研究開発・イノベーションにおけるAIの活用

人工知能（AI）は、研究開発・イノベーション（R&D&I）を変革し、持続可能性、ヘルスケア、気候変動、食糧・エネルギー安全保障などの世界的課題に対処するための新たな可能性を解放し、組織が革新を促進し、ブレークスルー的な製品やサービスを立ち上げることを支援しています。

R&D&IにおけるAIは新しいものではありません。しかし、ジェネレーティブAI（GenAI）と大規模言語モデル（LLMs）の登場により、その能力は大幅に拡大し、ブレークスルーとイノベーションの加速が進んでいます。

組織はR&D&I努力においてAIからどのように利益を得ることができ、成功を導くためのベストプラクティスとは何か。Arthur D. LittleのBlue Shift Instituteは、40以上のAIプロバイダー、専門家、実践者へのインタビューと、200以上の組織への調査を実施し、Eureka! on Steroids：AI駆動の研究開発イノベーションという報告書を作成しました。この報告書では、AIの現在と将来の分析が行われています。

私たちの分析は、5つの重要な分野に焦点を当てています。

AIはR&D&I全般に利益をもたらすが、人間を置き換えるわけではない

R&D&Iのすべての構成要素は、テクノロジーと市場インテリジェンス、イノベーション戦略、アイデア、ポートフォリオとプロジェクト管理、知的財産管理など、AIの利益を受けることができます。こうした利益を理解する上で、3つの重要な要素が浮かび上がります。

• AIは研究者を増強するだけでなく、代替するわけではなく、時間を解放し、研究者がより生産的で創造的になることを可能にします
• AIは従来不可能だった難問を解決することができ、テクノロジーのスピードとスケーラビリティ、学習能力により、新しいイノベーションの道筋が開けられます
• AIは「プランナー・シンカー」の役割を果たすことになり、コンテンツ生成や検索を超えて、ナレッジマネージャー、仮説生成、R&D&Iチームのアシスタントなどのより複雑な役割を担うことになります

特定のR&D&IユースケースでAIを使用するかどうかを判断する際には、汎用的なモデルはありません。組織は、利用可能なデータの種類と量（わずかから多量まで）と、問い合わせの性質（開放的から特定的まで）に焦点を当てる必要があります。同時に、1つのAIアプローチだけでは最適な結果をもたらさない可能性があります。過去15年間に開発された最先端のインテリジェントシステムのほとんどは、システムのシステムです。つまり、特定のタスク用に設計された独立したAIシステム、モデル、またはアルゴリズムであり、組み合わせることでより大きな機能とパフォーマンスを提供します。

成功には8つのベストプラクティスが必要

研究者、AI科学者、創設者、デジタル、製造、Marketing、R&Dチームの責任者へのインタビューに基づいて、成功したAIの導入には8つのベストプラクティスが必要です。組織は以下の点に注意する必要があります。

• アジャイルな方法論を採用して、チームが迅速に変化するAI環境で効果的に作業できるようにする
• データ品質、組織全体でのコラボレーション、独自のデータの活用に焦点を当てて、堅実な基盤を築く
• モデルを構築、購入、微調整するための戦略的な選択を行い、後者のアプローチが最も効果的であることが多い
• 概念実証プロジェクト中に、データの取得と合成、精度とリコール、過学習と過少学習などの分析トレードオフを考慮する
• 利用可能なデータサイエンスの才能を積極的に活用し、必要なスキルを取得するために組織外とのパートナーシップを検討する
• セキュリティとコンプライアンスをバランスよく、実験の迅速性を確保するためにITと連携する
• 利点を迅速に示し、ユーザーの買い込みを得て、信頼を築き、さらなる投資を解放する
• システムのパフォーマンスを継続的に維持、監視し、特にモデル改善の観点から

3. テクノロジーの構成要素はすでに整っている

R&D&Iの価値チェーンは、ほとんどのAIユースケースと同様に、インフラストラクチャ、モデル開発者、アプリケーションの3つの層で構成されます。

インフラストラクチャーについては、十分な計算能力を実装および維持するコストは大きいですが、ホスティングプロバイダーは、クラウドで推論とクエリを実行するインフェレンス・アズ・ア・サービスモデルを提供し、インフラストラクチャーの必要性を除去し、前払い費用を削減し、AIへのアクセスを民主化しています。

R&D&IにおけるAIの価値チェーンは、Meta、Microsoft 、Nvidiaなどの主要なオープンソースモデルに大きく依存しています。しかし、MistralやCohereなどの小規模なプレイヤーや、学術機関もエコシステムの重要な部分を形成しています。

価値チェーンのアプリケーションエンドでは、一般的および専門的なR&D&Iアプリがすでに多くのユースケースに対応するために作成されており、現在500以上のアプリが利用可能です。これらは、R&D&Iプロセス全体をカバーしています。

将来は不明だが、シナリオプランニングが理解を助ける

R&D&IにおけるAIの進化は、パフォーマンス、信頼性、コストの3つの要因の結果に依存します。これらの要因の組み合わせにより、R&D&Iのすべての側面を変革するAIから、リスクの低いユースケースでのみ使用されるAIまで、6つの妥当な将来シナリオが生まれます。最大から最小の影響の順に、以下のようになります。

• ブロックバスター： AIはR&Dサイクル全体で最優先事項となり、組織を変革します。データは新たなフロンティアとなります。
• クラウドプレイサー： AIは便利で、手頃で、日常の生産性タスクに採用されますが、科学的・創造的な価値を提供するには至りません。
• クラウンジュエル： AIは生産性と科学的ブレークスルーをもたらしますが、組織がそれを購入できるだけです。R&D&Iでは2つのスピードの世界が生まれます。
• プロブレムチャイルド： ある程度のユースケースと手頃なソリューションがありますが、AIはその価値を証明することに失敗します。R&D&I組織はデータセキュリティ、倫理、解釈可能性の欠如について懸念を抱いています。
• ベストキープシークレット： AIのパフォーマンスは向上しますが、高いコストにより、組織はよりリスク回避的になります。信頼性が低く、官僚主義的なルールにより、採用が制限され、新しい大胆な実験はほとんど立ち上がりません。
• チープ＆ナスティ： AIは低リスクのユースケースで広く使用されますが、プロトタイピングまたはブレインストーミングツールとしてのみ使用されます。信頼できないシステムは厳しく検証され、生産性の向上は制限されます。

これらのシナリオを理解することは、R&D&I組織がAIの採用を進める上で重要です。

R&D&I組織が今行動する必要がある

いくつかの状況では、AIはすでに時間、コスト、効率の面で二桁の改善を実現しています。つまり、どのシナリオが実現するかに関係なく、6つの後悔のない動きがR&D&I組織にAIの利点を活かし、回復力を構築するのに役立ちます。組織は以下の点に注力する必要があります。

• 人材を管理、育成し、AIを活用するために必要なトレーニングと専門知識を確保する。必要に応じて、中期的には実装を外部プロバイダーに委託する
• AI生成コンテンツを管理し、リスク管理プロセスを更新し、検証方法を公開して信頼を築く
• データの共有とコラボレーションを強化し、広い公的・私的セクターのエコシステムと協力して、AIの成功した採用を推進する
• 長期的には、可能な限り幅広いユーザー層にAIの基礎、必要なスキル、潜在的なリスクについて教育する
• 組織とガバナンスを再考し、ITを超えてシニアレベルの焦点を当て、シロを打破してコラボレーションをスムーズにする
• コンピューティングリソースを相互化し、パートナーと協力したり、内部でリソースを共有したりして、現在および将来のインフラストラクチャーのニーズを費用対効果よく満たす

これらの後悔のない動きを超えて、成功は、企業の目標に合ったAIベースのR&D&I投資のバランスの取れたポートフォリオの作成から来ます。これには、特定のAIユースケースの範囲、コスト、利点を考慮し、イノベーションプロジェクトポートフォリオの最適化を推進することが含まれます。決定は、戦略的目標、能力、市場インテリジェンス、組織が運営するコンテキストに基づいて行う必要があります。

R&D&Iの価値チェーンのすべての段階が、人間の研究者を増強することで、生産性を変革し、ブレークスルー的なイノベーションを可能にするためにAIを通じて変革される可能性があります。これらの機会は、パフォーマンス、信頼性、コストに関する課題のバランスとともに考慮する必要があります。つまり、組織は今、R&D&IのAI努力を位置付ける必要があります。そうすることで、どのような未来が来ても成功を達成することができます。

この記事は、Albert Meige、Zoe Huczok、Arnaud Siraudin、Arthur D. Littleの協力で書かれました。