Entregar Impacto desde la IA en Investigación, Desarrollo y Innovación

La inteligencia artificial (IA) está transformando la investigación, el desarrollo y la innovación (I+D+I), desbloqueando nuevas posibilidades para abordar algunos de los desafíos más apremiantes del mundo, incluyendo la sostenibilidad, la salud, el cambio climático y la seguridad alimentaria y energética, así como ayudar a las organizaciones a innovar mejor y lanzar productos y servicios innovadores.

La IA en I+D+I no es nueva. Sin embargo, el auge de la inteligencia artificial generativa (GenAI) y los modelos de lenguaje grande (LLM) ha amplificado significativamente sus capacidades, acelerando los avances y la innovación en general.

¿Cómo pueden las organizaciones beneficiarse de la IA en sus esfuerzos de I+D+I, y cuáles son las mejores prácticas para adoptar para impulsar el éxito? Para descubrirlo, el Instituto Blue Shift de Arthur D. Little (ADL) realizó un estudio exhaustivo entrevistando a más de 40 proveedores de IA, expertos y practicantes, así como encuestando a más de 200 organizaciones en los sectores público y privado. El informe resultante, Eureka! on Steroids: Investigación, Desarrollo y Innovación impulsados por IA, ofrece un análisis en profundidad del panorama actual y la trayectoria futura de la IA en la investigación y la innovación.

Nuestro análisis se centra en cinco áreas clave:

La IA entrega beneficios en toda I+D+I – pero no reemplazará a los humanos

Cada bloque de construcción de I+D+I puede beneficiarse de la IA, desde la inteligencia tecnológica y de mercado hasta la estrategia de innovación, la ideación, la gestión de cartera y proyectos, y la gestión de propiedad intelectual. Cuando buscamos entender estos beneficios, surgen tres factores clave:

• La IA aumentará a los investigadores, en lugar de reemplazarlos, liberando su tiempo y permitiéndoles ser más productivos y creativos
• La IA ayuda a resolver problemas intractables que no se podían intentar antes debido a la velocidad y la capacidad de la tecnología para escalar y aprender, abriendo nuevas vías de innovación
• La IA asumirá una posición de “planificador-pensador”, más allá de la generación de contenido y la búsqueda, para cubrir roles más complejos como el de gestor de conocimiento, generador de hipótesis y asistente de equipos de I+D+I.

Cuando se decide si se debe utilizar la IA para resolver un caso de uso específico de I+D+I, no hay un modelo en blanco para implementar. Para entender qué enfoque de IA dará los mejores resultados, las organizaciones necesitan centrarse en dos factores: el tipo y la cantidad de datos disponibles (desde muy pocos hasta muchos) y la naturaleza de la pregunta que se hace (desde abierta a específica). Al mismo tiempo, un solo enfoque de IA puede no dar resultados óptimos: la mayoría de los sistemas inteligentes de vanguardia producidos en los últimos 15 años han sido sistemas de sistemas. Estos son sistemas de IA independientes, modelos o algoritmos diseñados para tareas específicas, que, cuando se combinan, ofrecen una mayor funcionalidad y rendimiento.

El éxito requiere ocho buenas prácticas

Basado en entrevistas con investigadores, científicos de IA, fundadores y jefes de I+D en equipos digitales, de fabricación, de marketing y de I+D, vemos ocho buenas prácticas que subyacen a la implementación exitosa de la IA. Las organizaciones necesitan:

• Adoptar metodologías ágiles para que los equipos puedan trabajar rápidamente en un entorno de IA en constante cambio
• Construir fundamentos sólidos centrándose en la calidad de los datos, la colaboración en toda la organización y aprovechando los datos propietarios
• Tomar una decisión estratégica entre construir, comprar y ajustar modelos, siendo este último enfoque a menudo el más efectivo
• Considerar compensaciones analíticas para garantizar el progreso durante los proyectos de prueba de concepto, como la adquisición versus la síntesis de datos, la precisión versus la recuerdo y el subajuste versus el sobreajuste
• Ser proactivo al aprovechar el talento disponible en ciencia de datos, incluyendo la asociación fuera de la organización para adquirir las habilidades necesarias
• Alinear con IT para equilibrar la seguridad y el cumplimiento con la velocidad de experimentación
• Demonstrar beneficios rápidamente y obtener la aprobación de los usuarios para generar confianza y desbloquear más inversión
• Mantener y monitorear el rendimiento del sistema continuamente, particularmente alrededor de mejoras en los modelos

3. Los componentes tecnológicos ya están en su lugar

Al igual que con la mayoría de los casos de uso de IA, la cadena de valor de I+D+I se compone de tres capas: infraestructura, desarrolladores de modelos y aplicaciones.

En términos de infraestructura, el costo de implementar y mantener la potencia de cálculo suficiente es grande, pero los proveedores de alojamiento están ofreciendo cada vez más modelos de inferencia como servicio, ejecutando inferencias y consultas en la nube para eliminar la necesidad de infraestructura en casa, reduciendo los gastos iniciales y democratizando el acceso a la IA.

La cadena de valor para la IA en I+D+I depende en gran medida de los modelos de código abierto importantes de jugadores como Meta, Microsoft y Nvidia. Sin embargo, los jugadores más pequeños, como Mistral y Cohere, también forman una parte clave del ecosistema, al igual que las instituciones académicas.

En el extremo de la cadena de aplicaciones, ya se han creado aplicaciones generales y especializadas de I+D+I para satisfacer la mayoría de los casos de uso, con más de 500 disponibles, cubriendo todo el proceso de I+D+I.

El futuro es incierto – pero la planificación de escenarios ayuda a la comprensión

Cómo evolucionará la IA en I+D+I depende de los resultados de tres factores principales: rendimiento, confianza y asequibilidad. Combinar estos factores conduce a seis escenarios futuros plausibles en un espectro entre la IA que transforma todos los aspectos de I+D+I y la IA que se utiliza solo en casos de uso selectivos y de bajo riesgo. En una escala de máximo a mínimo impacto, estos escenarios son:

• Blockbuster: La IA se convierte en la prioridad en todo el ciclo de I+D+I, reorganizando las organizaciones en el camino. Los datos se convierten en la nueva frontera.
• Crowd-Pleaser: La IA es conveniente, asequible y adoptada para tareas de productividad diaria, pero no logra entregar valor científico/creativo.
• Crown Jewel: La IA entrega productividad y avances científicos, pero solo para aquellas organizaciones que pueden costearla, lo que conduce a un mundo de dos velocidades en I+D+I.
• Problem Child: A pesar de algunos casos de uso destacados y soluciones asequibles, la IA no logra demostrar su valor: las organizaciones de I+D+I siguen preocupadas por la seguridad de los datos, la deontología y la falta de interpretación.
• Best-Kept Secret: El rendimiento de la IA mejora, pero los altos costos hacen que las organizaciones sean más aversas al riesgo. La baja confianza y la burocracia limitan la adopción, con pocos experimentos innovadores lanzados.
• Cheap & Nasty: La IA se utiliza ampliamente en casos de uso de bajo riesgo, pero solo como herramienta de prototipado o de lluvia de ideas. Los sistemas no confiables son estrictamente verificados y los resultados se verifican, limitando las ganancias de productividad.

Entender estos escenarios es importante para las organizaciones de I+D+I a medida que trazan un camino hacia adelante para su adopción de IA.

El momento para que las organizaciones de I+D+I actúen es ahora

En algunas situaciones, la IA ya está permitiendo mejoras de dos dígitos en tiempo, costos y eficiencia en la formulación, el desarrollo de productos, la inteligencia y otras tareas de I+D+I. Eso significa que, independientemente del escenario que se desarrolle, seis movimientos sin arrepentimiento ayudarán a las organizaciones de I+D+I a construir resiliencia y aprovechar los beneficios de la IA. Necesitan:

• Gestionar y empoderar el talento, asegurando que la fuerza laboral tenga la formación y la experiencia para aprovechar la IA, si es necesario subcontratando implementaciones a proveedores externos a corto plazo
• Controlar el contenido generado por la IA, actualizando los procesos de gestión de riesgos y compartiendo metodologías de validación públicamente para generar confianza
• Construir la colaboración y el intercambio de datos, trabajando con el ecosistema más amplio de sectores público y privado para impulsar la adopción exitosa de la IA
• Capacitar para el largo plazo, educando a la población de usuarios más amplia posible sobre los fundamentos de la IA, las habilidades requeridas y los riesgos potenciales
• Reorganizar y gobernar más allá de IT, dándole un enfoque a nivel senior y rompiendo silos para facilitar la colaboración
• Compartir recursos de cómputo, trabajando con socios o compartiendo recursos internamente para satisfacer las necesidades de infraestructura actuales y futuras de manera rentable

Más allá de estos movimientos sin arrepentimiento, el éxito vendrá de crear un portafolio equilibrado de inversiones de I+D+I basadas en IA alineadas con los objetivos corporativos. Esto significa considerar el alcance, los costos y los beneficios de casos de uso específicos de IA y utilizar esto para impulsar la optimización del portafolio de proyectos de innovación. Las decisiones deben basarse en objetivos estratégicos, capacidades y inteligencia de mercado, y el contexto en el que operan las organizaciones.

Cada etapa de la cadena de valor de investigación, desarrollo e innovación puede potencialmente transformarse a través de la IA, aumentando a los investigadores humanos para transformar la productividad y permitir la innovación disruptiva. Estas oportunidades necesitan equilibrarse con una serie de desafíos alrededor del rendimiento, la confianza y la asequibilidad, lo que significa que las organizaciones deben centrarse ahora para posicionar sus esfuerzos de IA en I+D+I para entregar el éxito, independientemente de lo que el futuro traiga.

Este artículo fue escrito con la asistencia de Albert Meige, Zoe Huczok, Arnaud Siraudin y Arthur D. Little.