Leverera effekt från AI inom forskning, utveckling och innovation

Artificiell intelligens (AI) förvandlar forskning, utveckling och innovation (R&D&I), och låser upp nya möjligheter att hantera några av världens mest pressande utmaningar, inklusive hållbarhet, hälsovård, klimatförändringar och livsmedels- och energisäkerhet, samt hjälper organisationer att innovera bättre och lansera banbrytande produkter och tjänster.

AI inom R&D&I är inte nytt. Men den ökade användningen av generativ AI (GenAI) och stora språkmodeller (LLM) har avsevärt förbättrat dess förmågor, accelererat genombrott och övergripande innovation.

Hur kan organisationer dra nytta av AI i sina R&D&I-insatser, och vilka är de bästa metoderna för att anta för att driva framgång? För att ta reda på detta genomförde Arthur D. Little’s (ADL) Blue Shift Institute en omfattande studie genom att intervjua över 40 AI-leverantörer, experter och praktiker, samt genomföra en undersökning bland över 200 organisationer inom den offentliga och privata sektorn. Den resulterande rapporten, Eureka! on Steroids: AI-driven Research, Development, and Innovation, erbjuder en djupgående analys av den nuvarande landskaps- och framtidsbilden för AI inom forskning och innovation.

Vår analys fokuserar på fem nyckelområden:

AI ger fördelar inom hela R&D&I – men det kommer inte att ersätta människor

Varje byggsten i R&D&I kan dra nytta av AI, från teknologi och marknadsundersökningar till innovationsstrategi, idégenerering, portfölj- och projekthantering, samt immateriella rättigheter. När vi försöker förstå dessa fördelar framkommer tre viktiga faktorer:

• AI kommer att förstärka forskare, snarare än att ersätta dem, och frigöra deras tid, och möjliggöra att de blir mer produktiva och kreativa
• AI hjälper till att lösa olösliga problem som inte kunde försökas tidigare på grund av teknologins hastighet och förmåga att skala och lära, och öppnar upp nya innovationsvägar
• AI kommer att anta en “planerare-tänkare”-position, och gå bortom innehållsgenerering och sökning för att täcka mer komplexa roller som kunskapschef, hypotesgenerator och assistent till R&D&I-lag.

När man beslutar om att använda AI för att lösa ett specifikt R&D&I-användningsfall finns det ingen generell modell att distribuera. För att förstå vilken AI-approach som kommer att ge de bästa resultaten måste organisationer fokusera på två faktorer – typen och mängden tillgängliga data (från lite till mycket) och naturen hos frågan som ställs (från öppen till specifik). Samtidigt kan en enda AI-approach inte ge optimala resultat – de flesta av de mest avancerade intelligenta systemen som producerats under de senaste 15 åren har varit system av system. Dessa är oberoende AI-system, modeller eller algoritmer som är utformade för specifika uppgifter, som när de kombineras erbjuder större funktionalitet och prestanda.

framgång kräver åtta bra metoder

Baserat på intervjuer med forskare, AI-vetenskapsmän, grundare och chefer för R&D i digitala, tillverknings-, marknadsförings- och R&D-lag ser vi åtta bra metoder som ligger till grund för en framgångsrik AI-distribution. Organisationer behöver:

• Anta agila metoder så att team kan arbeta snabbt i en snabbt föränderlig AI-miljö
• Bygga robusta grunder genom att fokusera på datakvalitet, samarbete inom organisationen och utnyttja proprietär data
• Göra ett strategiskt val mellan att bygga, köpa och finjustera modeller, där den senare metoden ofta är den mest effektiva
• Överväga analytiska avvägningar för att säkerställa framsteg under proof-of-concept-projekt, såsom runt att förvärva kontra syntetisera data, precision kontra återkallande och underanpassning kontra överanpassning
• Vara proaktiva i att utnyttja tillgänglig data science-talang, inklusive samarbete utanför organisationen för att förvärva nödvändiga färdigheter
• Samordna med IT för att balansera säkerhet och regelefterlevnad med experimenthastighet
• Demonstrera fördelar snabbt och få användaracceptans för att bygga förtroende och låsa upp ytterligare investeringar
• Underhålla och övervaka systemprestanda kontinuerligt, särskilt runt modellförbättringar

3. Teknologikomponenterna är nu på plats

Som med de flesta AI-användningsfall består R&D&I-värdekedjan av tre lager – infrastruktur, modellutvecklare och applikationer.

I termer av infrastruktur är kostnaden för att implementera och underhålla tillräcklig beräkningskraft stor, men värdleverantörer erbjuder alltmer inferens-tjänster, som kör inferenser och frågor i molnet för att ta bort behovet av inbyggd infrastruktur, minska initiala utgifter och demokratisera tillgång till AI.

Värdekedjan för AI inom R&D&I är starkt beroende av stora öppna modeller från aktörer som Meta, Microsoft och Nvidia. Men även mindre aktörer, som Mistral och Cohere, utgör en viktig del av ekosystemet, liksom akademiska institutioner.

Vid applikationsänden av kedjan har allmänna och specialiserade R&D&I-applikationer redan skapats för att möta de flesta användningsfall, med över 500 tillgängliga, som täcker hela R&D&I-processen.

Framtiden är osäker – men scenarioplanering hjälper till att förstå

Hur AI inom R&D&I kommer att utvecklas beror på resultaten av tre huvudsakliga faktorer – prestanda, förtroende och prisvärdhet. Att kombinera dessa faktorer leder till sex troliga framtids-scenarier på en skala mellan AI som förvandlar varje aspekt av R&D&I till att användas endast i selektiva, lågrisk-användningsfall. På en skala från maximal till minimal påverkan är dessa scenarier:

• Blockbuster: AI blir toppen av tanken under hela R&D-cykeln, omformar organisationer på vägen. Data blir den nya gränsen.
• Crowd-Pleaser: AI är bekvämt, prisvärt och antaget för dagliga produktivitetssysslor men misslyckas med att leverera vetenskapligt/kreativt värde.
• Crown Jewel: AI levererar produktivitet och vetenskapliga genombrott, men endast till organisationer som kan betala för det – vilket leder till en tvåhastighetsvärld inom R&D&I.
• Problem Child: Trots vissa användningsfall och prisvärda lösningar misslyckas AI med att demonstrera sitt värde – R&D&I-organisationer förblir oroliga för datasäkerhet, deontologi och brist på tolkbarhet.
• Best-Kept Secret: AI-prestanda förbättras, men höga kostnader gör organisationer mer riskaverta. Lågt förtroende och byråkrati begränsar antagande med få nya djärva experiment lanserade.
• Billig & Skräp: AI används i breda lågrisk-användningsfall, men endast som ett prototyperings- eller brainstorming-verktyg. Otillförlitliga system är strikt granskade, och utdata är verifierade, vilket begränsar produktivitetsvinster.

Att förstå dessa scenarier är viktigt för R&D&I-organisationer när de kartlägger en väg framåt för sin AI-antagande.

Tiden för R&D&I-organisationer att agera är nu

I vissa situationer möjliggör AI redan dubbla siffror förbättringar i tid, kostnader och effektivitet i formulering, produktutveckling, intelligens och andra R&D&I-uppgifter. Det betyder att oavsett vilket scenario som utspelar sig, sex oföränderliga drag kommer att hjälpa R&D&I-organisationer att bygga motståndskraft och utnyttja AI-fördelarna. De behöver:

• Hantera och stärka talang, säkerställa att arbetskraften har utbildning och expertis för att utnyttja AI, om nödvändigt underleverera implementationer till externa leverantörer på medellång sikt
• Kontrollera AI-genererat innehåll, uppdatera riskhanteringsprocesser och dela valideringsmetodik offentligt för att bygga förtroende
• Bygga upp data delning och samarbete, arbeta med den bredare offentliga och privata sektorns ekosystem för att driva framgångsrik AI-antagande
• Utbilda för långsiktiga mål, utbilda den bredaste möjliga användarpopulationen om AI-grunder, nödvändiga färdigheter och potentiella risker
• Omstrukturera organisation och styrning, flytta den bortom IT för att ge en senior fokus och bryta ner silos för att underlätta samarbete
• Mutualisera beräkningsresurser, arbeta med partners eller dela resurser internt för att kostnadseffektivt möta nuvarande och framtida infrastrukturbehov

Utöver dessa oföränderliga drag kommer framgång att komma från att skapa en balanserad portfölj av AI-baserade R&D&I-investeringar i linje med företagsmål. Detta innebär att överväga omfattning, kostnader och fördelar med specifika AI-användningsfall och använda detta för att driva optimering av innovationsprojektportföljen. Beslut bör baseras på strategiska mål, förmågor och marknadsinformation, samt den kontext i vilken organisationer verkar.

Varje stadium av forsknings-, utvecklings- och innovationsvärdekedjan kan potentiellt förvandlas genom AI, och förstärka mänskliga forskare för att förvandla produktivitet och möjliggöra banbrytande innovation. Dessa möjligheter behöver balanseras mot en rad utmaningar runt prestanda, förtroende och prisvärdhet, vilket innebär att organisationer måste fokusera nu för att positionera sina R&D&I-AI-insatser för att leverera framgång, oavsett vad framtiden för med sig.

Denna artikel skrevs med hjälp av Albert Meige, Zoe Huczok, Arnaud Siraudin och Arthur D. Little.