Levering effekt fra AI i forskning, utvikling og innovasjon

Kunstig intelligens (AI) transformerer forskning, utvikling og innovasjon (R&D&I), og åpner opp for nye muligheter til å løse noen av verdens mest presserende utfordringer, inkludert bærekraft, helse, klimaendringer og mat- og energisikkerhet, samt hjelpe organisasjoner med å innovere bedre og lansere gjennombruddsprodukter og -tjenester.

AI i R&D&I er ikke nytt. Imidlertid har oppblomstringen av generativ AI (GenAI) og store språkmodeller (LLM) betydelig forsterket dens evner, akselerert gjennombrudd og total innovasjon.

Hvordan kan organisasjoner dra nytte av AI i sine R&D&I-bestræbelser, og hva er de beste praksisene å følge for å oppnå suksess? For å finne ut dette gjennomførte Arthur D. Little’s (ADL) Blue Shift Institute en omfattende studie hvor de intervjuet over 40 AI-leverandører, eksperter og praktikere, samt undersøkte over 200 organisasjoner i offentlig og privat sektor. Den resulterende rapporten, Eureka! på steroider: AI-drevet forskning, utvikling og innovasjon, tilbyr en dybdeanalyse av det nåværende landskapet og fremtidige utvikling av AI i forskning og innovasjon.

Vår analyse fokuserer på fem nøkkelområder:

AI gir fordeler på tvers av R&D&I – men det vil ikke erstatte mennesker

Hver byggestein i R&D&I kan dra nytte av AI, fra teknologi og markedsovervåking til innovasjonsstrategi, idegenerering, portefølje- og prosjektledelse, og IP-ledelse. Når vi ser på å forstå disse fordelene, kommer tre nøkkel faktorer frem:

• AI vil supplere forskere, i stedet for å erstatte dem, og gi dem mer tid og mulighet til å være mer produktive og kreative
• AI hjelper med å løse komplekse problemer som ikke kunne forsøkes tidligere på grunn av teknologiens hastighet og evne til å skalerer og lære, og åpner opp for nye innovasjonsmuligheter
• AI vil ta på seg en “planlegger-tenker”-rolle, og gå ut over innholdsgenerering og søk til å dekke mer komplekse roller som kunnskapsmanager, hypotesegenerator og assistent for R&D&I-team.

Når det gjelder å bestemme om å bruke AI til å løse et bestemt R&D&I-eksempel, finnes det ingen generell modell å følge. For å forstå hvilken AI-tilnærming som vil gi de beste resultater, må organisasjoner fokusere på to faktorer – typen og mengden av data tilgjengelig (fra lite til mye) og naturen til spørsmålet som stilles (fra åpent til spesifikt). Samtidig kan en enkelt AI-tilnærming ikke gi optimale resultater — de fleste avanserte intelligente systemer produsert de siste 15 årene har vært systemer av systemer. Disse er uavhengige AI-systemer, modeller eller algoritmer designet for bestemte oppgaver, som, når de kombineres, tilbyr større funksjonalitet og ytelse.

Suksess krever åtte gode praksiser

Basert på intervjuer med forskere, AI-vitenskapsmenn, gründere og ledere for R&D i digitale, produksjons-, markedsførings- og R&D-team ser vi åtte gode praksiser som ligger til grunn for suksessfull AI-utvikling. Organisasjoner må:

• Adoptere agile metoder slik at team kan arbeide raskt i et raskt forandrende AI-miljø
• Bygge solide grunnlag ved å fokusere på datakvalitet, samarbeid på tvers av organisasjonen og utnytte egen data
• Vurdere strategisk valg mellom å bygge, kjøpe og finjustere modeller, hvor den siste tilnærmingen ofte er mest effektiv
• Vurdere analytiske kompromisser for å sikre fremgang under proof-of-concept-prosjekter, som rundt innhenting versus syntetisering av data, presisjon versus tilbakekall, og underfitting versus overfitting
• Være proaktive i å utnytte tilgjengelig data-vitenskapelig talent, inkludert å samarbeide utenfor organisasjonen for å skaffe nødvendige ferdigheter
• Samordne med IT for å balansere sikkerhet og regelefterlevnad med eksperimenteringshastighet
• Demonstrere fordeler raskt og få brukertilslutning for å bygge tillit og låse opp ytterligere investeringer
• Maintain og overvåke systemytelse kontinuerlig, spesielt rundt modellforbedringer

3. Teknologikomponentene er nå på plass

Som med de fleste AI-eksempler består R&D&I-verdikjeden av tre lag – infrastruktur, modellutviklere og applikasjoner.

I forhold til infrastruktur er kostnaden ved å implementere og vedlikeholde tilstrekkelig beregningskraft stor, men hosting-tilbydere tilbyr stadig flere inferens-tjenester, som kjører inferenser og spørringer i skyen for å fjerne behovet for intern infrastruktur, redusere fremkostninger og demokratisere tilgang til AI.

Verdikjeden for AI i R&D&I er sterkt avhengig av store åpne modeller fra spillere som Meta, Microsoft og Nvidia. Imidlertid utgjør også mindre spillere, som Mistral og Cohere, en viktig del av økosystemet, samt akademiske institusjoner.

Ved applikasjonsenden av kjeden er det allerede blitt utviklet generelle og spesialiserte R&D&I-applikasjoner for å møte de fleste eksempler, med over 500 nå tilgjengelige, som dekker hele R&D&I-prosessen.

Fremtiden er usikker – men scenarieplanlegging hjelper med å forstå

Hvordan AI i R&D&I vil utvikle seg, avhenger av resultater fra tre hovedfaktorer – ytelse, tillit og pris. Kombinasjonen av disse faktorene fører til seks plausiblene fremtidsscenarier på en skala fra AI som transformerer hver eneste aspekt av R&D&I til å bli brukt bare i selektive, lavrisiko-eksempler. På en skala fra maksimal til minimal innvirkning er disse scenariene:

• Blockbuster: AI blir toppen av tanken gjennom hele R&D&I-syklusen, og former organisasjoner på veien. Data blir den nye grensen.
• Crowd-Pleaser: AI er behagelig, rimelig og adoptert for daglige produktivitetsoppgaver, men mangler å levere vitenskapelig/kreativ verdi.
• Crown Jewel: AI gir produktivitet og vitenskapelige gjennombrudd, men bare til organisasjoner som kan betale for det – og fører til en to-delte verden i R&D&I.
• Problem Child: Tropper noen hallmark-eksempler og rimelige løsninger, AI klarer ikke å demonstrere sin verdi – R&D&I-organisasjoner forblir bekymret for datasikkerhet, deontologi og mangel på tolkbarhet.
• Best-Kept Secret: AI-ytelsen forbedres, men høye kostnader gjør organisasjoner mer risikofylt. Lav tillit og byråkrati begrenser adopsjonen, og få nye, dristige eksperimenter lanseres.
• Cheap & Nasty: AI brukes bredt i lavrisiko-eksempler, men bare som et prototyping- eller brainstorming-verktøy. Utrustelige systemer blir strengt verifisert, og utdataene blir verifisert, og begrenser produktivitetsgevinstene.

Å forstå disse scenariene er viktig for R&D&I-organisasjoner som kartlegger en vei fremover for sin AI-adoptsjon.

Tiden for R&D&I-organisasjoner å handle er nå

I noen situasjoner er AI allerede i stand til å gi to-sifret forbedringer i tid, kostnader og effisiens i formulering, produktutvikling, intelligens og andre R&D&I-oppgaver. Det betyr at uansett hvilket scenario som spiller ut, seks ingen-regret-trekk vil hjelpe R&D&I-organisasjoner med å bygge motstandskraft og utnytte AI-fordelene. De må:

• Forvalte og styrke talent, sikre at arbeidsstyrken har opplæring og ekspertise til å utnytte AI, hvis nødvendig underkontrahere implementeringer til eksterne leverandører på mellomlang sikt
• Kontrollere AI-generert innhold, oppdatere risikostyringsprosesser og dele valideringsmetoder offentlig for å bygge tillit
• Bygge opp data-deling og samarbeid, arbeide med det videre offentlige og private sektorens økosystem for å drive suksessfull AI-adoptsjon
• Trening for lang løpet, utdanne den bredest mulige brukerpopulasjonen på både AI-grunnleggende ferdigheter, nødvendige ferdigheter og potensielle risiko
• Omgjøre organisasjon og styring, flytte det utenfor IT for å gi en senior fokus og bryte ned siloer for å lette samarbeid
• Mutualisere beregningsressurser, arbeide med partnere eller dele ressurser internt for å kostnadseffektivt møte nåværende og fremtidige infrastrukturbehov

Utenom disse ingen-regret-trekkene vil suksess komme fra å skape en balansert portefølje av AI-basert R&D&I-investeringer som er i tråd med organisatoriske mål. Dette betyr å vurdere omfanget, kostnadene og fordelene med bestemte AI-eksempler og bruke dette til å drive optimalisering av innovasjonsprosjektporteføljen. Beslutninger bør baseres på strategiske mål, evner, markedsovervåking og konteksten organisasjonene opererer i.

Hvert stadium av forsknings-, utviklings- og innovasjonsverdikjeden kan potensielt bli transformert gjennom AI, og supplere menneskelige forskere for å transformere produktivitet og muliggjøre gjennombruddsinnovasjon. Disse mulighetene må balanseres mot en rekke utfordringer rundt ytelse, tillit og pris, og organisasjoner må fokusere nå for å plassere sine R&D&I-AI-innsats for å levere suksess, uansett hva fremtiden bringer.

Denne artikkelen er skrevet med assistanse fra Albert Meige, Zoe Huczok, Arnaud Siraudin og Arthur D. Little.