Using Large Language Models for Idea Generation in Innovation

📄 arXiv: 2607.27553v1 📥 PDF

作者: Lennart Meincke, Karan Girotra, Gideon Nave, Christian Terwiesch, Karl T. Ulrich

分类: cs.AI, cs.CL, econ.GN

发布日期: 2026-07-30

💡 一句话要点

利用大型语言模型提升创新产品构思的有效性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 创意生成 产品设计 市场研究 AI创新

📋 核心要点

  1. 现有方法在新产品创意生成中面临创意质量和多样性不足的挑战，尤其是人类创意的局限性。
  2. 论文提出利用大型语言模型（LLMs）生成新产品创意，通过零-shot和少-shot提示方法进行比较，旨在提升创意的质量和市场潜力。
  3. 实验结果表明，AI生成的创意在平均购买意图上优于人类创意，且在最佳创意的质量上表现出显著优势，具有七倍的排名可能性。

📝 摘要（中文）

本研究评估了大型语言模型（LLMs）在生成新产品创意方面的有效性。我们比较了三组针对大学生的低于50美元的新产品创意。第一组创意由大学生在LLMs出现之前的产品设计课程中创作，第二和第三组则分别通过OpenAI的GPT-4使用零-shot和少-shot提示生成。通过市场研究技术评估创意质量，结果显示AI生成的创意在平均购买意图上优于人类生成的创意，且少-shot提示的意图略高于零-shot提示。然而，AI生成的创意被认为新颖性较低，且在少-shot提示下表现出更高的相似性，表明解决方案的多样性较差。聚焦于最佳创意的质量时，AI生成的创意在前10%中排名的可能性是人类创意的七倍，显示出显著优势。我们的发现表明，尽管存在一些缺点，AI创造力在新产品开发中仍具有重要价值。

🔬 方法详解

问题定义：本研究旨在解决传统人类创意生成方法在新产品构思中的不足，尤其是创意质量和多样性方面的挑战。现有方法往往依赖于人类的主观判断，导致创意的局限性和相似性过高。

核心思路：论文的核心思路是利用大型语言模型（LLMs）生成新产品创意，通过零-shot和少-shot提示的方式，探索AI在创意生成中的潜力，以提高创意的市场接受度和多样性。

技术框架：整体架构包括三个主要阶段：首先，收集人类创意作为基线；其次，使用GPT-4生成AI创意，分别采用零-shot和少-shot提示；最后，通过市场研究技术评估创意的质量，包括购买意图和创意新颖性。

关键创新：最重要的技术创新点在于通过对比分析AI生成与人类生成创意的质量，发现AI在创意生成中的优势，尤其是在最佳创意的表现上，显著提高了市场潜力。

关键设计：在实验中，使用了标准市场研究技术来评估创意的购买意图，采用文本挖掘方法分析创意的相似性，并通过人类评审者对创意的新颖性进行评价。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，AI生成的创意在平均购买意图上优于人类创意，且在最佳创意的质量上表现出显著优势，AI创意在前10%中排名的可能性是人类创意的七倍，表明AI在新产品开发中的巨大潜力。

🎯 应用场景

该研究的潜在应用领域包括产品设计、市场营销和创新管理等。通过利用大型语言模型生成创意，企业可以更高效地开发新产品，提升市场竞争力。此外，AI生成的创意可以为团队提供新的视角，促进创新思维的碰撞，推动行业发展。

📄 摘要（原文）

This research evaluates the efficacy of large language models (LLMs) in generating new product ideas. To do so, we compare three pools of ideas for new products targeted toward college students and priced at 50 dollars or less. The first pool of ideas was created by university students in a product design course before the availability of LLMs. The second and third pools of ideas were generated by GPT-4 from OpenAI using zero-shot and few-shot prompting, respectively. We evaluated idea quality using standard market research techniques to predict average purchase intent probability. We used text mining to assess idea similarity and human raters to evaluate idea novelty. We find that AI-generated ideas outperform human-generated ideas in terms of average purchase intent, with few-shot prompting yielding slightly higher intent than zero-shot prompting. However, AI-generated ideas are perceived as less novel and exhibit higher pairwise similarity, particularly with few-shot prompting, indicating a less diverse solution landscape. When focusing on the quality of the best ideas rather than the average ideas, we find that AI-generated ideas are seven times more likely to rank among the top 10 percent of ideas, demonstrating a significant advantage over human-generated ideas. We propose that this seven-to-one advantage is a conservative estimate because it does not account for the greater productivity of AI. Our findings suggest that despite some drawbacks, AI creativity presents a substantial benefit in generating high-quality ideas for new product development.