Impact leveren met AI in onderzoek, ontwikkeling en innovatie

Kunstmatige intelligentie (AI) verandert onderzoek, ontwikkeling en innovatie (R&D&I), en biedt nieuwe mogelijkheden om enkele van de meest dringende uitdagingen van de wereld aan te pakken, waaronder duurzaamheid, gezondheid, klimaatverandering en voedsel- en energiezekerheid, evenals het helpen van organisaties om beter te innoveren en doorbraakproducten en -diensten te lanceren.

AI in R&D&I is niet nieuw. Echter, de opkomst van generatieve AI (GenAI) en grote taalmodellen (LLM’s) heeft zijn mogelijkheden aanzienlijk versterkt, waardoor doorbraken en innovatie zijn versneld.

Hoe kunnen organisaties profiteren van AI in hun R&D&I-inspanningen, en welke zijn de beste praktijken om te volgen om succes te behalen? Om dit te ontdekken voerde het Blue Shift Institute van Arthur D. Little (ADL) een uitgebreide studie uit, waarbij meer dan 40 AI-aanbieders, experts en beoefenaars werden geïnterviewd, evenals meer dan 200 organisaties in de publieke en private sector. Het resulterende rapport, Eureka! on Steroids: AI-gedreven onderzoek, ontwikkeling en innovatie, biedt een diepgaande analyse van het huidige landschap en de toekomstige richting van AI in onderzoek en innovatie.

Onze analyse richt zich op vijf sleutelgebieden:

AI levert voordelen op in R&D&I – maar het zal mensen niet vervangen

Elk bouwblock van R&D&I kan profiteren van AI, van technologie- en marktinzicht tot innovatiestrategie, ideatie, portefeuille- en projectbeheer, en IP-beheer. Wanneer we deze voordelen proberen te begrijpen, komen drie belangrijke factoren naar voren:

• AI zal onderzoekers aanvullen, in plaats van ze te vervangen, waardoor ze meer tijd hebben en productiever en creatiever kunnen zijn
• AI helpt onoplosbare problemen op te lossen die eerder niet konden worden aangepakt vanwege de technologie’s snelheid en vermogen om te schalen en te leren, waardoor nieuwe innovatiepaden worden geopend
• AI zal een “planner-denker”-positie innemen, waardoor het verder gaat dan inhoudsgeneratie en zoekopdrachten en complexere rollen zoals kennisbeheerder, hypothese-generator en assistent voor R&D&I-teams kan vervullen.

Wanneer u besluit of u AI moet gebruiken om een specifiek R&D&I-geval op te lossen, is er geen universeel model om te implementeren. Om te begrijpen welke AI-aanpak de beste resultaten zal opleveren, moeten organisaties zich richten op twee factoren – het type en de hoeveelheid beschikbare gegevens (van een beetje tot veel) en de aard van de vraag die wordt gesteld (van open tot specifiek). Tegelijkertijd kan één AI-aanpak mogelijk niet de optimale resultaten opleveren — de meeste state-of-the-art intelligente systemen die in de afgelopen 15 jaar zijn geproduceerd, zijn systemen van systemen. Dit zijn onafhankelijke AI-systemen, modellen of algoritmen die zijn ontworpen voor specifieke taken, die, wanneer ze worden gecombineerd, meer functionaliteit en prestaties bieden.

Succes vereist acht goede praktijken

Op basis van interviews met onderzoekers, AI-wetenschappers, oprichters en hoofden van R&D in digitale, productie-, marketing- en R&D-teams zien we acht goede praktijken die een succesvolle AI-implementatie ondersteunen. Organisaties moeten:

• Agile methodologieën adopteren, zodat teams snel kunnen werken in een snel veranderende AI-omgeving
• Robuuste fundamenten bouwen door te focussen op gegevenskwaliteit, samenwerking binnen de organisatie en het benutten van eigen gegevens
• Een strategische keuze maken tussen het bouwen, kopen en fijnafstemmen van modellen, waarbij de laatste aanpak vaak het meest effectief is
• Analytische compromissen overwegen om vooruitgang te garanderen tijdens proof-of-concept-projecten, zoals rond het verwerven versus synthetiseren van gegevens, precisie versus herhaling, en onderfitting versus overfitting
• Proactief zijn in het benutten van beschikbare datawetenschapstalent, inclusief het aangaan van partnerschappen buiten de organisatie om noodzakelijke vaardigheden te verwerven
• Samenwerken met IT om beveiliging en compliance te balanceren met experimentele snelheid
• Snel voordelen demonstreren en gebruikersbetrokkenheid verkrijgen om vertrouwen op te bouwen en verdere investeringen te ontgrendelen
• Systeemprestaties continu monitoren en onderhouden, met name rond modelverbeteringen

3. De technologiecomponenten zijn nu op hun plaats

Net als bij de meeste AI-gevallen bestaat de R&D&I-waardeketen uit drie lagen – infrastructuur, modelontwikkelaars en toepassingen.

In termen van infrastructuur is de kosten van het implementeren en onderhouden van voldoende rekenkracht groot, maar hostingproviders bieden steeds vaker inference-as-a-service-modellen aan, die inferences en queries in de cloud uitvoeren om de noodzaak van in-house-infrastructuur te verwijderen, waardoor de voorafgaande uitgaven worden verlaagd en toegang tot AI wordt gedemocratiseerd.

De waardeketen voor AI in R&D&I is sterk afhankelijk van grote open-source-modellen van spelers zoals Meta, Microsoft en Nvidia. Echter, kleinere spelers, zoals Mistral en Cohere, vormen ook een belangrijk onderdeel van het ecosysteem, evenals academische instellingen.

Aan het applicatie-einde van de keten zijn al algemene en specialistische R&D&I-apps gecreëerd om de meeste use cases te dekken, met meer dan 500 apps die nu beschikbaar zijn en het hele R&D&I-proces bestrijken.

De toekomst is onduidelijk – maar scenario-planning helpt bij het begrijpen

Hoe AI in R&D&I zal evolueren, hangt af van de resultaten van drie belangrijke factoren – prestaties, vertrouwen en betaalbaarheid. Het combineren van deze factoren leidt tot zes plausibele toekomstscenario’s op een spectrum tussen AI die elke aspect van R&D&I transformeert en AI die alleen in selectieve, lage-risico-use cases wordt gebruikt. Op een schaal van maximaal tot minimaal impact zijn deze scenario’s:

• Blockbuster: AI wordt het middelpunt van de R&D-cyclus, waardoor organisaties worden herschapen. Gegevens worden de nieuwe frontier.
• Crowd-Pleaser: AI is handig, betaalbaar en wordt geadopteerd voor dagelijkse productiviteitstaken, maar faalt in het leveren van wetenschappelijke/creatieve waarde.
• Crown Jewel: AI levert productiviteit en wetenschappelijke doorbraken, maar alleen voor organisaties die het zich kunnen veroorloven – waardoor een tweesnelheidswereld in R&D&I ontstaat.
• Problem Child: Ondanks enkele opvallende use cases en betaalbare oplossingen, faalt AI in het demonstreren van zijn waarde – R&D&I-organisaties blijven bezorgd over gegevensbeveiliging, deontologie en het gebrek aan interpretatie.
• Best-Kept Secret: AI-prestaties verbeteren, maar hoge kosten maken organisaties meer risico-avers. Laag vertrouwen en bureaucratie beperken de adoptie, met weinig nieuwe, moedige experimenten die worden gelanceerd.
• Cheap & Nasty: AI wordt breed gebruikt in lage-risico-use cases, maar alleen als prototyping- of brainstormingtool. Onbetrouwbare systemen worden strikt gecontroleerd, en uitvoer wordt geverifieerd, waardoor productiviteitswinsten worden beperkt.

Het begrijpen van deze scenario’s is belangrijk voor R&D&I-organisaties, omdat ze een weg vooruit plotten voor hun AI-adoptie.

De tijd voor R&D&I-organisaties om te handelen is nu

In sommige situaties maakt AI al dubbele cijferverbeteringen mogelijk in tijd, kosten en efficiëntie in formulering, productontwikkeling, inzicht en andere R&D&I-taken. Dat betekent dat, ongeacht welk scenario zich voordoet, zes no-regret-bewegingen R&D&I-organisaties zullen helpen om veerkracht op te bouwen en de voordelen van AI te benutten. Ze moeten:

• Talent beheren en empoweren, ervoor zorgen dat de werkkracht de training en expertise heeft om AI te benutten, indien nodig door middel van subcontracting van implementaties aan externe aanbieders op de middellange termijn
• AI-gegenereerde inhoud controleren, risicobeheerprocessen updaten en validatiemethodologieën openbaar delen om vertrouwen op te bouwen
• Gegevensdeling en samenwerking opbouwen, samenwerken met het bredere publieke en private sectorecosysteem om een succesvolle AI-adoptie te stimuleren
• Trainen voor de lange termijn, het breedste mogelijke gebruikerspubliek onderwijzen over zowel AI-fundamenten, benodigde vaardigheden als potentiële risico’s
• Organisatie en governance herschikken, deze verder brengen dan IT om een senior niveau van aandacht te geven en silo’s te doorbreken om samenwerking te vergemakkelijken
• Rekenbronnen mutualiseren, samenwerken met partners of interne bronnen delen om op een kosteneffectieve manier te voldoen aan de huidige en toekomstige infrastructuurbehoeften

Behalve deze no-regret-bewegingen zal succes komen van het creëren van een evenwichtig portfolio van AI-gebaseerde R&D&I-investeringen die zijn afgestemd op corporate-doelstellingen. Dit betekent dat u rekening moet houden met het bereik, de kosten en de voordelen van specifieke AI-use cases en deze moet gebruiken om de innovatieprojectenportfolio te optimaliseren. Beslissingen moeten worden gebaseerd op strategische doelstellingen, capaciteiten en marktinzicht, evenals de context waarin organisaties opereren.

Elk stadium van de onderzoeks-, ontwikkelings- en innovatieketen kan mogelijk worden getransformeerd door AI, waardoor menselijke onderzoekers worden aangevuld om productiviteit te transformeren en doorbraakinnovatie mogelijk te maken. Deze kansen moeten worden afgewogen tegen een reeks uitdagingen rond prestaties, vertrouwen en betaalbaarheid, waardoor organisaties nu moeten focussen op het positioneren van hun R&D&I-AI-inspanningen om succes te behalen, ongeacht wat de toekomst brengt.

Dit artikel is geschreven met de assistentie van Albert Meige, Zoe Huczok, Arnaud Siraudin en Arthur D. Little.