نوآوری، عامل محرک بسیاری از پیشرفت‌های چشمگیر و شگرفی است که بشریت قریب دو قرن است از آن بهره می‌برد اما همین نوآوری‌ها با خطرات و تهدیداتی نیز روبه‌روست، به طوری که به مرور زمان، نوآوری سخت‌تر و پرهزینه‌تر می‌شود. در تاریخ بشر، بهبود رفاه انسان از نسلی به نسل دیگر محدود بوده است، به عنوان مثال، سرانه تولید ناخالص داخلی را معیاری برای رفاه اقتصادی در نظر بگیرید. در بیشتر تاریخ بشر، تقریباً تا اوایل دهه 1800، این معیار به سختی به 1200 دلار می‌رسید. اما از آن زمان، این سرانه بیش از 14 برابر رشد و سلامت انسان نیز مسیر مشابهی را طی کرده، به طوری که قرن‌ها این سرانه پایین بوده و تنها در نسل‌های اخیر به شکل قابل‌توجهی بهبود یافته، به عنوان مثال، در سال 1900، میانگین امید به زندگی یک نوزاد 32 سال بود اما تا سال 2021، این میزان بیش از دو برابر شده و به 71 سال رسیده است.

افزایش عملکرد در بسیاری از حوزه‌ها به قیمت افزایش هزینه‌های تحقیق و توسعه تمام شده که در بخش‌های مختلفی قابل‌مشاهده است، به عنوان مثال، براساس مقالاتی که در سال 2020 منتشر شده، هزینه‌های R&D شرکت‌های تولید نیمه‌رسانا و تولید تجهیزات بین سال‌های 1971 تا 2014 حدود 18 برابر رشد داشته اما این رشد تنها محدود به نیمه‌رسانا‌ها نمی‌شود، بلکه صنعت دارویی زیستی نیز محصولات نوآورانه‌ای تولید کرده است که در نهایت به نفع مردم تمام می‌شود.

در عین حال که افزایش بهره‌وری R&D می‌تواند بسیاری از فرایند‌های تولیدی شرکت‌ها را توسعه دهد، کاهش آن به نوبه خود می‌تواند این روند را معکوس کند. درواقع چالش کاهش بهره‌وری R&D به عنوان مثال در صنعت داروسازی، بیانگر این واقعیت است که کشف دارو روند کندتر و در گذر زمان و گران قیمت‌تری را دربرمی‌گیرد. طبق مطالعات صورت گرفته، تعداد دارو‌های جدید تأیید شده به ازای هر میلیارد دلاری که صرف R&D می‌شود، بین سال‌های 1950 تا 2011 حدوداً هر 9 سال نصف شده و با احتساب تورم، حدوداً 80 برابر شده است. کاهش بهره‌وری R&D در سایر حوزه‌ها مانند کشاورزی نیز گزارش شده که در آن، بازده بالاتر برای چند نوع از غلات، سطح هزینه‌های R&D را افزایش می‌دهد. محققان با استفاده از داده‌های شرکتی در تمام بخش‌ها در آمریکا دریافته‌اند درمجموع، بهره‌وری R&D با ارزیابی خروجی‌ها شامل درآمد، ارزش بازار، استخدام، و درآمد به ازای هر کارمند کاهش یافت. در حالی که بیشتر شرکت‌ها کاهش بهره‌وری تحقیق و توسعه را تجربه کرده‌اند، 22 درصد از سازمان‌ها بهره‌وری پژوهشی خود را افزایش داده‌اند. هوش مصنوعی نه‌تنها می‌تواند منحنی رشد اقتصاد را صعودی کند، بلکه قادر است شانس حل برخی مهم‌ترین چالش‌های انسانی را بالا ببرد که از آن جمله می‌توان به جلوگیری از ابتلا به بیماری‌ها و درمان آن‌ها و نیز کاهش انتشار گاز‌های گلخانه‌ای اشاره کرد.

 

طی دهه‌های گذشته، محققان اذعان کرده‌اند هوش مصنوعی همراه شیوه‌های مدیریتی مکمل برای تغییر چگونگی عملکرد سازمان‌ها، قادر به ایجاد ارزش واقعی کسب‌وکار است. سازمان‌هایی که در این سال‌ها از قابلیت‌های هوش مصنوعی بهره‌مند شده‌اند، با افزایش درآمد ناشی از بازار هدفمند تا کاهش هزینه‌ها در عملیات‌های زنجیره تأمین روبه‌رو شده‌اند. از اواخر سال 2023 که ChatGPT متولد شد، درصد سازمان‌هایی که از هوش مصنوعی استفاده می‌کنند تا 20 درصد افزایش یافت. در این میان، شرکت‌هایی هم بوده‌اند که هوش مصنوعی مولد را در مواردی، از خدمات مشتری گرفته تا مهندسی نرم‌افزار استفاده می‌کردند. بیشتر این کاربرد‌های هوش مصنوعی با هدف بهبود اثربخشی وظایف و کار‌های فعلی انجام می‌شوند.

پژوهش‌ها نشان می‌دهد هوش مصنوعی همچنین می‌تواند برای تسریع نوآوری به منظور خلق خدمات و محصولات جدید مورد استفاده قرار گیرد. از این رو، هوش مصنوعی این پتانسیل را دارد که منحنی‌های بهره‌وری تحقیق و توسعه را تغییر دهد. محققان سه کانال اصلی را شناسایی کرده‌اند که از طریق آن‌ها فناوری‌های هوش مصنوعی می‌توانند نوآوری را تسریع کنند که هر کدام نوع مدل مربوط به خود را دارند؛ افزایش سرعت، حجم و تنوع تولید کاندیدا‌های طراحی؛ تسریع ارزیابی کاندیدا‌ها از طریق مدل‌های جایگزین هوش مصنوعی و تسریع عملیات تحقیقاتی.

 

یک مدل ساده‌سازی شده از فرایند R&D شامل شناسایی مجموعه‌ای از نیاز‌های مشتری، خلق طرح‌های موردنظر و سپس ارزیابی ایده‌هایی برای تعیین آن دسته از نیاز‌هایی که بیشتر به کار مشتریان می‌آید. یکی از بزرگ‌ترین فرصت‌ها برای هوش مصنوعی به منظور ارتقای نوآوری، تولید سریع‌تر حجم و تنوع بیشتری از طرح‌هایی است که کاندیدا هستند. فناوری هوش مصنوعی مولد به شبکه‌های عصبی شبیه‌سازی شده اطلاق می‌شود که براساس مجموعه‌های وسیع داده به کسب داده‌های غیرساختاریافته می‌پردازد. مدل‌های زبانی بزرگ (LLM) هم نوع شناخته‌شده‌ای از مدل‌ها را نشان می‌دهد که زیرساخت چت‌بات‌هایی را فراهم می‌کند که هوش مصنوعی مولد را تولید کرده است. DeepMind نوعی سیستم هوش مصنوعی را موسوم به AlphaGo عرضه کرده که یکی از پیچیده‌ترین بازی‌های دنیاست. این بازی، حرکت غیرمنتظره‌ای را انجام می‌دهد که خارج از حرکات تعبیه‌شده برای بازی بود. برخی سازمان‌های R&D، هوش مصنوعی را ایجادکننده ایده‌ای نوآورانه در محیط‌های آزمایشگاهی درنظر می‌گیرند، به عنوان مثال، یکی از محققان دانشگاه واشنگتن، مدیریت تیمی را برعهده گرفته‌اند تا با بهره‌مندی از مدل‌های یادگیری عمیق، پروتئین‌های جدیدی را تولید کنند. محققان پروتئین‌های جدید با مولکول‌های عملکردی پیچیده‌ای را ایجاد کرده‌اند که تاکنون در دنیا وجود نداشته است. در میان کاربرد‌های این پروتئین‌های طراحی شده، واکسن‌ها و دارو‌ها، حسگر‌های زیستی برای مواد خطرناک و عواملی برای به دام انداختن آلاینده‌های زیست محیطی را ایجاد کرده‌اند. توانایی استفاده از هوش مصنوعی برای ایجاد خلاقانه تنوعی از کاندیدا، نه‌تنها در سطح مولکولی، بلکه در رشته‌های مهندسی فیزیک نیز کاربرد دارد. مدل‌های هوش مصنوعی مولد در حال حاضر موتور‌های موشک را با هندسه‌های جدیدی به ویژه کانال‌های خنک‌کننده طراحی می‌کند که با پرینت سه‌بعدی تولید می‌شوند.

 

فعالیت تکمیلی در توسعه چرخه زیستی محصول، ارزیابی طرح‌های کاندیداست. این امر در محصولات فیزیکی، به معنای ساخت نمونه‌های اولیه و سپس قرار دادن آن‌ها در معرض مجموعه‌ای از آزمایش‌های فیزیکی است. دانشمندان و مهندسان طی سال‌ها، به توسعه مدل‌های ریاضیاتی و محاسباتی برای تحریک عملکرد برای سیستم‌های فیزیکی پرداخته‌اند. بنابراین، طراحان به جای قرار دادن طراحی هواپیما در تونل باد یا قرار دادن قایق مسابقه در آب، از «دینامیک محاسباتی سیالات» (CED) برای ارزیابی عملکرد تغییرات خاص استفاده می‌کنند. مهندسان به جای ساخت یک ساختار نمونه اولیه برای تعیین چگونگی طراحی عملکرد کاندیدا، قادرند از روش «تحلیل المان محدود» (FEA) برای پیش‌بینی نوع تأثیر نیرو‌ها بر یک ساختار استفاده کنند. درحالی‌که چنین مدل‌های ریاضیاتی مبتنی بر فیزیک در مقایسه با آزمایش‌های فیزیکی ارزان قیمت‌تر هستند، این شبیه‌سازی‌ها اغلب به لحاظ محاسباتی فشرده بوده و اجرای آن ساعت‌ها یا حتی روز‌ها به طول می‌انجامد. این مدل‌های جایگزین هوش مصنوعی نوع «تفکر» آدمی را تقلید نمی‌کنند، بلکه در عوض، نتایج پدیده‌های فیزیکی را در دنیا پیش‌بینی می‌کنند. زمانی که از این مدل‌ها برای پیش‌بینی رفتار یک سیستم کامل استفاده می‌شود، این مدل‌ها شبیه به یک دوقلوی دیجیتال عمل می‌کنند. برخی چالش‌های طراحی مستلزم ارزیابی و بهینه‌سازی طرح‌ها در چند پدیده فیزیکی است که با یکدیگر تعامل می‌کنند و به آن «مسائل چند فیزیکی» اطلاق می‌شود.

 

علاوه بر خلق و ارزیابی طرح‌های کاندیدا، چند روش دیگر هم وجود دارد که LLM‌ها در آن، گاه با سایر فناوری‌های هوش مصنوعی ترکیب شده و به منظور تسریع فعالیت‌های مختلف در فرایند توسعه محصول به کار می‌آیند.

شناسایی و تحلیل نیاز‌ها، محصولات و ویژگی‌های کاربر: راه حل‌های نرم‌افزاری مبتنی بر LLM از سوی کاربران برای سنتز دسته‌ای از نقد و بررسی محصولات، پست‌های رسانه‌های اجتماعی، رونوشت خدمات مشتریات و سایر منابع داده برای شناسایی بخش‌های بازار و دسته‌بندی محصول به کار می‌رود که نیاز‌های مشتریان را مدنظر قرار می‌دهد.

کشف و سنتز تحقیق و داده‌های موجود: در صنایعی چون علوم زیستی، شیمیایی و مواد، رشد سریع داده‌ها و پژوهش‌های منتشرشده دیده می‌شود. حجم داده‌های قابل بررسی توسط ماشین در حال افزایش است به طوری که رشد آن حتی سریع‌تر از مقالات منتشر شده است. ابزار‌هایی که توسط LLM‌ها و هوش مصنوعی تحلیلی ایجاد می‌شوند، قادرند هم برای آگاه‌سازی متخصصان حوزه نوآوری و هم برای پیشنهاد مسیر‌های بالقوه برای ایجاد راه‌حل‌های مختلف، پیش‌بینی‌هایی را از مقالات منتشر شده و پایگاه‌های داده ترکیب کنند. به عنوان مثال، گوگل، OpenAI، موتور جست‌وجوی «پرپلکسیتی» و آنتروپیک، محصولات مولد دانشی را عرضه کرده‌اند که چند کار پژوهشی را انجام می‌دهند که یکی از این کار‌ها صرفاً به دستیار پژوهشی محدود می‌شود.

ساده‌سازی مدیریت دانش داخلی: نه تنها افزایش تعداد مقالات و داده‌های عمومی، بلکه مشارکت کلان نیز حجم بالایی از پایگاه‌های داده دانشی و نیز دانش ضمنی را در مغز کارمندان تغییر می‌دهد. ابزار‌هایی که با LLM‌ها عمل می‌کنند می‌توانند دانش ضمنی خود را تغییر دهند. ابزار‌های شبیه به محصولات پژوهشی نیز می‌توانند به متخصصان توسعه محصول کمک کنند تا دانش مشارکتی مرتبطی را پیدا کنند که قادرند با داده‌هایی با منبع خارجی ترکیب شوند.

خودکار کردن وظایف مستندسازی: در بسیاری از فرایند‌های توسعه محصول به ویژه در صنایع تحت نظارت شدید مانند دارویی و تولید هواپیما، نیاز به دستیابی به اسناد مهمی احساس می‌شود. در اینجا، LLM‌ها فرایند تولید و سنتز این اسناد را تسهیل می‌کند.

مشارکت با انسان‌ها برای ایده‌سازی و توسعه مفهوم: مدیران محصول، دانشمندان، مهندسان، طراحان و سایر شرکت‌کنندگان در فرایند توسعه محصول قادرند برای ایده‌سازی از LLM‌ها بهره برده و از ایده‌های مطرح شده استفاده کرده و ایده‌های مطرح شده را به چالش بکشند. این تجربه‌ها، امکان مشارکت انسان و هوش مصنوعی را نشان می‌دهد اما مهارت انسان در استفاده از ابزار‌های هوش مصنوعی می‌تواند به طور قابل توجهی اثربخشی این مشارکت‌ها را تحت تأثیر قرار دهد.

 

پژوهش‌ها نشان می‌دهد هوش مصنوعی می‌تواند فرایند‌های R&D را در مجموعه‌ای از صنایعی تسریع کند که 80 درصد از هزینه‌های R&D شرکت‌های بزرگ را تشکیل می‌دهند. در صنایعی که محصولات آن‌ها از مالکیت فکری برخوردار بوده یا فرایند‌های R&D آن‌ها به اکتشافات علمی نزدیک‌اند، نرخ نوآوری به طور چشمگیری دوبرابر می‌شود. در صنایعی که محصولات پیچیده‌ای را تولید می‌کنند، فرایند‌های R&D بسته به نوع صنعت، بین 20 تا 80 درصد تسریع می‌شوند. درمجموع، تحلیل‌ها برآورد کرده‌اند که ارزش اقتصادی سالانه آن با استفاده از هوش مصنوعی برای تسریع نوآوری R&D مبلغی بین 360 تا 560 میلیارد دلار را دربرمی‌گیرد.

 

بازی‌های کامپیوتری و نرم‌افزار، جزء صنایعی هستند محصولات آن‌ها اساساً از مالکیت فکری تشکیل شده است. تمام اهرم‌های شتاب R&D مبتنی بر هوش مصنوعی، بدون نیاز به تولید یا ایجاد نمونه اولیه فیزیکی قادرند به طور مستقیم از آن بهره‌مند شوند. علاوه براین، کاربرد هوش مصنوعی مولد برای توسعه نرم‌افزار و خلق مفهوم بصری، جزء بالغ‌ترین موارد استفاده از فناوری هستند که می‌تواند دوبرابر شدن یا حتی بیشتر توان عملیاتی R&D را به دنبال داشته باشد. تأثیر هوش مصنوعی در این صنایع، از شتاب گرفتن فرایند تولید طرح‌ها در این مورد، کدگذاری کامپیوتری و تصویرسازی بازی نشئت می‌گیرد. تولید طرح‌های کاندید در این صنایع با پیشرفته‌ترین توانمندی‌های مدل‌های هوش مصنوعی مولد هماهنگی دارد. مدل‌های جدید هوش مصنوعی مولد به سرعت در تولید کدگذاری کامپیوتری پیشرفت کرده است. مدیران اجرایی گوگل و مایکروسافت در زمان نوشتن کد‌ها، برآورد کردند 30 درصد از مد‌های جدید ایجاد شده در این شرکت‌ها توسط هوش مصنوعی نوشته شده‌اند. بخش دیگر شامل توسعه بازی‌های کامپیوتری است که فراگیر بوده و دنیای مجازی را در قالب بازی ارائه می‌دهد. در این بازی‌ها، از LLM‌ها برای تولید تصاویر استفاده می‌شود.

 

مجموعه دیگری از صنایعی که استفاده از هوش مصنوعی در آن‌ها می‌تواند نوآوری را شتاب دهد، صنایعی هستند که فرایند توسعه محصول در آن‌ها بسیار به اکتشافات علمی نزدیک است که شامل صنایعی چون دارویی، شیمیایی، آلیاژ‌ها، کامپوزیت‌ها و مواد ساختمانی می‌شود. شرکت‌های پیشگام در صنعت دارویی در فرایند‌های R&D خود از هوش مصنوعی بهره می‌برند. این شرکت‌ها در حال آموزش، تطبیق و سفارشی‌سازی مدل‌های پایه برای شناسایی هدف مبتنی بر اومیکس (تعیین اینکه چه فرایند‌های مولکولی در یک بیماری می‌تواند برای کاهش اثرات آن تعدیل شود) و طراحی مولکولی سیلیکونی کاندیدای دارویی هستند. مدل‌های جایگزین هوش مصنوعی همچنین برای غربالگری درون رایانه‌ای، بهینه‌سازی مولکولی مبتنی بر پیش‌بینی‌های ساختاری و خواص و تجزیه و تحلیل‌های بالقوه پیش‌بالینی فارماکوکینتیک (آنچه بدن با دارو انجام می‌دهد) و فارماکودینامیک (آنچه دارو با بدن انجام می‌دهد) مورد استفاده قرار می‌گیرند. سایر کاربرد‌های هوش مصنوعی در فرایند کشف دارو شامل توانایی کاوش در پایگاه‌های داده و مقالات گسترده در این زمینه و به کارگیری روش‌هایی مانند دید رایانه‌ای برای امکان‌پذیر کردن غربالگری تجربی با توان عملیاتی بالا است. هوش مصنوعی همچنین این پتانسیل را دارد که هزینه کل کشف دارو را کاهش داده و احتمال موفقیت کاندیدا‌هایی را که به مرحله آزمایش بالینی می‌رسند افزایش دهد.

قابلیت شتاب گرفتن فرایند‌های R&D همچنین در صنایعی مانند شیمیایی، آلیاژ‌ها، کامپوزیت‌ها و مصالح ساختمانی که مواد را در قالب داده‌هایی در سایر صنایع تولید می‌کنند، بالاست، به عنوان مثال، شبیه‌سازی‌های جایگزین هوش مصنوعی، می‌توانند در مدل‌سازی فیزیکوشیمیایی برای پیش‌بینی و تحلیل ویژگی‌ها مورد استفاده قرار گیرند، به این صورت که به پیش‌بینی خواصی چون ساختار، استحکام، چقرمگی، شکل‌پذیری، نفوذپذیری،‌ رسانایی و مقاومت و خوردگی، بسته به نوع ماده و کاربرد مورد نظر آن کمک می‌کنند. این روش‌ها همچنین می‌توانند برای بهینه‌سازی فرایند‌های سنتز/ تولید این مواد مورد استفاده قرار گیرند. LLM‌ها می‌توانند مانند صنعت داروسازی، برای تجزیه و تحلیل بازار و کاوش در مقالات علمی و پایگاه‌های داده طی مرحله مفهوم‌سازی و مشخصات اولیه مورد استفاده قرار گیرند. به‌طور کلی، بالاترین حد شتاب توان عملیاتی از 75 درصد برای تحقیق و توسعه مواد شیمیایی تا بیش از 100 درصد برای کشف دارویی متغیر است.

 

صنایع محدودی وجود دارند که فرایند طراحی محصول در آن‌ها مستلزم به کارگیری رشته‌های مهندسی مختلفی چون الکترونیک، صنایع، فناوری پزشکی، نیمه‌رسانا‌ها، خودرو و صنعت هوانوردی تجاری است. طراحی یک هواپیمای تجاری یا یک خودرو در میان سایر حوزه‌ها، به دینامیک سازه، نیروی محرکه و سیستم‌های برقی نیز نیاز دارد. در حوزه الکترونیک، توسعه محصول نه تنها نیازمند درک مدار‌های الکتریکی و الکترونیکی است، بلکه قادر به پیش‌بینی و مدیریت ویژگی‌های حرارتی یک محصول است. از آنجا که نرم‌افزار به طور فزاینده‌ای در محصولات فیزیکی گنجانده شده و به بخش بزرگ‌تری از ارزش ارائه شده توسط آن‌ها تبدیل می‌شود، مهندسی نرم‌افزار در حال تبدیل شدن به یک قابلیت حیاتی است. در برخی صنایع، رعایت الزامات مستندسازی و گزارش‌دهی بسیار اهمیت دارد، به خصوص صنایعی که ملاحظات ایمنی و نظارتی در آن‌ها غالب است، مانند هوافضا، خودرو و فناوری پزشکی. LLM‌ها در برآورده کردن این الزامات به موقع و کارآمد کمک می‌کنند، مشروط بر اینکه خروجی‌های آن‌ها به طور مناسب اعتبارسنجی شود، مانند سایر صنایع، LLM‌ها و یادگیری ماشینی پیش‌بینی‌کننده می‌توانند در مراحل اولیه توسعه مفهوم با تحقیقات بازار و تدوین مشخصات محصول کمک کنند.

 

این دستاورد‌های بهره‌وری مبتنی بر هوش مصنوعی می‌تواند تأثیر اقتصادی واقعی را هم برای شرکت‌هایی که محصولات جدید تولید می‌کنند و هم برای مشتریان آن‌ها ایجاد کند. در مجموع، برآورد‌ها نشان می‌دهد با استفاده از هوش مصنوعی برای تسریع تحقیق و توسعه، می‌توان 360 تا 560 میلیارد دلار پتانسیل اقتصادی سالانه را آزاد کرد. صنایعی که بیشترین پتانسیل اقتصادی افزایشی را تجربه خواهند کرد، مانند داروسازی، نیمه‌رسانا‌ها و نرم‌افزار، پتانسیل بالایی برای تسریع فرایند‌های تحقیق و توسعه خود با استفاده از هوش مصنوعی دارند. در سایر صنایع مواد مبتنی بر علم مانند موادشیمیایی و آلیاژ‌ها، کامپوزیت‌ها و مصالح ساختمانی، پتانسیل اقتصادی استفاده از هوش مصنوعی در تحقیق و توسعه، به نسبت پایین‌تر است. این امر بیانگر این واقعیت است که در این صنایع، سهم قابل‌توجهی از درآمد از فروش محصولات کالایی موجود حاصل می‌شود، به عنوان مثال، صنعت مواد شیمیایی به تولید اتیلن، آمونیاک و موارد مشابه ادامه خواهد داد. در صورت عدم وجود تغییرات تحول‌آفرین در این صنایع، تأثیر تسریع تحقیق و توسعه اندک خواهد بود. در عوض، چنین صنایعی بیشترین بهره را از کاربرد هوش مصنوعی برای بهبود فرایند‌های تولید خود خواهند برد.

 

پیشرفت در علم و فناوری، هر چقدر هم چشمگیر باشد، به تنهایی نمی‌تواند اوضاع را تغییر دهد. تحقق پتانسیل استفاده از هوش مصنوعی برای تسریع نوآوری، نیازمند تغییرات سازمانی نیز خواهد بود. در این بخش، چهار اهرم کلیدی شناسایی شده است که رهبران باید در نظر بگیرند.

1- سریع حرکت کنید و به سرعت مقیاس‌پذیر شوید: در حالی که هوش مصنوعی به سرعت در حال پیشرفت است، در حال حاضر در شرکت‌ها نیز به کار ‌می‌روند. با وجود این، فناوری‌ها برای استفاده مؤثر نیاز به زمان و تلاش متمرکز دارند. افزایش سرعت یادگیری می‌تواند به شرکت‌ها کمک کند تا نسبت به دیگران مزیت رقابتی بیشتری به دست آورند. به این ترتیب، سرعت یک استراتژی است اما آزمایش‌های موفق تضمینی برای موفقیت نیستند و در این میان، بسیاری از شرکت‌ها در نهایت در برزخ آزمایش‌ها قرار می‌گیرند.

2- بازسازی سازمانی را فراتر از فناوری انجام دهید: رویه‌های سازمانی که زیربنای ارزش هستند، مستلزم به کارگیری از هوش مصنوعی‌اند و در این مسیر باید سازمان خود را دوباره بازسازی کنند که شامل بهره‌مندی از استراتژی‌ها؛ ساخت مدل‌های سازمانی و استعداد‌های مناسب؛ پذیرش و مقیاس‌بندی و مدیریت تغییر و حاکمیت می‌شود، حتی بدون بهره‌مندی از هوش مصنوعی، تفاوت‌های چشمگیری در توان عملیاتی R&D بین رقبای جهانی در صنایع واحد وجود دارد. درواقع بازسازی سازمانی R&D برای هوش مصنوعی، فرصتی برای دستیابی به بهبود تغییر در عملکرد شرکت‌هاست.

3- صلاحیت اصلی را حول محور مدل‌ها ایجاد کنید: مدل‌های هوش مصنوعی که برای خلق و ارزیابی کاندیدای طراحی مورد استفاده قرار می‌گیرند، برای استفاده از این فناوری برای شتاب در فرایند‌های R&D حیاتی هستند. از این رو، صلاحیت اصلی، شامل ارزیابی، ادغام، آموزش و سازگاری حول محور مدل‌ها و حتی مدل‌های داخلی آموزش دیده به عنوان بخشی از فرایند R&D است.

4- در فرایند گنجاندن افراد در چرخه R&D با ملاحظه عمل کنید: در حالی که سناریو‌های جذابی وجود دارند که در آن، R&D کاملاً خودکار عمل می‌کند، برای آینده قابل پیش‌بینی در بیشتر صنایعی که مورد تجزیه و تحلیل قرار گرفته‌اند، افراد نقش‌های مهمی را در فرایند R&D ایفا می‌کنند اما این نقش‌ها در آینده هوش مصنوعی تغییراتی را ایجاد می‌کنند که مستلزم کسب دوباره مهارت هاست. سازمان‌ها باید تشخیص دهند چه زمانی افراد را وارد چرخه فرایند R&D کنند. درواقع به کارگیری از این فناوری‌ها، ارزش به کارگیری کارکنان و تجربه کار را در آن‌ها تحت‌تأثیر قرار می‌دهد.