Levering effekt fra kunstig intelligens i forskning, udvikling og innovation

Kunstig intelligens (KI) forvandler forskning, udvikling og innovation (FUI), og åbner op for nye muligheder for at løse nogle af verdens mest presserende udfordringer, herunder bæredygtighed, sundhed, klimaforandring og fødevare- og energisikkerhed, samt hjælper organisationer med at innovere bedre og lancere gennembrudsværkende produkter og tjenester.

KI i FUI er ikke noget nyt. Men opkomsten af generativ KI (GenKI) og store sprogmodeller (LLM’er) har betydeligt forstærket dets muligheder, og accelereret gennembrud og innovation i det hele taget.

Hvordan kan organisationer drage fordel af KI i deres FUI-bestræbelser, og hvilke er de bedste praksisser at følge for at opnå succes? For at finde ud af det gennemførte Arthur D. Little’s (ADL’s) Blue Shift Institute en omfattende undersøgelse, hvor de interviewede over 40 KI-udbydere, eksperter og praktikere, samt udspurgte over 200 organisationer i offentlige og private sektorer. Den resulterende rapport, Eureka! på steroider: KI-drevet forskning, udvikling og innovation, tilbyder en dybdegående analyse af det nuværende landskab og den fremtidige udvikling af KI i forskning og innovation.

Vores analyse fokuserer på fem nøgleområder:

KI leverer fordele på tværs af FUI – men det vil ikke erstatte mennesker

Hvert byggesten i FUI kan drage fordel af KI, fra teknologi og markedsgennemslag til innovationsstrategi, idégenerering, portefølje- og projektstyring samt IP-styring. Når vi søger at forstå disse fordele, fremkommer tre nøglefaktorer:

• KI vil supplere forskere, snarere end erstatte dem, og frigøre deres tid, så de kan være mere produktive og kreative
• KI hjælper med at løse uløselige problemer, som ikke kunne forsøges før på grund af teknologiens hastighed og evne til at skala og lære, og åbner op for nye innovationsmuligheder
• KI vil indtage en “planlægger-tænker”-position, og gå ud over indholdsgenerering og søgning til at dække mere komplekse roller som videnchef, hypotesegenerator og assistent til FUI-hold.

Når det kommer til at afgøre, om KI skal bruges til at løse et bestemt FUI-brugstilfælde, findes der ingen generel model at følge. For at forstå, hvilken KI-tilgang der giver de bedste resultater, skal organisationer fokusere på to faktorer – typen og mængden af tilgængelige data (fra lidt til meget) og naturen af spørgsmålet, der stilles (fra åbent til specifikt). Samtidig kan en enkelt KI-tilgang ikke give optimale resultater – de fleste avancerede intelligente systemer, der er produceret i de sidste 15 år, har været systemer af systemer. Disse er uafhængige KI-systemer, modeller eller algoritmer, der er designet til bestemte opgaver, og som, når de kombineres, tilbyder større funktionalitet og præstation.

Succes kræver otte gode praksisser

Baseret på interviews med forskere, KI-videnskabsmænd, grundlæggere og chefer for FUI i digitale, fremstillings-, markedsførings- og FUI-hold ser vi otte gode praksisser, der understøtter en succesfuld KI-udvikling. Organisationer skal:

• Antage agile metoder, så hold kan arbejde hurtigt i et hurtigt foranderligt KI-miljø
• Bygge solide fundament byggende på datakvalitet, samarbejde på tværs af organisationen og udnyttelse af ejendomsdata
• Vælge en strategisk beslutning mellem at bygge, købe og finjustere modeller, hvor sidstnævnte tilgang ofte er den mest effektive
• Vurdere analytiske kompromiser for at sikre fremgang under proof-of-concept-projekter, såsom omkring erhvervelse versus syntese af data, præcision versus genkaldelse og underfitning versus overfitning
• Være proaktive i at udnytte tilgængelige datavidenskabskompetencer, herunder samarbejde uden for organisationen for at erhverve nødvendige færdigheder
• Sammenligne med IT for at balancere sikkerhed og overholdelse med eksperimenthastighed
• Demonstrere fordele hurtigt og få brugeraccept til at bygge tillid og låse op for yderligere investering
• Opretholde og overvåge systempræstation kontinuerligt, især omkring modelforbedringer

3. Teknologikomponenterne er nu på plads

Som med de fleste KI-brugstilfælde består FUI-værdikæden af tre lag – infrastruktur, modeludviklere og anvendelser.

Med hensyn til infrastruktur er omkostningerne ved at implementere og vedligeholde tilstrækkelig beregningskraft stor, men hosting-udbydere tilbyder stadig mere inference-as-a-service-modeller, der kører inferencer og forespørgsler i skyen for at fjerne behovet for intern infrastruktur, og reducere omkostningerne og demokratisere adgangen til KI.

Værdikæden for KI i FUI afhænger stærkt af store åbne modeller fra spillere som Meta, Microsoft og Nvidia. Men også mindre spillere som Mistral og Cohere udgør en vigtig del af økosystemet, ligesom akademiske institutioner.

Ved applikationsenden af kæden er der allerede blevet skabt generelle og specialiserede FUI-applikationer til at imødekomme de fleste brugstilfælde, med over 500 nu tilgængelige, der dækker hele FUI-processen.

Fremtiden er usikker – men scenarieplanlægning hjælper med at forstå

Hvordan KI i FUI vil udvikle sig, afhænger af udfaldet af tre hovedfaktorer – præstation, tillid og pris. Kombinationen af disse faktorer fører til seks plausibler fremtidsscenarier på en skala mellem KI, der forvandler hver eneste aspekt af FUI, og KI, der kun bruges i selektive, lavrisikobrugstilfælde. På en skala fra maksimal til minimal indvirkning er disse scenarier:

• Blockbuster: KI bliver top of mind i hele FUI-cyklen, og omformulerer organisationer undervejs. Data bliver den nye grænse.
• Crowd-Pleaser: KI er behageligt, billigt og antaget til daglige produktivitetsopgaver, men fejler i at levere videnskabelig/kreativ værdi.
• Crown Jewel: KI leverer produktivitet og videnskabelige gennembrud, men kun til organisationer, der kan betale for det – hvilket fører til en to-speedsverden i FUI.
• Problem Child: Trods nogle bemærkelsesværdige brugstilfælde og billige løsninger, fejler KI i at demonstrere sin værdi – FUI-organisationer forbliver bekymrede over datasikkerhed, deontologi og mangel på fortolkning.
• Best-Kept Secret: KI’s præstation forbedres, men høje omkostninger gør organisationer mere risikovillige. Lav tillid og bureaukrati begrænser antagelse, og få nye dristige eksperimenter iværksættes.
• Cheap & Nasty: KI er bredt brugt i lavrisikobrugstilfælde, men kun som et prototyperings- eller brainstorming-værktøj. Utroværdige systemer er strengt vurderet, og output er verificeret, hvilket begrænser produktivitetsgevinster.

At forstå disse scenarier er vigtigt for FUI-organisationer, da de udvikler en vej fremad for deres KI-antagelse.

Tiden for FUI-organisationer at handle er nu

I visse situationer er KI allerede i stand til at give dobbeltcifret forbedring i tid, omkostninger og effektivitet i formulering, produktudvikling, intelligens og andre FUI-opgaver. Det betyder, at uanset hvilket scenarie der spiller ud, seks no-regret-bevægelser vil hjælpe FUI-organisationer med at bygge robusthed og udnytte fordelene ved KI. De skal:

• Styre og udvikle talent, sikre, at arbejdsstyrken har den nødvendige uddannelse og ekspertise til at udnytte KI, hvis nødvendigt underleverandører til eksterne udbydere på medium sigt
• Kontrollere KI-genereret indhold, opdatere risikostyringsprocesser og dele valideringsmetoder offentligt for at bygge tillid
• Bygge op dataudveksling og samarbejde, arbejde med det bredere offentlige og private sektorsøkosystem for at drive en succesfuld KI-antagelse
• Uddanne til lang sigt, uddanne den bredest mulige brugerpopulation om både KI-fundamenter, nødvendige færdigheder og potentielle risici
• Omstrukturere organisation og ledelse, flytte det ud over IT for at give en senior fokus og bryde ned siloer for at lette samarbejde
• Sammenarbejde om beregningsressourcer, arbejde med partnere eller dele ressourcer internt for at kosteffektivt imødekomme nuværende og fremtidige infrastrukturbehov

Ud over disse no-regret-bevægelser vil succes komme fra at skabe en balanceret portefølje af KI-baserede FUI-investeringer, der er tilpasset virksomhedsobjektiver. Dette indebærer at overveje omfanget, omkostningerne og fordelene ved bestemte KI-brugstilfælde og bruge dette til at drive optimering af innovationsprojektporteføljen. Beslutninger skal baseres på strategiske objekter, kompetencer og markedsgennemslag, samt konteksten, som organisationer opererer i.

Hvert trin i forsknings-, udviklings- og innovationsværdikæden kan potentielt forvandles gennem KI, og supplere menneskelige forskere for at forvandle produktivitet og muliggøre gennembrudsinnovation. Disse muligheder skal balanceres mod en række udfordringer omkring præstation, tillid og pris, hvilket betyder, at organisationer må fokusere nu for at positionere deres FUI-KI-bestræbelser for at opnå succes, uanset hvad fremtiden bringer.

Denne artikel er skrevet med assistance fra Albert Meige, Zoe Huczok, Arnaud Siraudin og Arthur D. Little.