Menghadirkan Dampak dari AI dalam Penelitian, Pengembangan, dan Inovasi

Kecerdasan buatan (AI) sedang mengubah penelitian, pengembangan, dan inovasi (R&D&I), membuka kemungkinan baru untuk menangani beberapa tantangan paling mendesak di dunia, termasuk keberlanjutan, kesehatan, perubahan iklim, dan keamanan pangan dan energi, serta membantu organisasi untuk berinovasi lebih baik dan meluncurkan produk dan layanan yang revolusioner.

AI dalam R&D&I tidak baru. Namun, munculnya generative AI (GenAI) dan large language models (LLMs) telah secara signifikan meningkatkan kemampuannya, mempercepat terobosan dan inovasi secara keseluruhan.

Bagaimana organisasi dapat memanfaatkan AI dalam upaya R&D&I mereka, dan apa yang merupakan praktik terbaik untuk diadopsi untuk mengarahkan kesuksesan? Untuk mengetahui hal ini, Arthur D. Little’s (ADL’s) Blue Shift Institute melakukan studi komprehensif dengan mewawancarai lebih dari 40 penyedia AI, ahli, dan praktisi, serta melakukan survei terhadap lebih dari 200 organisasi di sektor publik dan swasta. Laporan yang dihasilkan, Eureka! on Steroids: AI-driven Research, Development, and Innovation, menawarkan analisis mendalam tentang lanskap saat ini dan trajektori masa depan AI dalam penelitian dan inovasi.

Analisis kami fokus pada lima area kunci:

AI memberikan manfaat di seluruh R&D&I – tetapi tidak akan menggantikan manusia

Setiap blok bangunan R&D&I dapat memanfaatkan AI, dari teknologi dan intelijen pasar hingga strategi inovasi, ideasi, manajemen portofolio dan proyek, dan manajemen IP. Ketika kita mencoba memahami manfaat ini, tiga faktor kunci muncul:

• AI akan melengkapi peneliti, bukan menggantikan mereka, membebaskan waktu mereka, dan memungkinkan mereka untuk lebih produktif dan kreatif
• AI membantu menyelesaikan masalah yang tidak dapat diatasi sebelumnya karena kecepatan dan kemampuan AI untuk menskala dan belajar, membuka jalur inovasi baru
• AI akan mengambil posisi “perencana-pemikir”, melampaui generasi konten dan pencarian untuk menutupi peran yang lebih kompleks seperti menjadi manajer pengetahuan, generator hipotesis, dan asisten tim R&D&I.

Ketika memutuskan untuk menggunakan AI untuk menyelesaikan kasus penggunaan R&D&I tertentu, tidak ada model yang dapat diterapkan secara umum. Untuk memahami pendekatan AI mana yang akan memberikan hasil terbaik, organisasi perlu fokus pada dua faktor – jenis dan jumlah data yang tersedia (dari sedikit hingga banyak) dan sifat pertanyaan yang diajukan (dari terbuka hingga spesifik). Pada saat yang sama, satu pendekatan AI mungkin tidak memberikan hasil optimal — sebagian besar sistem cerdas yang dihasilkan dalam 15 tahun terakhir adalah sistem dari sistem. Ini adalah sistem AI independen, model, atau algoritma yang dirancang untuk tugas tertentu, yang, ketika digabungkan, menawarkan fungsionalitas dan kinerja yang lebih baik.

Keberhasilan memerlukan delapan praktik baik

Berdasarkan wawancara dengan peneliti, ilmuwan AI, pendiri, dan kepala R&D di tim digital, manufaktur, pemasaran, dan R&D, kita melihat delapan praktik baik yang mendasari penerapan AI yang sukses. Organisasi perlu:

• Mengadopsi metodologi agile sehingga tim dapat bekerja dengan cepat dalam lingkungan AI yang berubah cepat
• Membangun fondasi yang kuat dengan fokus pada kualitas data, kolaborasi di seluruh organisasi, dan memanfaatkan data propietary
• Membuat pilihan strategis antara membangun, membeli, dan memperhalus model, dengan pendekatan terakhir sering kali paling efektif
• Mempertimbangkan trade-off analitis untuk memastikan kemajuan selama proyek bukti konsep, seperti sekitar mengakuisisi versus mensintesis data, presisi versus recall, dan underfitting versus overfitting
• Proaktif dalam memanfaatkan bakat ilmu data yang tersedia, termasuk bermitra di luar organisasi untuk memperoleh keterampilan yang diperlukan
• Menjalin kerja sama dengan IT untuk menyeimbangkan keamanan dan kepatuhan dengan kecepatan eksperimen
• Menunjukkan manfaat dengan cepat dan mendapatkan persetujuan pengguna untuk membangun kepercayaan dan membuka investasi lebih lanjut
• Mempertahankan dan memantau kinerja sistem secara terus-menerus, terutama sekitar perbaikan model

3. Komponen teknologi sekarang sudah tersedia

Seperti pada sebagian besar kasus penggunaan AI, rantai nilai R&D&I terdiri dari tiga lapisan – infrastruktur, pengembang model, dan aplikasi.

Dalam hal infrastruktur, biaya implementasi dan pemeliharaan daya komputasi yang cukup besar, tetapi penyedia hosting semakin menawarkan model inference-as-a-service, menjalankan inferensi dan kueri di cloud untuk menghilangkan kebutuhan akan infrastruktur dalam negeri, menurunkan biaya awal dan mendemokratisasi akses ke AI.

Rantai nilai AI dalam R&D&I sangat bergantung pada model sumber terbuka utama dari pemain seperti Meta, Microsoft, dan Nvidia. Namun, pemain yang lebih kecil, seperti Mistral dan Cohere, juga membentuk bagian kunci dari ekosistem, serta lembaga akademis.

Di ujung aplikasi rantai, aplikasi R&D&I umum dan khusus telah dibuat untuk memenuhi sebagian besar kasus penggunaan, dengan lebih dari 500 aplikasi yang sekarang tersedia, menutupi seluruh proses R&D&I.

Masa depan tidak jelas – tetapi perencanaan skenario membantu memahami

Bagaimana AI dalam R&D&I akan berkembang tergantung pada hasil tiga faktor utama – kinerja, kepercayaan, dan aksesibilitas. Menggabungkan faktor-faktor ini mengarah pada enam skenario masa depan yang masuk akal pada spektrum antara AI yang mengubah setiap aspek R&D&I hingga digunakan hanya dalam kasus penggunaan yang selektif dan berisiko rendah. Pada skala dari dampak maksimum hingga minimum, skenario-skenario ini adalah:

• Blockbuster: AI menjadi yang utama di seluruh siklus R&D, mengubah organisasi di sepanjang jalan. Data menjadi frontier baru.
• Crowd-Pleaser: AI nyaman, terjangkau, dan diadopsi untuk tugas produktivitas sehari-hari tetapi gagal memberikan nilai ilmiah/kreatif.
• Crown Jewel: AI memberikan produktivitas dan terobosan ilmiah, tetapi hanya bagi organisasi yang dapat membelinya – mengarah pada dunia dua kecepatan dalam R&D&I.
• Problem Child: Meskipun beberapa kasus penggunaan yang menonjol dan solusi yang terjangkau, AI gagal menunjukkan nilainya – organisasi R&D&I tetap khawatir tentang keamanan data, deontologi, dan kurangnya interpretasi.
• Best-Kept Secret: kinerja AI membaik, tetapi biaya yang tinggi membuat organisasi lebih berhati-hati. Kurangnya kepercayaan dan birokrasi membatasi adopsi dengan sedikit eksperimen baru yang diluncurkan.
• Cheap & Nasty: AI digunakan secara luas dalam kasus penggunaan yang berisiko rendah, tetapi hanya sebagai alat prototipe atau brainstorming. Sistem yang tidak dapat dipercaya secara ketat diverifikasi, dan output diverifikasi, membatasi peningkatan produktivitas.

Memahami skenario ini penting bagi organisasi R&D&I karena mereka memetakan jalur ke depan untuk adopsi AI mereka.

Waktunya bagi organisasi R&D&I untuk bertindak sekarang

Dalam beberapa situasi, AI sudah memungkinkan perbaikan ganda dalam waktu, biaya, dan efisiensi dalam formulasi, pengembangan produk, intelijen, dan tugas R&D&I lainnya. Itu berarti tidak peduli skenario mana yang terjadi, enam langkah tanpa penyesalan akan membantu organisasi R&D&I membangun ketahanan dan memanfaatkan manfaat AI. Mereka perlu:

• Mengelola dan memberdayakan bakat, memastikan tenaga kerja memiliki pelatihan dan keahlian untuk memanfaatkan AI, jika perlu, mengkontrakkan implementasi kepada penyedia eksternal dalam jangka menengah
• Mengontrol konten yang dihasilkan AI, memperbarui proses manajemen risiko dan membagikan metodologi validasi secara terbuka untuk membangun kepercayaan
• Membangun berbagi data dan kolaborasi, bekerja dengan ekosistem sektor publik dan swasta yang lebih luas untuk mengarahkan adopsi AI yang sukses
• Melatih untuk jangka panjang, mendidik populasi pengguna terbesar posible tentang dasar-dasar AI, keterampilan yang diperlukan, dan risiko potensial
• Merubah organisasi dan tata kelola, melampaui IT untuk memberikan fokus tingkat senior dan menghancurkan silo untuk memperlancar kolaborasi
• Menggabungkan sumber daya komputasi, bekerja dengan mitra atau berbagi sumber daya secara internal untuk memenuhi kebutuhan infrastruktur saat ini dan masa depan dengan biaya efektif

Di luar langkah-langkah tanpa penyesalan ini, kesuksesan akan datang dari menciptakan portofolio investasi R&D&I berbasis AI yang seimbang dan selaras dengan tujuan perusahaan. Ini berarti mempertimbangkan cakupan, biaya, dan manfaat dari kasus penggunaan AI tertentu dan menggunakan ini untuk mengarahkan optimasi portofolio proyek inovasi. Keputusan harus didasarkan pada tujuan strategis, kemampuan, dan intelijen pasar, serta konteks di mana organisasi beroperasi.

Setiap tahap rantai nilai penelitian, pengembangan, dan inovasi dapat berpotensi ditransformasikan melalui AI, melengkapi peneliti manusia untuk mengubah produktivitas dan memungkinkan inovasi terobosan. Kesempatan ini perlu dibandingkan dengan sejumlah tantangan sekitar kinerja, kepercayaan, dan aksesibilitas, yang berarti organisasi harus fokus sekarang untuk memposisikan upaya AI R&D&I mereka agar dapat menghadirkan kesuksesan, apa pun yang dibawa oleh masa depan.

Artikel ini ditulis dengan bantuan Albert Meige, Zoe Huczok, Arnaud Siraudin, dan Arthur D. Little.