Livrer un impact grâce à l’IA dans la recherche, le développement et l’innovation

L’intelligence artificielle (IA) transforme la recherche, le développement et l’innovation (R&D&I), ouvrant de nouvelles possibilités pour relever certains des défis les plus pressants du monde, notamment la durabilité, la santé, le changement climatique, la sécurité alimentaire et énergétique, ainsi que pour aider les organisations à innover mieux et à lancer des produits et services innovants.

L’IA dans la R&D&I n’est pas nouvelle. Cependant, l’émergence de l’intelligence artificielle générative (GenAI) et des modèles de langage à grande échelle (LLM) a considérablement amplifié ses capacités, accélérant les avancées et l’innovation globale.

Comment les organisations peuvent-elles tirer parti de l’IA dans leurs efforts de R&D&I, et quels sont les meilleures pratiques à adopter pour assurer le succès ? Pour le savoir, l’institut Blue Shift d’Arthur D. Little (ADL) a mené une étude approfondie en interviewant plus de 40 fournisseurs d’IA, experts et praticiens, ainsi qu’en sondant plus de 200 organisations dans les secteurs public et privé. Le rapport résultant, Eureka ! sur stéroïdes : Recherche, développement et innovation pilotés par l’IA, offre une analyse approfondie du paysage actuel et de la trajectoire future de l’IA dans la recherche et l’innovation.

Notre analyse se concentre sur cinq domaines clés :

L’IA offre des avantages à l’ensemble de la R&D&I – mais ne remplacera pas les humains

Chaque élément constitutif de la R&D&I peut bénéficier de l’IA, de l’intelligence technologique et de marché à la stratégie d’innovation, à l’idéation, à la gestion de portefeuille et de projet, et à la gestion de la propriété intellectuelle. Lorsque nous cherchons à comprendre ces avantages, trois facteurs clés émergent :

• L’IA va compléter les chercheurs, plutôt que de les remplacer, libérant leur temps et leur permettant d’être plus productifs et créatifs
• L’IA aide à résoudre des problèmes inextricables qui ne pouvaient pas être abordés auparavant en raison de la vitesse et de la capacité de l’IA à évoluer et à apprendre, ouvrant de nouvelles voies d’innovation
• L’IA assumera un rôle de « planificateur-penseur », allant au-delà de la génération de contenu et de la recherche pour couvrir des rôles plus complexes tels que gestionnaire de connaissances, générateur d’hypothèses et assistant des équipes de R&D&I.

Lorsqu’il s’agit de décider si l’IA doit être utilisée pour résoudre un cas d’utilisation spécifique de R&D&I, il n’y a pas de modèle universel à déployer. Pour comprendre quelle approche d’IA donnera les meilleurs résultats, les organisations doivent se concentrer sur deux facteurs – le type et la quantité de données disponibles (de peu à beaucoup) et la nature de la question posée (de ouverte à spécifique). Dans le même temps, une seule approche d’IA peut ne pas donner des résultats optimaux – la plupart des systèmes intelligents de pointe produits au cours des 15 dernières années ont été des systèmes de systèmes. Il s’agit de systèmes d’IA indépendants, de modèles ou d’algorithmes conçus pour des tâches spécifiques, qui, lorsqu’ils sont combinés, offrent une fonctionnalité et des performances accrues.

Le succès nécessite huit bonnes pratiques

Sur la base d’entretiens avec des chercheurs, des scientifiques en IA, des fondateurs et des responsables de la R&D dans les équipes numériques, de fabrication, de marketing et de R&D, nous voyons huit bonnes pratiques qui sous-tendent le déploiement réussi de l’IA. Les organisations doivent :

• Adopter des méthodologies agiles pour que les équipes puissent travailler rapidement dans un environnement d’IA en constante évolution
• Établir des fondations solides en se concentrant sur la qualité des données, la collaboration au sein de l’organisation et en exploitant les données propriétaires
• Faire un choix stratégique entre la construction, l’achat et l’ajustement des modèles, la dernière approche étant souvent la plus efficace
• Envisager des compromis analytiques pour assurer les progrès lors de projets de preuve de concept, tels que l’acquisition de données par rapport à la synthèse, la précision par rapport à la recall, et la sous-ajustement par rapport à la sur-ajustement
• Être proactif dans l’exploitation du talent en science des données, y compris le partenariat en dehors de l’organisation pour acquérir les compétences nécessaires
• S’aligner sur l’IT pour équilibrer la sécurité et la conformité avec la vitesse d’expérimentation
• Démontrer rapidement les avantages et obtenir l’adhésion des utilisateurs pour établir la confiance et débloquer davantage d’investissements
• Maintenir et surveiller les performances du système en continu, en particulier autour de l’amélioration des modèles

3. Les composants technologiques sont maintenant en place

Comme pour la plupart des cas d’utilisation de l’IA, la chaîne de valeur de la R&D&I comprend trois couches – infrastructure, développeurs de modèles et applications.

En termes d’infrastructure, le coût de la mise en œuvre et de la maintenance d’une puissance de calcul suffisante est élevé, mais les fournisseurs d’hébergement offrent de plus en plus des modèles d’inference-as-a-service, exécutant des inférences et des requêtes dans le cloud pour supprimer le besoin d’infrastructure interne, réduisant les dépenses initiales et démocratisant l’accès à l’IA.

La chaîne de valeur de l’IA dans la R&D&I repose fortement sur des modèles open source majeurs de la part de joueurs tels que Meta, Microsoft et Nvidia. Cependant, des acteurs plus petits, tels que Mistral et Cohere, forment également une partie clé de l’écosystème, ainsi que les institutions universitaires.

À l’extrémité de la chaîne d’applications, des applications R&D&I générales et spécialisées ont déjà été créées pour répondre à la plupart des cas d’utilisation, avec plus de 500 applications maintenant disponibles, couvrant l’ensemble du processus de R&D&I.

Le futur est incertain – mais la planification de scénarios aide à la compréhension

La façon dont l’IA dans la R&D&I évoluera dépend des résultats de trois facteurs principaux – les performances, la confiance et l’abordabilité. La combinaison de ces facteurs conduit à six scénarios futurs plausibles sur un spectre allant de l’IA transformant tous les aspects de la R&D&I à l’IA n’étant utilisée que dans des cas d’utilisation sélectionnés et à faible risque. Sur une échelle allant de l’impact maximum à l’impact minimum, ces scénarios sont :

• Blocbuster : L’IA devient la priorité dans tout le cycle de R&D, réorganisant les organisations en cours de route. Les données deviennent la nouvelle frontière.
• Crowd-Pleaser : L’IA est pratique, abordable et adoptée pour les tâches de productivité quotidienne, mais ne parvient pas à délivrer de la valeur scientifique/creative.
• Crown Jewel : L’IA offre de la productivité et des avancées scientifiques, mais seulement aux organisations qui peuvent se le permettre – conduisant à un monde à deux vitesses dans la R&D&I.
• Problem Child : Malgré quelques cas d’utilisation emblématiques et des solutions abordables, l’IA ne parvient pas à démontrer sa valeur – les organisations de R&D&I restent préoccupées par la sécurité des données, la déontologie et le manque d’interprétabilité.
• Best-Kept Secret : Les performances de l’IA s’améliorent, mais les coûts élevés font que les organisations sont plus prudentes. La faible confiance et la paperasse limitent l’adoption, avec peu de nouveaux essais audacieux lancés.
• Cheap & Nasty : L’IA est largement utilisée dans des cas d’utilisation à faible risque, mais seulement en tant qu’outil de prototypage ou de brainstorming. Les systèmes non fiables sont strictement vérifiés et les sorties sont vérifiées, limitant les gains de productivité.

Comprendre ces scénarios est important pour les organisations de R&D&I car elles tracent leur chemin pour l’adoption de l’IA.

Il est temps pour les organisations de R&D&I d’agir maintenant

Dans certaines situations, l’IA permet déjà des améliorations à deux chiffres en termes de temps, de coûts et d’efficacité dans la formulation, le développement de produits, l’intelligence et d’autres tâches de R&D&I. Cela signifie que, quel que soit le scénario qui se produit, six mouvements sans regret aideront les organisations de R&D&I à construire la résilience et à tirer parti des avantages de l’IA. Ils doivent :

• Gérer et autonomiser les talents, en s’assurant que la main-d’œuvre dispose de la formation et de l’expertise nécessaires pour exploiter l’IA, si nécessaire en sous-traitant les mises en œuvre à des fournisseurs externes à moyen terme
• Contrôler le contenu généré par l’IA, en mettant à jour les processus de gestion des risques et en partageant les méthodologies de validation publiquement pour établir la confiance
• Construire le partage de données et la collaboration, en travaillant avec l’écosystème plus large du secteur public et privé pour conduire une adoption réussie de l’IA
• Former pour le long terme, en éduquant la population d’utilisateurs la plus large possible sur les fondamentaux de l’IA, les compétences requises et les risques potentiels
• Revoir l’organisation et la gouvernance, en la déplaçant au-delà de l’IT pour donner un focus de niveau senior et briser les silos pour faciliter la collaboration
• Mutualiser les ressources de calcul, en travaillant avec des partenaires ou en partageant les ressources internes pour répondre de manière efficace aux besoins d’infrastructure actuels et futurs

Au-delà de ces mouvements sans regret, le succès viendra de la création d’un portefeuille équilibré d’investissements de R&D&I basés sur l’IA, alignés sur les objectifs corporatifs. Cela signifie prendre en compte la portée, les coûts et les avantages de cas d’utilisation spécifiques de l’IA et utiliser cela pour conduire l’optimisation du portefeuille de projets d’innovation. Les décisions devraient être basées sur des objectifs stratégiques, des capacités et des informations de marché, ainsi que sur le contexte dans lequel les organisations opèrent.

Chaque étape de la chaîne de valeur de la recherche, du développement et de l’innovation peut potentiellement être transformée par l’IA, complétant les chercheurs humains pour transformer la productivité et permettre l’innovation de rupture. Ces opportunités doivent être équilibrées par rapport à une série de défis autour des performances, de la confiance et de l’abordabilité, ce qui signifie que les organisations doivent se concentrer maintenant pour positionner leurs efforts d’IA en R&D&I afin de réussir, quel que soit l’avenir qui se profile.

Cet article a été rédigé avec l’aide d’Albert Meige, Zoe Huczok, Arnaud Siraudin et Arthur D. Little.