Processo criativo Learning Bot
Um pouco sobre o Problem Space & Discovery
CONTEXTO
Uma das principais necessidades da aprendizagem (principalmente) nos últimos anos é personalizar as experiências de forma prática. De alguma forma fazemos isso de maneira natural, pois, cada um de nós interpreta e vivencia estímulos de forma particular. No entanto, neste caso, me referencio a personalização partindo do design intencional e programático de aprendizagem.
Personalizar o recorte do conteúdo, a profundidade das explicações, os tipos de mídias oferecidos, o formato do programa, as interações, as tecnologias etc. Assim como, a personalização considerando os diferentes gatilhos que os adultos (e crianças) precisam para aprender e seus diferentes contextos de aplicação.
De forma simples, as três premissas abaixo reforçam a necessidade de aprender de forma personalizada:
- Ponto de partida: Temos backgrounds diferentes e daqui para frente, com a transdisciplinaridade e a multidisciplinaridade, teremos cada vez menos condições de nos encaixar em treinamentos massivos.
- Ponto de chegada: Temos motivações e objetivos diferentes, o que nos leva a velocidades e aprofundamentos distintos.
- Ponto entre a partida e a chegada: somos diversos, temos estilos e preferências de aprendizagem diferentes.
Personalizar a educação de um jeito escalável e prático é muito difícil sem o uso de tecnologias. Então, como as tecnologias poderiam nos ajudar nessa tarefa? Já estão disponíveis plataformas de conteúdo, sistemas de interação em tempo real, inteligência artificial, machine learning, ferramentas para coleta de dados, avatares, outras realidades, enfim, algumas opções que podem ser utilizadas de forma separadas ou combinadas.
Para a hipótese do Learning Bot, a inteligência artificial e sua subcategoria inteligência conversacional foram as tecnologias estudadas como camada principal para testar um caminho prático, interativo e personalizável. Na superfície do Learning Bot temos uma conversa - bebendo da aprendizagem dialógica, social e informal. Nos bastidores, temos um conjunto de tecnologias que possibilitam uma experiência inteligente e personalizada de aprendizagem (NLP, big e small data, cloud, avatares, análise de sentimentos/emoções, inteligência artificial, machine learning, APIs etc.).
De acordo com a consultoria Gartner, em 2020, a inteligência artificial (IA) tornou-se democratizada e acessível às empresas de diferentes portes. O futurista Kevin Kelly, uma das fontes do Unboxlab, dizia, em 2016, que “o futuro será qualquer coisa + IA”. Ou seja, quase tudo será inteligente. As cidades, o trânsito, as coisas, a medicina, as compras etc.
Decidimos, então, experimentar a combinação de personalização da aprendizagem com a inteligência conversacional.
Até aqui duas ponderações importantes: a educação “do futuro” depende do acesso à internet e de um letramento digital, algo ainda longe da realidade brasileira. Assim como o bom uso das tecnologias dependem da ética para uma aplicação relevante, sustentável e honesta.
Chegar a caminhos possíveis, viáveis e desejáveis está no nosso DNA. :-)
UNBOXLAB
Somos um laboratório de inovação focado em gerar valor na aprendizagem corporativa utilizando as lentes de design, tecnologia, dados e educação. Dentro do contexto acima, fizemos diversos experimentos nos últimos meses. Iniciamos todos eles, obviamente, investigando os problemas que, neste caso, eram em torno da falta de personalização e da falta de tecnologia para suporte às experiências de aprendizagem.
Algumas dores dos times de designers instrucionais e áreas de treinamento e desenvolvimento passavam por… Programas totalmente presenciais (como digitalizar e escalar os programas de aprendizagem?); programas massivos (como entregar valor conforme os diferentes níveis de conhecimento?); falta de prontidão (como estar sempre disponível?); programas com baixa aderência de participação (como engajar colaboradores em temas estratégicos?); falta de dados em tempo real sobre as experiências (como ser data-driven?), dentre outras.
Sob outra perspectiva, entre os aprendizes, algumas dores latentes também, como… “Tenho necessidades diferentes do que é ofertado pela empresa; os cursos não aprofundam o tanto que eu precisava; sinto falta de um mentor disponível quando preciso; não me dão opções para consumo de conteúdos; não tenho autonomia; não tem interação nenhuma; as plataformas são difíceis de mexer” etc.
E após analisar e considerar o impacto de tudo isso, fizemos alguns experimentos juntando Empatia + IA + Personalização + Escala + Engajamento + Plataforma + Dados + Aprendizagem Social e Informal.
O uso dos learning bots são recomendados e foram testados para apoio/suporte a programas educativos de qualquer especialidade. Nos exemplos acima, os robôs costuram a experiência de aprendizagem em programas de vendas, programas de autodesenvolvimento, onboarding de estagiários, programa de diversidade e onboarding institucional.
Fizemos testes de usabilidade em diferentes plataformas (imagem acima). Cada uma delas tem suas vantagens e desvantagens, a decisão de onde o robô será acessado depende de cada projeto, sendo o principal critério a cultura dos usuários (aprendizes). Utilizamos como motor cognitivo (inteligência conversacional) o DialogFlow do Google e também interfaces low code como a Take Blip.
PROCESSO CRIATIVO PARA LEARNING BOTS
Conhecemos ao longo das pesquisas do Unboxlab alguns produtos e serviços que já oferecem plataformas conversacionais para diversos fins (os famosos chatbots ou voicebots). Não fomos pioneiros. Mas, construímos uma narrativa autoral porque quisemos ir um pouco além. Não pensamos somente em automação, mas em humanização. Buscamos aprender mais sobre engajamento, personalização e como gerar boas experiências de aprendizagem por meio de uma conversa.
Identificamos a necessidade de hackear alguns processos de criação de chatbots porque a maioria (mais de 90%) das referências eram para robôs de atendimento e os tutoriais tinham mais foco em automação de “URAs” ou funil de vendas. Quando identificamos chatbots para o ensino, eles eram neutros de personalidade e contexto, e suas narrativas eram lineares, o aprendiz só podia seguir um caminho. Nosso mergulho e traço autênticos foram necessários para adaptarmos o processo ao nosso modus operandi mais orgânico, centrado no usuário, e, principalmente, a um processo que enfatizasse a humanização do robô e as etapas de experiência de aprendizagem. Acreditamos que aprender pode ser leve e divertido.
Nossa lente para o uso da IA teve uma influência significativa de Sylvain Duranton e sua fórmula. Duranton defende que se quisermos realmente extrair o máximo de benefício da IA precisamos mudar o pensamento de que a IA vai superar a capacidade humana e começar a pensar como as pessoas e IA podem trabalhar juntas para criar melhores soluções. O Learning Bot é uma combinação de desenho instrucional com analytics e insights em tempo real, ajustável a qualquer momento. Isso foi vivenciado em nossos testes onde as jornadas foram rapidamente aprimoradas com inputs do aprendiz.
Dessa forma, nossa ênfase está no design conversacional para criação de experiências significativas de aprendizagem. Nosso processo ficou com sete macroetapas:
Em cada uma dessas etapas temos ferramentas e documentações, todo o processo é cocriado entre o time especialista em aprendizagem, os aprendizes e o time demandante. Nas três primeiras etapas (Setup, Discovery e Design) nosso know-how de educação para adultos faz toda a diferença se comparado com o processo criativo de um chatbot para atendimento, por exemplo. Utilizamos ferramentas de design para identificar o real problema que o robô pode resolver, qual é a melhor estratégia para isso, quais dados precisaremos registrar, qual linguagem e atributos serão nosso norte, cocriamos uma personalidade para o robô e desenhamos toda a jornada do usuário com o diferencial de desenhar também a estratégia de aprendizagem (teorias, metodologias e formatos). Uma consultoria completa para uso do robô como um recurso instrucional, que ficará sempre disponível e é 100% data-driven.
Nas etapas de Maturing e Growth nosso mantra é “treinar, treinar e treinar”. Estressamos nossos robôs ao máximo: intenções, botões, o entendimento do público, acurácia do robô, o engajamento que a personalidade oferece, testes de percepção do valor, testes de usabilidade, fluxo etc. Aprendemos que disponibilizar um learning bot sem cumprir esta etapa pode ser um erro fatal. Robôs conversacionais precisam entregar valor e engajar, se eles falharem em resolver o problema ou oferecerem uma experiência ruim dificilmente os usuários retornarão para conversar com ele.
Recebemos muitos feedbacks positivos em todos os testes que fizemos com os usuários (aprendizes) e clientes (áreas de T&D). Percebemos que o nosso plus estava no nosso jeito de fazer o design conversacional. Muitas pessoas, de diferentes senioridade, expertise e idade curtiram.
Só um parênteses… Interagimos também com algumas pessoas que não sabiam conversar com as máquinas, tiveram dificuldade para entender que o robô é uma ferramenta e a inteligência deles é realmente artificial. 😬 Quando utilizamos a Alexa ou o Google Home, por exemplo, precisamos ser objetivos para declarar as nossas intenções na conversa. Este mesmo conceito se aplica a chatbots ou learning bots. As vezes o robô não está treinado o suficiente, no entanto, as vezes, é preciso simplesmente aprender a colaborar com as máquinas para extrair o melhor delas.
RESULTADOS
A hipótese do Learning Bot se comprovou quando identificamos alternativas na resolução dos problemas mapeados e conseguimos gerar valor percebido tanto para os clientes (designers e áreas de T&D), quanto para os usuários que tiveram facilidade e uma boa experiência para aprender.
Validamos ser possível: fazer a gestão do conhecimento por meio de dados, disponibilizar pílulas de conteúdo sob demanda e de forma contextualizada, ajustar as rotas de forma simples e estratégica, aplicar feedbacks em tempo real, compartilhar boas práticas de influenciadores da companhia, ser conveniente, ágil, escalável, acolhedor e também engajador.
Em nosso mais recente experimento conseguimos engajar mais de 5 mil pessoas em menos de 48h e observar toda a nossa estratégia educacional por meio de dados: quantos aprendizes passaram pelos fluxos, quantos conseguiram aprender novos conceitos com o robô, quais perguntas ficaram sem respostas (excelente oportunidade de iterar a jornada), que nota eles deram para a experiência, que assunto mais curtiram, quanto tempo eles permaneceram conversando, quais materiais eles fizeram download, quais mídias mais requisitadas etc.
UPSKILLING & RESKILLING
Com a ascensão das tecnologias, a qualificação das pessoas ganhou ainda mais relevância. É a capacidade de aprender continuamente que mantém você, seu time e sua empresa aptos a se adaptarem de forma ágil e assim responderem às transformações. No cenário adiante, é a capacidade de empreender — por meio de lentes criativas e experimentadoras — que permitirá você, seu time e sua empresa a estarem à frente, na vanguarda.
"A excelência de pessoas é o domínio indiscutível da educação corporativa (…) Acelerar a mudança tecnológica reduz a vida útil do conhecimento, e as descontinuidades no mercado forçam as empresas a se desenvolver e alterar seus modelos de negócios continuamente." (Organizações Inteligentes, 2011)
Com este mindset, após testes iniciais do learning bot e interesse do mercado em novas ofertas criadas para a empresa, ficou entendido que precisávamos oferecer um programa interno de upskilling e reskilling para inserir as habilidades inerentes a criação de um robô conversacional de aprendizagem. Somente dessa forma, estaríamos — como empresa — preparados para atender a demanda dos nossos clientes e realizarmos entregas impactantes. Treinar e gerir robôs exige qualificações específicas a todos os profissionais que desenham soluções e projetos de aprendizagem.
APRENDER SEMPRE
Acreditamos que fizemos um movimento importante a partir desses experimentos. Aplicamos os conceitos de forma iterativa e agora miramos na evolução disso tudo em busca de novos caminhos para a educação corporativa. Existem APIs com muitos outros recursos de inteligência artificial que podem enriquecer as conversas e torná-las extremamente acessíveis e inclusivas. Estamos no início.
Agradeço especialmente ao Leonardo Gonçalves e ao Daniel Bardusco (time do discovery) por hoje conseguir contar essa história. E também ao Dalton Yamagishi, Marina Rezende, Paloma Destro, Renata Torres, Babi Olivier, Dhiego Saad e todo time Afferolab que acreditou e meteu a mão na massa junto com a gente.
