Kembangkan Dampak dari Kecerdasan Buatan dalam Penelitian, Pengembangan, dan Inovasi
Kecerdasan Buatan (AI) sedang mengubah penelitian, pengembangan, dan inovasi (R&D&I), membuka kemungkinan baru untuk mengatasi beberapa tantangan paling mendesak di dunia, termasuk keberlanjutan, perawatan kesehatan, perubahan iklim, dan keamanan pangan dan energi, serta membantu organisasi untuk berinovasi dengan lebih baik dan meluncurkan produk dan layanan terobosan.
AI dalam R&D&I bukanlah hal yang baru. Namun, munculnya kecerdasan buatan generatif (GenAI) dan model bahasa besar (LLMs) telah secara signifikan meningkatkan kemampuannya, mempercepat terobosan dan inovasi secara keseluruhan.
Bagaimana organisasi dapat mendapatkan manfaat dari AI dalam upaya R&D&I mereka, dan praktik terbaik apa yang harus diadopsi untuk mencapai kesuksesan? Untuk mengetahuinya, Institut Blue Shift Arthur D. Little (ADL) melakukan studi komprehensif dengan mewawancarai lebih dari 40 penyedia AI, ahli, dan praktisi, serta melakukan survei terhadap lebih dari 200 organisasi di sektor publik dan swasta. Laporan yang dihasilkan, Eureka! on Steroids: AI-driven Research, Development, and Innovation, menawarkan analisis mendalam tentang lanskap saat ini dan lintasan masa depan AI dalam penelitian dan inovasi.
Analisis kami fokus pada lima area kunci:
1. AI memberikan manfaat di seluruh R&D&I – namun tidak akan menggantikan manusia
Setiap elemen pembangunan R&D&I dapat mendapatkan manfaat dari AI, mulai dari kecerdasan teknologi dan pasar hingga strategi inovasi, ideasi, manajemen portofolio dan proyek, dan manajemen IP. Ketika kita mencari untuk memahami manfaat ini, tiga faktor kunci muncul:
– AI akan memperkuat peneliti, bukan menggantikan mereka, membebaskan waktu mereka, dan memungkinkan mereka menjadi lebih produktif dan kreatif
– AI membantu menyelesaikan masalah yang tidak bisa dicoba sebelumnya karena kecepatan teknologi dan kemampuan untuk berkembang dan belajar, membuka jalur inovasi baru
– AI akan mengambil posisi “perencana-pemikir”, bergerak melampaui generasi konten dan pencarian untuk mencakup peran yang lebih kompleks seperti menjadi manajer pengetahuan, pembangkit hipotesis, dan asisten bagi tim R&D&I.
Ketika memutuskan apakah akan menggunakan AI untuk menyelesaikan kasus penggunaan R&D&I tertentu, tidak ada model yang dapat digunakan secara umum. Untuk memahami pendekatan AI mana yang akan memberikan hasil terbaik, organisasi perlu fokus pada dua faktor – tipe dan jumlah data yang tersedia (sedikit atau banyak) dan sifat pertanyaan yang diajukan (dari terbuka hingga spesifik). Pada saat yang sama, pendekatan AI tunggal mungkin tidak memberikan hasil optimal — sebagian besar sistem cerdas terbaru yang dihasilkan dalam 15 tahun terakhir telah menjadi sistem dari sistem. Ini adalah sistem, model, atau algoritma AI independen yang dirancang untuk tugas tertentu, yang ketika digabungkan, menawarkan fungsionalitas dan kinerja yang lebih baik.
2. Keberhasilan memerlukan delapan praktik baik
Berdasarkan wawancara dengan peneliti, ilmuwan AI, pendiri, dan kepala R&D di tim digital, manufaktur, pemasaran, dan R&D kami melihat delapan praktik baik yang mendasari implementasi AI yang sukses. Organisasi perlu:
– Mengadopsi metodologi agile agar tim dapat bekerja dengan cepat dalam lingkungan AI yang cepat berubah
– Membangun fondasi yang kokoh dengan memfokuskan pada kualitas data, kolaborasi di seluruh organisasi, dan memanfaatkan data properti
– Membuat pilihan strategis antara membangun, membeli, dan menyempurnakan model, dengan pendekatan terakhir seringkali yang paling efektif
– Mempertimbangkan trade-off analitis untuk memastikan kemajuan selama proyek proof-of-concept, seperti seputar pengadaan versus mensintesis data, ketepatan versus recall, dan underfitting versus overfitting
– Bersikap proaktif dalam memanfaatkan bakat sains data yang tersedia, termasuk bermitra di luar organisasi untuk memperoleh keterampilan yang diperlukan
– Berkomunikasi dengan IT untuk menyeimbangkan keamanan dan kepatuhan dengan kecepatan eksperimen
– Mendemonstrasikan manfaat dengan cepat dan mendapatkan dukungan pengguna untuk membangun kepercayaan dan membuka investasi lebih lanjut
– Memelihara dan memantau kinerja sistem secara kontinu, terutama seputar perbaikan model
3. Komponen teknologi telah siap
Seperti kebanyakan kasus penggunaan AI, rantai nilai R&D&I terdiri dari tiga lapisan – infrastruktur, pengembang model, dan aplikasi.
Dalam hal infrastruktur, biaya untuk menerapkan dan memelihara kekuatan komputasi yang cukup besar, tetapi penyedia hosting semakin menawarkan model inference-as-a-service, menjalankan inferensi dan kueri di cloud untuk menghilangkan kebutuhan akan infrastruktur internal, menurunkan biaya awal dan demokratisasi akses ke AI.
Rantai nilai AI dalam R&D&I sangat bergantung pada model open source utama dari pemain seperti Meta, Microsoft, dan Nvidia. Namun, pemain kecil, seperti Mistral dan Cohere, juga merupakan bagian kunci dari ekosistem, begitu pula lembaga akademis.
Di ujung aplikasi rantai, aplikasi R&D&I umum dan khusus telah dibuat untuk memenuhi kebanyakan kasus penggunaan, dengan lebih dari 500 kini tersedia, mencakup seluruh proses R&D&I.
4. Masa depan tidak pasti – tetapi perencanaan skenario membantu pemahaman
Bagaimana AI dalam R&D&I akan berkembang tergantung pada hasil dari tiga faktor utama – kinerja, kepercayaan, dan keterjangkauan. Menggabungkan faktor ini mengarah pada enam skenario masa depan yang mungkin dalam spektrum antara AI mengubah setiap aspek R&D&I hingga digunakan hanya dalam kasus penggunaan selektif dan berisiko rendah. Pada skala dari dampak maksimum hingga minimum, skenario-skenario ini adalah:
– Blockbuster: AI menjadi top of mind di seluruh siklus R&D, merombak organisasi sepanjang jalan. Data menjadi medan baru.
– Crowd-Pleaser: AI nyaman, terjangkau, dan diadopsi untuk tugas produktivitas sehari-hari namun gagal memberikan nilai ilmiah/kreatif.
– Crown Jewel: AI memberikan produktivitas dan terobosan ilmiah, tetapi hanya kepada organisasi yang mampu – menyebabkan dunia dua kecepatan dalam R&D&I.
– Problem Child: Meskipun ada beberapa kasus penggunaan andalan dan solusi terjangkau, AI gagal mendemonstrasikan nilai-nilainya – organisasi R&D&I tetap khawatir tentang keamanan data, deontologi, dan kurangnya interpretabilitas.
– Best-Kept Secret: Kinerja AI meningkat, tetapi biaya tinggi membuat organisasi lebih berhati-hati terhadap risiko. Kepercayaan yang rendah dan birokrasi membatasi adopsi dengan sedikit eksperimen baru yang berani diluncurkan.
– Cheap & Nasty: AI digunakan secara luas dalam kasus penggunaan berisiko rendah, tetapi hanya sebagai alat prototyping atau brainstorming. Sistem yang tidak dapat dipercaya ketat divalidasi, dan output diverifikasi, membatasi keuntungan produktivitas.
Memahami skenario-skenario ini penting bagi organisasi R&D&I saat mereka merancang cara maju untuk adopsi AI mereka.
5. Waktunya bagi organisasi R&D&I untuk bertindak adalah sekarang
Dalam beberapa situasi, AI sudah memungkinkan peningkatan dua digit dalam waktu, biaya, dan efisiensi dalam formulasi, pengembangan produk, kecerdasan, dan tugas R&D&I lainnya. Itu berarti tidak peduli skenario mana yang terjadi, enam langkah tanpa penyesalan akan membantu organisasi R&D&I membangun ketangguhan dan memanfaatkan manfaat AI. Mereka perlu:
– Mengelola dan memberdayakan bakat, memastikan tenaga kerja memiliki pelatihan dan keahlian untuk memanfaatkan AI, jika perlu mengontrak pelaksanaan kepada penyedia eksternal dalam jangka menengah
– Mengontrol konten yang dihasilkan AI, memperbarui proses manajemen risiko dan berbagi metodologi validasi secara publik untuk membangun kepercayaan
– Membangun berbagi data dan kolaborasi, bekerja dengan ekosistem sektor publik dan swasta yang lebih luas untuk mendorong adopsi AI yang sukses
– Melatih untuk jangka panjang, mendidik populasi pengguna yang sebesar mungkin tentang dasar-dasar AI, keterampilan yang diperlukan, dan risiko potensial
– Memikir ulang organisasi dan tata kelola, menggerakkannya melampaui IT untuk memberikan fokus level senior dan memecah silo untuk memperlancar kolaborasi
– Memutuskan sumber daya komputasi, bekerja dengan mitra atau berbagi sumber daya secara internal untuk memenuhi kebutuhan infrastruktur saat ini dan masa depan dengan biaya efektif.
Di luar langkah-langkah tanpa penyesalan ini, kesuksesan akan datang dari menciptakan portofolio seimbang dari investasi R&D&I berbasis AI yang sesuai dengan tujuan perusahaan. Ini berarti mempertimbangkan cakupan, biaya, dan manfaat kasus penggunaan AI tertentu dan menggunakan ini untuk mendorong optimisasi portofolio proyek inovasi. Keputusan harus didasarkan pada tujuan strategis, kemampuan, dan intelijen pasar, serta konteks di mana organisasi beroperasi.
Setiap tahap rantai nilai penelitian, pengembangan, dan inovasi dapat berpotensi diubah melalui AI, memperkuat para peneliti manusia untuk mengubah produktivitas dan memungkinkan terobosan inovatif. Peluang-peluang ini perlu seimbang dengan sejumlah tantangan seputar kinerja, kepercayaan, dan keterjangkauan, yang berarti organisasi harus fokus sekarang untuk menempatkan upaya AI R&D&I mereka agar memberikan kesuksesan, apa pun yang akan terjadi di masa depan.
Artikel ini ditulis dengan bantuan Albert Meige, Zoe Huczok, Arnaud Siraudin, dan Arthur D. Little.
—
Dengan gambar yang sesuai dengan judul, artikel ini dapat menarik perhatian pembaca dan memberikan gambaran yang lebih jelas terkait penerapan AI dalam R&D&I. Diharapkan informasi yang disajikan dapat memberikan wawasan yang berguna bagi pembaca dalam memahami potensi dan tantangan dalam mengadopsi kecerdasan buatan dalam konteks penelitian, pengembangan, dan inovasi.