Giao hàng tác động từ Trí tuệ nhân tạo trong Nghiên cứu, Phát triển và Đổi mới

Trí tuệ nhân tạo (AI) đang chuyển đổi nghiên cứu, phát triển và đổi mới (R&D&I), mở ra những khả năng mới để giải quyết một số thách thức quan trọng nhất của thế giới, bao gồm cả tính bền vững, chăm sóc sức khỏe, biến đổi khí hậu và an ninh lương thực và năng lượng, cũng như giúp các tổ chức đổi mới tốt hơn và ra mắt các sản phẩm và dịch vụ đột phá.

AI trong R&D&I không phải là mới. Tuy nhiên, sự xuất hiện của trí tuệ nhân tạo sinh (GenAI) và mô hình ngôn ngữ lớn (LLMs) đã tăng cường đáng kể khả năng của nó, đẩy nhanh các đột phá và đổi mới tổng thể.

Làm thế nào các tổ chức có thể tận dụng lợi thế của AI trong nỗ lực R&D&I của họ, và những phương pháp hay nhất để áp dụng để thúc đẩy thành công? Để tìm hiểu, Viện Blue Shift của Arthur D. Little (ADL) đã thực hiện một nghiên cứu toàn diện, phỏng vấn hơn 40 nhà cung cấp AI, chuyên gia và nhà thực hành, cũng như khảo sát hơn 200 tổ chức trong khu vực công và tư. Báo cáo kết quả, Eureka! trên Steroids: Nghiên cứu, Phát triển và Đổi mới được thúc đẩy bởi AI, cung cấp một phân tích sâu về hiện trạng và tương lai của AI trong nghiên cứu và đổi mới.

Phân tích của chúng tôi tập trung vào năm lĩnh vực chính:

AI mang lại lợi ích trên toàn bộ R&D&I – nhưng nó sẽ không thay thế con người

Mỗi khối xây dựng của R&D&I đều có thể được hưởng lợi từ AI, từ công nghệ và thông tin thị trường đến chiến lược đổi mới, ý tưởng, quản lý danh mục và dự án, và quản lý sở hữu trí tuệ. Khi chúng ta tìm hiểu những lợi ích này, ba yếu tố chính xuất hiện:

• AI sẽ hỗ trợ các nhà nghiên cứu, thay vì thay thế họ, giải phóng thời gian và cho phép họ trở nên năng suất và sáng tạo hơn
• AI giúp giải quyết các vấn đề không thể giải quyết trước đây do tốc độ và khả năng mở rộng và học hỏi của công nghệ, mở ra những con đường đổi mới mới
• AI sẽ đảm nhận vị trí “lập kế hoạch-nghĩ” sâu sắc hơn, vượt ra ngoài việc tạo nội dung và tìm kiếm để bao gồm các vai trò phức tạp hơn như quản lý kiến thức, tạo giả thuyết và hỗ trợ các đội R&D&I.

Khi quyết định sử dụng AI để giải quyết một trường hợp sử dụng R&D&I cụ thể, không có mô hình chung để triển khai. Để hiểu được phương pháp AI nào sẽ mang lại kết quả tốt nhất, các tổ chức cần tập trung vào hai yếu tố – loại và số lượng dữ liệu có sẵn (từ ít đến nhiều) và bản chất của câu hỏi được hỏi (từ mở đến cụ thể). Đồng thời, một phương pháp AI duy nhất có thể không mang lại kết quả tối ưu – hầu hết các hệ thống thông minh được tạo ra trong 15 năm qua đều là hệ thống của các hệ thống. Đây là những hệ thống AI độc lập, mô hình hoặc thuật toán được thiết kế cho các nhiệm vụ cụ thể, khi kết hợp, cung cấp chức năng và hiệu suất lớn hơn.

Thành công đòi hỏi tám phương pháp hay

Dựa trên các cuộc phỏng vấn với các nhà nghiên cứu, nhà khoa học AI, người sáng lập và trưởng nhóm R&D trong các đội kỹ thuật số, sản xuất, tiếp thị và R&D, chúng tôi thấy tám phương pháp hay giúp triển khai AI thành công. Các tổ chức cần:

• Áp dụng phương pháp luận linh hoạt để các đội có thể làm việc nhanh chóng trong môi trường AI thay đổi nhanh
• Xây dựng nền tảng vững chắc bằng cách tập trung vào chất lượng dữ liệu, hợp tác trên toàn tổ chức và tận dụng dữ liệu độc quyền
• Đưa ra lựa chọn chiến lược giữa việc xây dựng, mua và tinh chỉnh mô hình, với phương pháp cuối cùng thường hiệu quả nhất
• Cân nhắc các yếu tố phân tích để đảm bảo tiến bộ trong các dự án chứng minh khái niệm, chẳng hạn như việc mua lại so với tổng hợp dữ liệu, độ chính xác so với độ nhớ và thiếu phù hợp so với quá phù hợp
• Hoạt động chủ động trong việc tận dụng tài năng khoa học dữ liệu có sẵn, bao gồm cả việc hợp tác với các tổ chức bên ngoài để có được kỹ năng cần thiết
• Đồng bộ hóa với IT để cân bằng giữa bảo mật và tuân thủ với tốc độ thí nghiệm
• Đемонstrate lợi ích nhanh chóng và có được sự đồng ý của người dùng để xây dựng niềm tin và mở khóa đầu tư thêm
• Giữ và theo dõi hiệu suất hệ thống liên tục, đặc biệt là xung quanh việc cải thiện mô hình

3. Các thành phần công nghệ đã được đưa vào vị trí

Giống như hầu hết các trường hợp sử dụng AI, chuỗi giá trị R&D&I bao gồm ba lớp – hạ tầng, nhà phát triển mô hình và ứng dụng.

Về mặt hạ tầng, chi phí triển khai và duy trì sức mạnh tính toán đủ là lớn, nhưng các nhà cung cấp lưu trữ ngày càng cung cấp các mô hình dịch vụ suy luận, chạy suy luận và truy vấn trong đám mây để loại bỏ nhu cầu về cơ sở hạ tầng trong nhà, giảm chi phí ban đầu và dân chủ hóa việc tiếp cận AI.

Chuỗi giá trị của AI trong R&D&I phụ thuộc rất nhiều vào các mô hình mã nguồn mở lớn từ các nhà cung cấp như Meta, Microsoft và Nvidia. Tuy nhiên, các nhà cung cấp nhỏ hơn, như Mistral và Cohere, cũng là một phần quan trọng của hệ sinh thái, cũng như các tổ chức học thuật.

Tại đầu cuối của chuỗi, các ứng dụng R&D&I chung và chuyên dụng đã được tạo ra để đáp ứng hầu hết các trường hợp sử dụng, với hơn 500 ứng dụng hiện có, bao gồm toàn bộ quá trình R&D&I.

Tương lai không rõ ràng – nhưng việc lập kế hoạch kịch bản giúp hiểu rõ

Làm thế nào AI trong R&D&I sẽ tiến hóa phụ thuộc vào kết quả của ba yếu tố chính – hiệu suất, niềm tin và chi phí. Kết hợp các yếu tố này dẫn đến sáu kịch bản tương lai hợp lý trên một phổ từ AI chuyển đổi mọi khía cạnh của R&D&I đến chỉ được sử dụng trong các trường hợp sử dụng có rủi ro thấp. Trên thang từ tác động tối đa đến tối thiểu, các kịch bản này là:

• Blockbuster: AI trở thành tâm điểm trong toàn bộ chu kỳ R&D, thay đổi tổ chức theo cách đó. Dữ liệu trở thành biên giới mới.
• Crowd-Pleaser: AI tiện lợi, phải chăng và được áp dụng cho các nhiệm vụ năng suất hàng ngày nhưng không đạt được giá trị khoa học/sáng tạo.
• Crown Jewel: AI mang lại năng suất và đột phá khoa học, nhưng chỉ cho các tổ chức có thể chi trả – dẫn đến một thế giới hai tốc độ trong R&D&I.
• Problem Child: Dù có một số trường hợp sử dụng nổi bật và các giải pháp phải chăng, AI không thể chứng minh giá trị của nó – các tổ chức R&D&I vẫn lo lắng về bảo mật dữ liệu, đạo đức và thiếu khả năng giải thích.
• Best-Kept Secret: Hiệu suất của AI được cải thiện, nhưng chi phí cao khiến các tổ chức trở nên thận trọng hơn. Thiếu niềm tin và băng đỏ hạn chế việc áp dụng với ít thí nghiệm táo bạo được khởi xướng.
• Cheap & Nasty: AI được sử dụng rộng rãi trong các trường hợp sử dụng có rủi ro thấp, nhưng chỉ như một công cụ nguyên mẫu hoặc não bộ. Các hệ thống không đáng tin cậy được kiểm tra nghiêm ngặt, và đầu ra được xác minh, hạn chế lợi ích về năng suất.

Hiểu rõ các kịch bản này là quan trọng đối với các tổ chức R&D&I khi họ vạch ra con đường phía trước cho việc áp dụng AI của họ.

Thời gian để các tổ chức R&D&I hành động là bây giờ

Trong một số trường hợp, AI đã cho phép cải thiện thời gian, chi phí và hiệu quả với hai con số trong việc tạo công thức, phát triển sản phẩm, thông tin và các nhiệm vụ R&D&I khác. Điều đó có nghĩa là không管 kịch bản nào xảy ra, sáu động thái không hối tiếc sẽ giúp các tổ chức R&D&I xây dựng khả năng phục hồi và tận dụng lợi ích của AI. Họ cần:

• Quản lý và trao quyền cho tài năng, đảm bảo lực lượng lao động có đào tạo và chuyên môn để khai thác AI, nếu cần thiết, thuê ngoài việc triển khai cho các nhà cung cấp bên ngoài trong thời gian ngắn
• Kiểm soát nội dung được tạo bởi AI, cập nhật các quy trình quản lý rủi ro và chia sẻ công khai các phương pháp xác minh để xây dựng niềm tin
• Xây dựng việc chia sẻ dữ liệu và hợp tác, làm việc với hệ sinh thái khu vực công và tư rộng lớn hơn để thúc đẩy việc áp dụng AI thành công
• Đào tạo cho đường dài, giáo dục dân số người dùng rộng nhất có thể về cả các nguyên tắc cơ bản của AI, kỹ năng cần thiết và rủi ro tiềm ẩn
• Tái cấu trúc tổ chức và quản trị, di chuyển nó vượt ra ngoài IT để đưa vào焦 điểm cấp cao và phá vỡ các silo để hợp tác suôn sẻ
• Đồng bộ hóa tài nguyên tính toán, làm việc với các đối tác hoặc chia sẻ tài nguyên bên trong để đáp ứng nhu cầu cơ sở hạ tầng hiện tại và tương lai một cách hiệu quả về chi phí

Ngoài những động thái không hối tiếc này, thành công sẽ đến từ việc tạo ra một danh mục đầu tư R&D&I dựa trên AI cân bằng với các mục tiêu doanh nghiệp. Điều này có nghĩa là xem xét phạm vi, chi phí và lợi ích của các trường hợp sử dụng AI cụ thể và sử dụng điều này để thúc đẩy tối ưu hóa danh mục dự án đổi mới. Các quyết định nên dựa trên các mục tiêu chiến lược, năng lực và thông tin thị trường, cũng như bối cảnh mà các tổ chức hoạt động.

Mọi giai đoạn của chuỗi giá trị nghiên cứu, phát triển và đổi mới đều có thể được chuyển đổi thông qua AI, tăng cường các nhà nghiên cứu con người để chuyển đổi năng suất và cho phép đổi mới đột phá. Những cơ hội này cần được cân bằng với một loạt các thách thức xung quanh hiệu suất, niềm tin và chi phí, có nghĩa là các tổ chức phải tập trung ngay bây giờ để định vị nỗ lực R&D&I của họ về AI để đạt được thành công, bất kể tương lai mang lại.

Bài viết này được viết với sự hỗ trợ của Albert Meige, Zoe Huczok, Arnaud Siraudin và Arthur D. Little.