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 förstärkt 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 att anta för att driva framgång? För att ta reda på detta genomförde Arthur D. Little’s (ADL) Blue Shift Institute en omfattande studie med intervjuer med över 40 AI-leverantörer, experter och praktiker, samt en undersökning av 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 landskapet och den framtida utvecklingen av AI inom forskning och innovation.

Vår analys fokuserar på fem nyckelområden:

AI levererar fördelar över 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 marknadsunderrättelser till innovationsstrategi, idégenerering, portfölj- och projekthantering, samt immateriellägenhetsförvaltning. När vi försöker förstå dessa fördelar framträder tre nyckelfaktorer:

• AI kommer att förstärka forskare, snarare än att ersätta dem, 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, öppnar upp nya innovationsvägar
• AI kommer att anta en “planerare-tänkare”-position, flytta bortom innehållsgenerering och sökning till att täcka mer komplexa roller som kunskapsmanager, 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 allmän 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 karaktären på frågan som ställs (från öppen till specifik). Samtidigt kan en enda AI-approach inte leverera 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.

Lyckande kräver åtta bra metoder

Baserat på intervjuer med forskare, AI-vetenskapsmän, grundare och chefer för R&D i digitala, tillverknings-, marknads- 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 lag kan arbeta snabbt i en snabbt föränderlig AI-miljö
• Bygga robusta grunder genom att fokusera på datakvalitet, samarbete inom hela organisationen och utnyttja proprietär data
• Göra ett strategiskt val mellan att bygga, köpa och finjustera modeller, med den senare metoden ofta 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 proaktiv i att utnyttja tillgänglig data science-talang, inklusive samarbete utanför organisationen för att förvärva nödvändiga färdigheter
• Stämma av 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. Tekniska komponenter är nu på plats

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

Vad gäller 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 intern infrastruktur, sänka initiala utgifter och demokratisera tillgång till AI.

Värdedjuret 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 oklar – 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 bara användas i selektiva, lågriskanvändningsfall. På en skala från maximal till minimal påverkan är dessa scenarier:

• Blockbuster: AI blir toppen av sinnet under hela R&D-cykeln, omformar organisationer på vägen. Data blir den nya gränsen.
• Crowd-Pleaser: AI är bekvämt, prisvärt och antas för dagliga produktivitetssysslor men misslyckas med att leverera vetenskapligt/ kreativt värde.
• Crown Jewel: AI levererar produktivitet och vetenskapliga genombrott, men bara till de organisationer som kan betala för det – vilket leder till en tvåhastighetsvärld inom R&D&I.
• Problem Child: Trots några hallmärkesanvändningsfall 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 riskaverse. Lågt förtroende och byråkrati begränsar antagandet med få nya djärva experiment lanserade.
• Billig & Skräp: AI används i bred utsträckning i lågriskanvändningsfall, men bara som ett prototyperings- eller brainstormingverktyg. Otronliga system är strikt granskade, och utdata verifieras, vilket begränsar produktivitetstillväxten.

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

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

I vissa situationer möjliggör AI redan dubbel-siffrig förbättring av tid, kostnader och effektivitet i formulerings-, produktutvecklings-, underrättelse- 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 ge kompetens till talang, säkerställa att arbetskraften har utbildning och expertis för att utnyttja AI, om nödvändigt underleverantörer till externa leverantörer på medellång sikt
• Kontrollera AI-genererat innehåll, uppdatera riskhanteringsprocesser och dela valideringsmetoder 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-antagning
• Träna för långsiktiga mål, utbilda den bredaste möjliga användarpopulationen om både AI-grunder, nödvändiga färdigheter och potentiella risker
• Omstrukturera organisation och styrning, flytta bortom IT för att ge en senior nivå 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 som är anpassade till 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 marknadsunderrättelser, och sammanhanget i vilket organisationer verkar.

Varje stadium i forsknings-, utvecklings- och innovationsvärdekedjan kan potentiellt förvandlas genom AI, förstärka mänskliga forskare för att förvandla produktivitet och möjliggöra banbrytande innovation. Dessa möjligheter måste 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.

Den här artikeln skrevs med hjälp av Albert Meige, Zoe Huczok, Arnaud Siraudin och Arthur D. Little.