Conseguire l’impatto dell’intelligenza artificiale nella ricerca, sviluppo e innovazione

L’intelligenza artificiale (AI) sta trasformando la ricerca, lo sviluppo e l’innovazione (R&D&I), sbloccando nuove possibilità per affrontare alcune delle sfide più pressanti del mondo, tra cui sostenibilità, salute, cambiamento climatico e sicurezza alimentare ed energetica, nonché aiutando le organizzazioni a innovare meglio e a lanciare prodotti e servizi innovativi.

L’AI nel R&D&I non è nuova. Tuttavia, l’ascesa dell’intelligenza artificiale generativa (GenAI) e dei modelli linguistici di grandi dimensioni (LLM) ha notevolmente ampliato le sue capacità, accelerando i progressi e l’innovazione complessiva.

Come possono le organizzazioni trarre beneficio dall’AI nei loro sforzi di R&D&I e quali sono le migliori pratiche da adottare per raggiungere il successo? Per scoprirlo, l’Istituto Blue Shift di Arthur D. Little (ADL) ha condotto uno studio approfondito intervistando oltre 40 fornitori di AI, esperti e pratici, nonché sondando oltre 200 organizzazioni nei settori pubblico e privato. Il rapporto risultante, Eureka! on Steroids: AI-driven Research, Development, and Innovation, offre un’analisi approfondita del panorama attuale e della traiettoria futura dell’AI nella ricerca e nell’innovazione.

La nostra analisi si concentra su cinque aree chiave:

L’AI offre benefici in tutta la R&D&I – ma non sostituirà gli esseri umani

Ogni blocco costitutivo della R&D&I può trarre beneficio dall’AI, dalla tecnologia e dall’intelligence di mercato alla strategia di innovazione, ideazione, gestione del portafoglio e dei progetti, e gestione della proprietà intellettuale. Quando cerchiamo di comprendere questi benefici, emergono tre fattori chiave:

• L’AI aumenterà i ricercatori, piuttosto che sostituirli, liberando il loro tempo e consentendo loro di essere più produttivi e creativi
• L’AI aiuta a risolvere problemi intractabili che non potevano essere tentati in precedenza a causa della velocità e della capacità di scalare e imparare della tecnologia, aprendo nuove vie di innovazione
• L’AI assumerà una posizione di “pianificatore-pensatore”, andando oltre la generazione di contenuti e la ricerca per coprire ruoli più complessi come gestore della conoscenza, generatore di ipotesi e assistente per i team di R&D&I.

Quando si decide se utilizzare l’AI per risolvere un caso di uso specifico di R&D&I, non esiste un modello universale da adottare. Per comprendere quale approccio AI darà i migliori risultati, le organizzazioni devono concentrarsi su due fattori – il tipo e la quantità di dati disponibili (da pochi a molti) e la natura della domanda posta (da aperta a specifica). Allo stesso tempo, un singolo approccio AI potrebbe non produrre risultati ottimali — la maggior parte dei sistemi intelligenti di stato dell’arte prodotti negli ultimi 15 anni sono stati sistemi di sistemi. Questi sono sistemi AI indipendenti, modelli o algoritmi progettati per compiti specifici, che, quando combinati, offrono una maggiore funzionalità e prestazioni.

Il successo richiede otto buone pratiche

Sulla base di interviste con ricercatori, scienziati AI, fondatori e capi di R&D nei team digitali, di produzione, di marketing e di R&D, vediamo otto buone pratiche che sostengono il dispiegamento di successo dell’AI. Le organizzazioni devono:

• Adottare metodologie agili in modo che i team possano lavorare rapidamente in un ambiente AI in rapida evoluzione
• Costruire fondamenta solide concentrandosi sulla qualità dei dati, sulla collaborazione in tutta l’organizzazione e sfruttando i dati proprietari
• Fare una scelta strategica tra la costruzione, l’acquisto e la fine-tuning dei modelli, con quest’ultimo approccio spesso il più efficace
• Considerare compromessi analitici per garantire il progresso durante i progetti di proof-of-concept, come ad esempio l’acquisizione versus la sintesi dei dati, la precisione versus la richiamata e il sottodimensionamento versus il sovr dimensionamento
• Essere proattivi nel sfruttare il talento disponibile nella scienza dei dati, incluso il partenariato al di fuori dell’organizzazione per acquisire le competenze necessarie
• Allinearsi con l’IT per bilanciare la sicurezza e la conformità con la velocità di sperimentazione
• Dimostrare i benefici rapidamente e ottenere l’adesione degli utenti per costruire la fiducia e sbloccare ulteriori investimenti
• Mantenere e monitorare le prestazioni del sistema in modo continuo, in particolare intorno ai miglioramenti del modello

3. I componenti tecnologici sono ora in posizione

Come per la maggior parte dei casi di utilizzo dell’AI, la catena di valore della R&D&I comprende tre strati – infrastruttura, sviluppatori di modelli e applicazioni.

In termini di infrastruttura, il costo di implementazione e manutenzione di una potenza di calcolo sufficiente è elevato, ma i provider di hosting stanno offrendo sempre più modelli di inference-as-a-service, eseguendo inferenze e query nel cloud per rimuovere la necessità di infrastrutture interne, riducendo le spese iniziali e democratizzando l’accesso all’AI.

La catena di valore per l’AI nella R&D&I si basa fortemente su modelli open source di grandi player come Meta, Microsoft e Nvidia. Tuttavia, anche i giocatori più piccoli, come Mistral e Cohere, formano una parte fondamentale dell’ecosistema, così come le istituzioni accademiche.

All’estremità dell’applicazione della catena, app di R&D&I generali e specializzate sono già state create per soddisfare la maggior parte dei casi di utilizzo, con oltre 500 disponibili, coprendo l’intero processo di R&D&I.

Il futuro è incerto – ma la pianificazione degli scenari aiuta a comprendere

Come l’AI nella R&D&I evolverà dipende dagli esiti di tre fattori principali – prestazioni, fiducia e accessibilità. Combinando questi fattori, si ottengono sei scenari futuri plausibili su uno spettro tra l’AI che trasforma ogni aspetto della R&D&I e l’AI utilizzata solo in casi di utilizzo selettivi e a basso rischio. Su una scala da impatto massimo a minimo, questi scenari sono:

• Blockbuster: l’AI diventa il punto di riferimento in tutto il ciclo di R&D, ridisegnando le organizzazioni lungo la strada. I dati diventano la nuova frontiera.
• Crowd-Pleaser: l’AI è conveniente, accessibile e adottato per compiti di produttività quotidiana, ma non riesce a fornire valore scientifico/creativo.
• Crown Jewel: l’AI fornisce produttività e innovazioni scientifiche, ma solo alle organizzazioni che possono permetterselo – portando a un mondo a due velocità nella R&D&I.
• Problem Child: Nonostante alcuni casi di utilizzo emblematici e soluzioni accessibili, l’AI non riesce a dimostrare il suo valore – le organizzazioni di R&D&I rimangono preoccupate per la sicurezza dei dati, la deontologia e la mancanza di interpretazione.
• Best-Kept Secret: le prestazioni dell’AI migliorano, ma i costi elevati rendono le organizzazioni più avverse al rischio. La bassa fiducia e la burocrazia limitano l’adozione con pochi esperimenti audaci lanciati.
• Cheap & Nasty: l’AI è ampiamente utilizzata in casi di utilizzo a basso rischio, ma solo come strumento di prototipazione o brainstorming. I sistemi non attendibili sono strettamente verificati e i risultati sono verificati, limitando i guadagni di produttività.

Comprendere questi scenari è importante per le organizzazioni di R&D&I mentre tracciano una strada in avanti per l’adozione dell’AI.

Il momento per le organizzazioni di R&D&I di agire è ora

In alcune situazioni, l’AI sta già consentendo miglioramenti a due cifre nel tempo, nei costi e nell’efficienza nella formulazione, nello sviluppo del prodotto, nell’intelligenza e in altri compiti di R&D&I. Ciò significa che, indipendentemente da quale scenario si verifichi, sei mosse senza rimpianti aiuteranno le organizzazioni di R&D&I a costruire la resilienza e a sfruttare i benefici dell’AI. Devono:

• Gestire e potenziare il talento, assicurando che la forza lavoro abbia la formazione e l’esperienza per sfruttare l’AI, se necessario, sottoscrivendo implementazioni a fornitori esterni nel breve termine
• Controllare il contenuto generato dall’AI, aggiornando i processi di gestione del rischio e condividendo metodologie di convalida pubblicamente per costruire la fiducia
• Costruire la condivisione dei dati e la collaborazione, lavorando con l’ecosistema più ampio del settore pubblico e privato per guidare l’adozione di successo dell’AI
• Formare per il lungo termine, educando la popolazione di utenti più ampia possibile sui fondamenti dell’AI, sulle competenze richieste e sui rischi potenziali
• Rivedere l’organizzazione e la governance, spostandola oltre l’IT per dare un focus a livello senior e rompere i silos per agevolare la collaborazione
• Mutualizzare le risorse di calcolo, lavorando con i partner o condividendo le risorse all’interno per soddisfare le esigenze di infrastruttura attuali e future in modo efficiente in termini di costo

Oltre a queste mosse senza rimpianti, il successo verrà dalla creazione di un portafoglio equilibrato di investimenti di R&D&I basati sull’AI allineati con gli obiettivi aziendali. Ciò significa considerare l’ambito, i costi e i benefici di casi di utilizzo specifici dell’AI e utilizzare questo per guidare l’ottimizzazione del portafoglio di progetti di innovazione. Le decisioni dovrebbero basarsi su obiettivi strategici, capacità e intelligence di mercato, e sul contesto in cui le organizzazioni operano.

Ogni fase della catena di valore della ricerca, dello sviluppo e dell’innovazione può potenzialmente essere trasformata attraverso l’AI, aumentando i ricercatori umani per trasformare la produttività e consentire l’innovazione dirompente. Queste opportunità devono essere bilanciate contro una serie di sfide intorno alle prestazioni, alla fiducia e all’accessibilità, il che significa che le organizzazioni devono concentrarsi ora per posizionare i loro sforzi di R&D&I AI per raggiungere il successo, indipendentemente da cosa il futuro porti.

Questo articolo è stato scritto con l’assistenza di Albert Meige, Zoe Huczok, Arnaud Siraudin e Arthur D. Little.