codering: Twee onderzoekers codeerden kwalitatief transcripten en ontwerpartefacten om bronnen van creativiteit te identificeren (door de mens geïnitieerd versus door de LLM ondersteund).

3. Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen aan het vakgebied van Human-Computer Interaction (HCI) en Software Engineering:

Empirisch Bewijs van Natuurlijke Creativiteit: Het toont aan dat creativiteit op natuurlijke wijze ontstaat in collaboratief softwareontwerp, zelfs zonder expliciete primering, en voorkomt in zowel het ontwerpproces als het eindproduct.
Bronattributie: Het biedt een gedetailleerde taxonomie van creativiteitsbronnen, waarbij wordt onderscheid gemaakt tussen door de mens gedreven inzichten (ervaring, empathie, analogieën) en door de LLM gedreven bijdragen (ontsteken, uitdiepen, leveren).
Het "Tweesnijdende Zwaard" van LLM's: Het onthult dat LLM's, hoewel ze routinewerk kunnen automatiseren om cognitieve ruimte vrij te maken voor diep denken, creativiteit ook kunnen belemmeren door complexiteit in te brengen, ontwerpers te verankeren aan suboptimale oplossingen, of onproductieve afdwalingen te veroorzaken.

4. Belangrijkste Resultaten

A. Prevalentie van Creativiteit

Proces: Creativiteit (in de vorm van creatieve gebeurtenissen) was aanwezig bij alle 18 paren.
Product: 13 van de 18 paren produceerden ontwerpdokumenten met ten minste één creatief element (Nieuw, Verrassend en Waardevol).
LLM-gebruik: Twee paren gebruikten de LLM niet. Drie paren gebruikten deze om het volledige ontwerp te genereren. De rest gebruikte het voor specifieke taken (informatie zoeken, gedeeltelijke generatie).

B. Bronnen van Creativiteit (Het "Wie" en "Hoe")

De studie identificeerde 8 bronnen van creatieve elementen (Tabel 1 in het artikel):

Door de mens geïnitieerd (Dominant):
- Voorafgaande Kennis/Ervaring: De meest frequente bron (bijvoorbeeld het toepassen van industriestandaarden voor beveiliging of schaalbaarheid).
- Empathie: Ontwerpers die zichzelf als gebruikers voorstellen (bijvoorbeeld het toevoegen van een "home screen pin" voor snelle toegang).
- Analogieën: Het vergelijken van het probleem met bestaande apps (bijvoorbeeld Google Maps, Yelp) om ontwerputdagingen op te lossen.
- Ambiguïteit en Onderliggende Doelen: Het interpreteren van vage vereisten of het focussen op het kernprobleem in plaats van alleen de gestelde vereisten.
Door de LLM ondersteund (Minderheid):
- LLM-ontstekers: Een LLM-antwoord triggerde een nieuw menselijk idee (bijvoorbeeld het voorstellen van een CDN leidde tot een performance-inzicht).
- LLM-uitdieping: De LLM breidde een door de mens geïnitieerd idee uit (bijvoorbeeld het uitwerken van kostenmetrieken).
- LLM-levering: De LLM stelde direct een nieuw idee voor (bijvoorbeeld contentmoderatie).

Statistische bevinding: Van de 29 creatieve elementen die in de eindontwerpen werden geïdentificeerd, waren 15 door de mens geïnitieerd, 5 waren gezamenlijk mens-LLM, en 9 werden direct geleverd door de LLM. Menselijke eigenschappen (ervaring, empathie) waren de primaire drijfveren.

C. Impact van de LLM op het Ontwerpproces

Positief: LLM's automatiseerden vaak "boilerplate"-werk (bijvoorbeeld API-definities, datamodellen), waardoor cognitieve ruimte vrijkwam voor ontwerpers om dieper probleemoplossend en strategisch te denken.
Negatief:
- Verankering: Ontwerpers accepteerden soms de eerste LLM-oplossing zonder alternatieven te verkennen.
- Afdwalingen: LLM-antwoorden triggerden soms onproductieve discussies (bijvoorbeeld het opnieuw debatteren van gebruikersaccounts die al waren vastgesteld).
- Overcomplicatie: LLM's stelden soms overmatig complexe architecturen voor (bijvoorbeeld het mengen van meerdere cloudproviders) die ontwerpers moesten vereenvoudigen.

D. Bevindingen over Productcreativiteit

Nieuwheid versus Verrassing: Door de LLM gegenereerde ideeën waren vaak "nieuw" ten opzichte van het PRD, maar zelden "verrassend" of baanbrekend. Ze neigden naar commodity-functies (bijvoorbeeld standaard contentmoderatie).
De "Vaste Vereisten"-valstrik: Paren die het volledige PRD in de LLM-prompten plakten, neigden naar beperkte, niet-creatieve ontwerpen. Daarentegen produceerden paren die open-ended prompten gebruikten of vertrouwden op hun eigen oordeel, creatievere uitkomsten.
Succes zonder LLM: Interessant genoeg produceerden de twee paren die geen LLM gebruikten toch creatieve ontwerpen, wat bewijst dat de beschikbaarheid van een LLM geen creativiteit garandeert.

5. Betekenis en Implicaties

Mensgerichte Creativiteit: De studie bevestigt dat menselijk inzicht centraal blijft staan in softwareontwerp. LLM's fungeren als versterkers in plaats van vervangers voor menselijke creativiteit.
Prompt Engineering-strategie: Om creativiteit te stimuleren, moeten practitioners open-ended, expansieve prompten gebruiken met minimale context in plaats van rigide gedetailleerde vereisten aan de LLM te voeden. Dit voorkomt dat de LLM de oplossingsruimte beperkt.
Cognitieve Ontlasting: Het gebruik van LLM's voor routinetaken (boilerplate-code, documentatie) is gunstig omdat het de "ruimte" creëert die nodig is voor diep, creatief denken.
Kritische Betrokkenheid: Ontwerpers moeten kritisch blijven ten opzichte van LLM-outputs om verankeringsbias en onproductieve afdwalingen te voorkomen.
Toekomstige Tooling: De auteurs suggereren de behoefte aan "Creativity Support Tools" gebaseerd op LLM's die specifiek zijn ontworpen om exploratie van de probleemruimte te stimuleren, ontwerpfixatie te mitigeren en menselijke agency te behouden.

Conclusie:
Het artikel concludeert dat LLM's, hoewel ze collaboratief softwareontwerp kunnen ondersteunen door nieuwe ideeën te genereren en menselijke concepten uit te diepen, niet inherent hoge niveaus van creativiteit aanjagen. De meest significante creatieve sprongen kwamen voort uit menselijke ontwerpers die ervaring, empathie en analogieën benutten. Effectieve integratie van LLM's vereist intentionele engagementstrategieën die menselijke agency en kritisch denken prioriteren boven passieve acceptatie van AI-suggesties.