Sztuczna inteligencja potrafi wygenerować setki pomysłów. Nie potrafi jednak samodzielnie zdecydować, które z nich mają znaczenie, jaki problem naprawdę warto rozwiązać i jakie konsekwencje przyniesie wybrane rozwiązanie. Odpowiedzi na to wyzwanie warto szukać u artystów, w ich metodach pracy i sposobie myślenia (art thinking).

Jeszcze niedawno jednym z głównych problemów organizacji był niedobór pomysłów. Firmy organizowały burze mózgów, warsztaty kreatywne i hackathony, aby zachęcić zespoły do tworzenia nowych rozwiązań.

Generatywna sztuczna inteligencja radykalnie zmienia tę sytuację.

W kilka minut może przygotować dziesiątki koncepcji produktu, propozycji wartości, nazw, scenariuszy czy wariantów kampanii. Może przeanalizować opinie klientów, połączyć wiedzę z różnych dziedzin, pomóc stworzyć kod i przekształcić wstępny pomysł w prototyp.

Generowanie stało się łatwiejsze. Nie oznacza to jednak, że łatwiejsze stało się tworzenie wartościowych innowacji.

Przeciwnie: im więcej pomysłów możemy wyprodukować przy pomocy AI, tym ważniejsze stają się umiejętności, których technologia nadal nie potrafi wiarygodnie przejąć. Należą do nich definiowanie problemów, interpretowanie niejednoznacznych sygnałów, rozumienie kontekstu, krytyczna ocena pomysłów oraz odpowiedzialność za skutki podejmowanych decyzji.

To właśnie tutaj pojawia się przestrzeń dla Art Thinking oraz dla artystów, którzy od dawna pracują w warunkach niepewności, kwestionują przyjęte założenia i wykorzystują technologię nie tylko do zwiększania efektywności, lecz również do stawiania pytań o jej znaczenie i konsekwencje.

Jakie są najważniejsze ograniczenia generatywnej AI?

1. GenAI odtwarza to, co najbardziej prawdopodobne

Modele generatywne uczą się na ogromnych zbiorach istniejących treści. Ich siłą jest umiejętność wykrywania wzorców i przewidywania, jakie elementy powinny pojawić się w danym kontekście.

Ta sama cecha, która czyni je użytecznymi, wyznacza jednak jedno z ich podstawowych ograniczeń.

Model najczęściej podąża w stronę tego, co statystycznie prawdopodobne. Potrafi sprawnie łączyć istniejące elementy, ale jego punkt odniesienia stanowi przeszłość zapisana w danych treningowych.

Może to sprzyjać tworzeniu pomysłów poprawnych, atrakcyjnych i przekonujących, lecz jednocześnie przewidywalnych.

2. Więcej pomysłów nie oznacza większej różnorodności

Badania pokazują, że GenAI może zwiększać kreatywną produktywność pojedynczych użytkowników. Problem pojawia się jednak wtedy, gdy wiele osób i organizacji zaczyna korzystać z tych samych modeli bazowych.

Podobne dane, podobne sposoby działania modeli i podobnie formułowane polecenia mogą prowadzić do podobnych rezultatów.

Hunt i Kurdoglu nazwali to zjawisko algorytmicznym wylesianiem. Tak jak biologiczny ekosystem traci odporność, gdy różnorodny las zastępuje monokultura, tak ekosystem innowacji może tracić różnorodność, gdy firmy zaczynają opierać swoją wyobraźnię strategiczną na tych samych systemach.

Na poziomie pojedynczej organizacji AI może przyspieszać pracę. Na poziomie całego rynku jej powszechne i bezkrytyczne wykorzystanie może prowadzić do ujednolicenia pomysłów, produktów i sposobów myślenia.

Pojawia się więc paradoks: organizacje mogą tworzyć więcej, a jednocześnie coraz mniej różnić się od siebie.

3. GenAI nie potrafi wiarygodnie ocenić własnych pomysłów

Model może wygenerować wiele koncepcji, ale ma trudność z odróżnieniem pomysłu naprawdę oryginalnego od wtórnego lub pozornie innowacyjnego.

Badania analizowane w przeglądzie literatury naukowej z obszaru zarządzania wskazują, że GenAI może przypisywać podobną wartość kreatywną pomysłom schematycznym i bardziej przełomowym. Nie ma stabilnego punktu odniesienia, który pozwoliłby jej samodzielnie ocenić kulturowe, społeczne lub biznesowe znaczenie własnych propozycji.

Potrafi odpowiedzieć na pytanie: „Która koncepcja najlepiej spełnia podane kryteria?”.

Znacznie trudniej przychodzi jej rozstrzygnięcie:

• czy kryteria są właściwe,
• czego w nich brakuje,
• kto je ustalił,
• jakie wartości za nimi stoją,
• czy wybrany pomysł powinien w ogóle zostać zrealizowany.

Wygenerowanie odpowiedzi i wzięcie odpowiedzialności za jej sens to dwa różne procesy.

4. Nowość może pojawiać się kosztem wykonalności

Pomysły generowane przez AI mogą otrzymywać wysokie oceny pod względem nowości. Jednocześnie ich wartość spada, gdy uwzględni się możliwość technicznej realizacji, realia rynkowe, zasoby organizacji czy zachowania odbiorców.

Model może stworzyć koncepcję brzmiącą przełomowo, ale nie musi rozumieć wszystkich zależności koniecznych do jej wdrożenia.

Dlatego wraz ze wzrostem liczby generowanych propozycji rośnie zapotrzebowanie na ekspertów zdolnych do ich zintegrowanej oceny. Potrzebna jest nie tylko wiedza techniczna, lecz także rozumienie ludzi, organizacji, kultury, regulacji i możliwych skutków ubocznych.

5. AI może wzmacniać fiksację zamiast ją przełamywać

GenAI bywa przedstawiana jako narzędzie umożliwiające wyjście poza utarte schematy. Rzeczywiście może podsuwać niespodziewane skojarzenia i poszerzać przestrzeń poszukiwań.

Jej wpływ nie zawsze jest jednak pozytywny.

Pierwsza sugestia wygenerowana przez model może zakotwiczyć dalsze myślenie użytkownika. Zamiast samodzielnie eksplorować problem, człowiek zaczyna rozwijać kierunek zaproponowany przez system.

U ekspertów pojawia się dodatkowe napięcie. Sugestie AI mogą kolidować z ich utrwalonymi sposobami pracy i prowadzić do efektu Einstellung, czyli sytuacji, w której wcześniej zdobyta wiedza i rutyny ograniczają zdolność znalezienia innego rozwiązania.

Sama obecność AI nie gwarantuje więc większej otwartości poznawczej.

6. Nadmierna asysta może osłabiać samodzielne myślenie

W literaturze pojawia się pojęcie lenistwa innowacyjnego. Opisuje ono sytuację, w której łatwy dostęp do wygenerowanych odpowiedzi ogranicza gotowość użytkownika do samodzielnego poszukiwania, analizowania i rozwijania pomysłów.

Relacja między korzystaniem z AI a jakością pracy nie musi być liniowa. Umiarkowane wsparcie może zwiększać możliwości człowieka. Nadmierne poleganie na narzędziu może natomiast osłabiać zaangażowanie poznawcze.

Z czasem możemy coraz lepiej obsługiwać modele, a jednocześnie coraz rzadziej ćwiczyć kompetencje potrzebne do oceny tego, co modele wytwarzają.

To jedno z ważniejszych wyzwań dla organizacji. Problemem nie jest wyłącznie jakość odpowiedzi AI. Jest nim również to, jak korzystanie z AI zmienia sposób myślenia ludzi.

7. GenAI generuje halucynacje i pozór pewności

Modele językowe mogą tworzyć informacje błędne lub nieistniejące, zachowując przy tym płynny, profesjonalny i przekonujący styl.

Forma odpowiedzi może sugerować pewność nawet wtedy, gdy jej treść nie ma wystarczających podstaw.

W procesach innowacyjnych jest to szczególnie ryzykowne. Nieprawdziwa informacja o rynku, zachowaniu klientów, rozwiązaniu technicznym lub regulacjach może zostać włączona do dalszych analiz i stopniowo uzyskać status niekwestionowanego założenia.

Im lepiej brzmi odpowiedź, tym większej dyscypliny wymaga jej weryfikacja.

Czego GenAI nadal nie potrafi dobrze zautomatyzować?

Definiowania problemu

AI może skanować duże zbiory danych, identyfikować powtarzające się wzorce i pomagać w wykrywaniu symptomów problemu.

Nie oznacza to jednak, że potrafi samodzielnie zdecydować, który problem jest naprawdę istotny i w jaki sposób należy go zdefiniować.

Problemy strategiczne nie istnieją jako neutralne obiekty czekające na odkrycie. Są konstruowane przez sposób, w jaki organizacja interpretuje rzeczywistość.

To samo zjawisko może zostać opisane jako problem kosztowy, technologiczny, kulturowy, etyczny albo związany z doświadczeniem klienta. Każde z tych ujęć prowadzi do innych pytań i innych rozwiązań.

Wybór ramy wymaga kontekstu, osądu i uzgadniania znaczeń z interesariuszami.

Wnioskowania przyczynowo-skutkowego

Modele językowe bardzo dobrze rozpoznają korelacje występujące w danych i tekstach. Nie posiadają jednak stabilnego, wewnętrznego modelu świata odpowiadającego ludzkiemu rozumieniu przyczyn i konsekwencji.

Mogą tworzyć wiarygodnie brzmiące wyjaśnienia, które nie oddają rzeczywistych zależności.

W przypadku złożonych problemów społecznych, organizacyjnych i technologicznych człowiek nadal musi dokonywać dekompozycji problemu, rozpoznawać relacje przyczynowe i sprawdzać, czy zaproponowane wyjaśnienie jest czymś więcej niż językowo prawdopodobną narracją.

Rozumienia znaczenia

AI przetwarza informacje. Człowiek osadza je w kontekście doświadczeń, wartości, relacji i celów.

Model może rozpoznać, że określony sygnał często pojawia się obok innych zjawisk. Nie musi jednak rozumieć, dlaczego dla konkretnej społeczności, organizacji lub grupy odbiorców jest on ważny.

Znaczenie nie wynika wyłącznie z danych. Powstaje również między ludźmi.

Odpowiedzialności za decyzję

Algorytm nie ponosi odpowiedzialności za skutki wdrożenia produktu, zwolnienia pracownika, dyskryminującej rekomendacji ani naruszenia prywatności.

Odpowiedzialność pozostaje po stronie człowieka i organizacji — także wtedy, gdy decyzja została oparta na wyniku wygenerowanym przez system.

Dlatego rozwój AI nie zmniejsza znaczenia przywództwa. Zwiększa znaczenie przywództwa świadomego konsekwencji technologii.

Nowe potrzeby organizacji w erze generatywnej AI

Jeżeli generowanie pomysłów staje się coraz łatwiejsze, organizacje muszą rozwijać inne zdolności.

Problem-finding zamiast samego problem-solving

Przez lata biznes premiował umiejętność szybkiego rozwiązywania problemów. W rzeczywistości, w której AI może przygotować wiele rozwiązań, przewaga przesuwa się w stronę ludzi zdolnych rozpoznać problem wcześniej niż inni i zakwestionować sposób, w jaki został początkowo zdefiniowany.

Najcenniejsze pytanie może nie brzmieć: „Jak szybciej wykonać ten proces?”, lecz: „Dlaczego nadal wykonujemy go w taki sposób?”.

Umiejętność pozostawania w niepewności

Systemy zarządcze skłaniają nas do szybkiego zamykania problemów, wyznaczania wskaźników i wybierania rozwiązania.

Tymczasem innowacja często wymaga dłuższego pozostania przy pytaniu. Potrzebna jest gotowość do pracy bez pełnych danych i bez gwarancji, że pierwsza interpretacja jest poprawna.

Krytyczna ewaluacja

Wartość nie będzie wynikać z liczby wygenerowanych koncepcji, ale z jakości procesu ich selekcji.

Organizacje potrzebują ludzi potrafiących dostrzec pomysł niepozorny, trudny lub początkowo niewygodny, który nie uzyskałby najwyższej oceny według standardowych kryteriów.

Różnorodność poznawcza

Jeżeli AI zwiększa ryzyko konwergencji, firmy powinny świadomie wprowadzać do procesów innowacyjnych odmienne języki, doświadczenia i sposoby widzenia świata.

Nie wystarczy poprosić ten sam model o „bardziej kreatywną odpowiedź”. Potrzebne są realnie różne perspektywy.

Interpretacja słabych sygnałów

Słabe sygnały nie są jeszcze trendami. Mogą być pojedynczym zachowaniem, napięciem społecznym, eksperymentem technologicznym lub pozornie marginalnym zjawiskiem.

Ich wartość nie polega na statystycznej sile, ale na możliwości zapowiadania zmiany.

System nastawiony na rozpoznawanie regularności może potraktować anomalię jako szum. Człowiek może zadać pytanie, czy właśnie w tej anomalii nie ukrywa się coś ważnego.

Dlaczego Art Thinking może odpowiadać na te potrzeby?

Systematyczny przegląd literatury, na którym opiera się ten tekst, nie badał bezpośrednio Art Thinking. Pokazał jednak luki, których nie da się wypełnić wyłącznie lepszym modelem językowym.

To tutaj zaczyna się moja autorska interpretacja wyników.

Art Thinking to sposób podejścia do problemów inspirowany praktykami artystów: obserwowaniem, eksperymentowaniem, zmianą perspektywy, kwestionowaniem znaczeń i tworzeniem pytań, zanim powstaną rozwiązania.

Nie chodzi o przenoszenie estetyki do biznesu ani o zachęcanie wszystkich pracowników do zostania artystami.

Chodzi o poznawcze mechanizmy obecne w praktyce artystycznej.

Ars Electronica Futurelab opisuje Art Thinking jako wykorzystanie artystycznego sposobu widzenia do pracy nad szerszymi wyzwaniami. Podkreśla przy tym, że sztuka tworzy kreatywne pytania, otwiera nowe perspektywy i pozwala badać to, co pozostaje ukryte pod powierzchnią oczywistych rozwiązań.

Art Thinking zaczyna od pytania

Design Thinking najczęściej rozpoczyna się od potrzeby użytkownika i prowadzi w stronę możliwego rozwiązania.

Art Thinking może rozpocząć się wcześniej: od zakwestionowania sposobu, w jaki postrzegamy sytuację.

Nie pyta wyłącznie: „Jak stworzyć lepszy produkt?”.

Może zapytać:

• Dlaczego uznajemy, że ludzie potrzebują kolejnego produktu?
• Jaką zmianę zachowania wymusza proponowana technologia?
• Czy rozwiązujemy problem użytkownika, czy problem naszego modelu biznesowego?
• Kto zostanie pominięty?
• Jak wyglądałaby odwrotność naszego założenia?
• Jakie konsekwencje pojawią się dopiero za kilka lat?

Art Thinking przywraca znaczenie interpretacji

Dzieło sztuki nie ma jednej, mechanicznie poprawnej odpowiedzi. Jego odbiór wymaga obserwacji, kontekstu, konfrontacji różnych perspektyw i gotowości do zmiany początkowej interpretacji.

To trening kompetencji potrzebnych również w strategicznym zarządzaniu: pozostawania przy niejednoznaczności, budowania hipotez i dostrzegania, że ta sama sytuacja może mieć kilka równocześnie prawdziwych odczytań.

Art Thinking chroni różnorodność wyobraźni

W świecie, w którym coraz więcej treści powstaje na podstawie podobnych modeli, ważne stają się źródła myślenia niezależne od dominujących wzorców.

Sztuka może wprowadzać do organizacji języki, obrazy i pytania, które nie powstały w odpowiedzi na brief marketingowy ani analizę najbardziej prawdopodobnych zachowań konsumenta.

Nie gwarantuje przełomowej innowacji. Może jednak zwiększać szansę, że organizacja nie ograniczy swojej wyobraźni do tego, co model uznał za najbardziej logiczną kontynuację przeszłości.

Dlaczego artyści mogą być ważnymi partnerami biznesu?

Artyści nie są futurystami przepowiadającymi, co wydarzy się za pięć lub dziesięć lat.

Ich rola może być ciekawsza.

Często eksperymentują z technologiami, zanim organizacje nauczą się je opisywać językiem strategii, procedur i modeli biznesowych. Sprawdzają ich granice, ujawniają ukryte założenia i pokazują możliwe konsekwencje ich stosowania.

Artyści nie pytają wyłącznie: „Co możemy zrobić dzięki tej technologii?”.

Pytają również:

• Co technologia zrobi z nami?
• Kto będzie dzięki niej widoczny, a kto niewidoczny?
• Jak zmieni nasze zachowanie?
• Jakie dane uzna za wartościowe?
• Jaką wersję rzeczywistości zacznie nam pokazywać?
• Kto będzie kontrolował powstające systemy?

Artyści ujawniają niewidoczne mechanizmy technologii

W projekcie Google Maps Hacks Simon Weckert przemieszczał po Berlinie wózek zawierający 99 smartfonów. System zinterpretował koncentrację urządzeń jako korek i zaczął przekierowywać kierowców.

Artysta nie stworzył nowej aplikacji. Pokazał, jak dane wpływają na fizyczną rzeczywistość i jak łatwo system może pomylić reprezentację świata z samym światem.

Artyści materializują konsekwencje AI

Dries Depoorter w projekcie The Flemish Scrollers wykorzystał AI i rozpoznawanie twarzy do identyfikowania belgijskich polityków korzystających z telefonów podczas transmitowanych posiedzeń.

Projekt dotyka jednocześnie kwestii odpowiedzialności, nadzoru, prywatności i automatycznej oceny ludzkiego zachowania. To zagadnienia, które dla organizacji mogą brzmieć abstrakcyjnie, dopóki ktoś nie pokaże ich w konkretnej, odczuwalnej formie.

Artyści badają sposób widzenia maszyny

W pracy Unsupervised Refik Anadol wykorzystał sztuczną inteligencję do interpretowania i przekształcania danych związanych z ponad dwustuletnią historią sztuki w kolekcji Museum of Modern Art.

Projekt stawiał pytanie nie tylko o to, co AI może wygenerować, lecz również o to, jak maszyna klasyfikuje, interpretuje i rekonstruuje kulturową pamięć.

Te przykłady nie dostarczają firmom gotowych rozwiązań. Dostarczają czegoś wcześniejszego i często cenniejszego: nowego sposobu zobaczenia problemu.

Od artysty jako wykonawcy do artysty jako partnera poznawczego

Wiele organizacji zaprasza artystów dopiero na końcu procesu. Ich zadaniem jest stworzenie atrakcyjnej oprawy wydarzenia, instalacji w siedzibie firmy albo kampanii komunikacyjnej.

Taki model wykorzystuje efekt pracy artysty, ale nie korzysta w pełni z jego sposobu myślenia.

Znacznie większy potencjał pojawia się wtedy, gdy artysta zostaje włączony wcześniej:

• na etapie rozpoznawania problemu,
• podczas tworzenia alternatywnych scenariuszy przyszłości,
• przy analizie społecznych konsekwencji technologii,
• w procesie kwestionowania założeń projektu,
• podczas budowania eksperymentów i prototypów,
• w rozmowie o wartościach i odpowiedzialności organizacji.

Ars Electronica Futurelab działa właśnie jako artystyczne laboratorium badawczo-rozwojowe, łączące sztukę, technologię i naukę oraz tworzące materialne prototypy możliwych przyszłości. To przykład pokazujący, że praktyka artystyczna może uczestniczyć nie tylko w komentowaniu innowacji, lecz także w ich projektowaniu i krytycznej ocenie.

Nie oznacza to, że artysta powinien zastąpić technologa, stratega czy badacza.

Może jednak wnieść perspektywę, której nie zapewni kolejna analiza przygotowana na podstawie tych samych danych.

Jak organizacje mogą ograniczać ryzyka GenAI?

Rozdzielać generowanie od oceny

Osoby oceniające pomysły nie powinny automatycznie przyjmować kryteriów ani hierarchii zaproponowanych przez ten sam model, który je wygenerował.

Zaczynać od problemu, a nie od promptu

Zanim organizacja poprosi AI o rozwiązanie, powinna sprawdzić, kto i na jakiej podstawie zdefiniował problem.

Chronić różnorodność źródeł

Warto konfrontować wyniki AI z wiedzą ekspertów, obserwacjami użytkowników, perspektywą krytyczną oraz doświadczeniami osób spoza danej branży.

Traktować anomalie jako potencjalne sygnały

Nietypowy przypadek nie zawsze jest błędem danych. Może być pierwszą oznaką zmiany, której system jeszcze nie potrafi sklasyfikować.

Włączać artystów przed etapem komunikacji

Wartość artysty nie musi ograniczać się do stworzenia obrazu, instalacji czy wizualnej oprawy projektu. Może polegać na zakwestionowaniu briefu i ujawnieniu problemu, którego organizacja wcześniej nie zauważyła.

Pozostawić odpowiedzialność po stronie człowieka

AI może wspierać analizę i decyzję, ale nie może być sposobem na rozmywanie odpowiedzialności za jej skutki.

AI nie kończy ery ludzkiej kreatywności. Zmienia jej znaczenie

Generatywna sztuczna inteligencja nie eliminuje potrzeby ludzkiego myślenia. Eliminuje natomiast część wysiłku związanego z przygotowaniem pierwszej wersji, znalezieniem typowych rozwiązań i rozwijaniem dostępnych wariantów.

W rezultacie rośnie wartość tego, co znajduje się przed i po generowaniu:

• dostrzeżenia problemu,
• nadania mu właściwej ramy,
• rozpoznania znaczenia,
• zakwestionowania oczywistej odpowiedzi,
• oceny konsekwencji,
• wyboru kierunku,
• wzięcia odpowiedzialności.

Art Thinking może wspierać właśnie te obszary. Nie dlatego, że sztuka jest przeciwieństwem technologii, ale dlatego, że praktyka artystyczna od dawna łączy technologię z interpretacją, eksperymentem i krytyczną refleksją.

Największym wyzwaniem nie będzie więc brak pomysłów.

Będzie nim zachowanie zdolności rozpoznania, który pomysł jest naprawdę nowy, potrzebny i wart realizacji — oraz jakiego ważnego pytania nie zadaliśmy, zanim zaczęliśmy generować odpowiedzi.

Najczęściej zadawane pytania

Jakie są główne ograniczenia generatywnej AI w innowacjach?

Do najważniejszych ograniczeń GenAI należą halucynacje, homogenizacja pomysłów, powielanie historycznych wzorców, trudności z oceną własnych koncepcji, ryzyko fiksacji poznawczej oraz brak odpowiedzialności za skutki decyzji.

Czy sztuczna inteligencja może zastąpić ludzką kreatywność?

GenAI może automatyzować część procesu twórczego, szczególnie wyszukiwanie informacji, generowanie wariantów i rozwijanie wstępnych koncepcji. Znacznie trudniejsze do zastąpienia pozostają definiowanie problemów, ocena znaczenia pomysłów, rozumienie kontekstu oraz odpowiedzialność za wybór.

Co oznacza algorytmiczne wylesianie?

Algorytmiczne wylesianie to metafora opisująca zmniejszanie się różnorodności pomysłów i strategii w wyniku powszechnego korzystania przez organizacje z tych samych lub podobnych modeli AI.

Co to jest Art Thinking?

Art Thinking to sposób pracy nad problemami inspirowany praktykami artystów. Koncentruje się na obserwacji, stawianiu pytań, zmianie perspektywy, eksperymentowaniu i kwestionowaniu przyjętych założeń.

Czym Art Thinking różni się od Design Thinking?

Design Thinking prowadzi najczęściej od rozpoznania potrzeb użytkownika do stworzenia i przetestowania rozwiązania. Art Thinking może działać wcześniej, podważając sposób zdefiniowania problemu i otwierając nowe perspektywy, zanim zespół zacznie poszukiwać rozwiązania.

Jak artyści mogą wspierać innowacje w firmach?

Artyści mogą uczestniczyć w rozpoznawaniu problemów, interpretowaniu słabych sygnałów, tworzeniu scenariuszy przyszłości, analizowaniu społecznych konsekwencji technologii oraz projektowaniu eksperymentów i prototypów.

Czy Art Thinking jest alternatywą dla AI?

Nie. Art Thinking nie zastępuje AI i nie konkuruje z technologią. Może pomóc organizacjom lepiej definiować zadania dla AI, krytycznie oceniać jej wyniki oraz zachować różnorodność i niezależność myślenia.

Magda ŻUK

Wybrane źródła naukowe

Bouschery, S.G., Blazevic, V. i Piller, F.T. (2023). Augmenting human innovation teams with artificial intelligence: Exploring transformer-based language models. Journal of Product Innovation Management, 40(2), 139–153.

Cristofaro, M. i Giardino, P.L. (2025). Human–AI synergy: Finding cognitive balance in idea generation for product innovation. European Journal of Innovation Management.

Desdevises, J. (2025). The paradox of creativity in generative AI: High performance, human-like bias, and limited differential evaluation. Frontiers in Psychology, 16.

Eisenreich, A., Just, J., Gimenez-Jimenez, D. i Füller, J. (2024). Revolution or inflated expectations? Exploring the impact of generative AI on ideation in a practical sustainability context. Technovation, 138.

Hou, J., Wang, L., Wang, G., Wang, H.J. i Yang, S. (2025). The Double-Edged Roles of Generative AI in the Creative Process: Experiments on Design Work. Information Systems Research.

Hunt, R.A. i Kurdoglu, R.S. (2025). Font of innovation or algorithmic deforestation? The ecosystem impacts of artificial intelligence in entrepreneurship. Journal of Business Venturing Insights, 24.

Pedota, M., Cicala, F. i Basti, A. (2025). Human agents, generative AI, and innovation: A formal model of hybrid creative process. Technovation, 148.

Sabbah, J. i Li, F. (2026). When humans and large language models collaborate, problem-finding illuminates. Innovation, 28(2), 374–407.