Науки о жизни. McKinsey & Company – Listen to the article: Scaling gen AI in the life sciences industry
Пилотные проекты на базе искусственного интеллекта показали себя многообещающими, но для того, чтобы технология обеспечила преобразующую ценность бизнеса в отрасли наук о жизни, организациям необходимо переосмыслить способы ее масштабирования.
Еще в июле 2023 года исследователи McKinsey Global Institute подсчитали, что ИИ-технологии могут принести от 60 до 110 миллиардов долларов в год в виде экономической ценности для фармацевтической и медицинской промышленности, повысив производительность и инновации в областях по всей цепочке создания стоимости отрасли — от способа открытия новых методов лечения до того, как они продаются и назначаются врачами. Шесть месяцев спустя эксперты McKinsey углубились в эти цифры , выявив более 20 вариантов использования с наибольшим потенциалом для краткосрочного воздействия.
Теперь, когда в бизнес-сообществе распространяется все больше вариантов использования ИИ-гена, мы решили выяснить, насколько продвинулись организации, работающие в области естественных наук, в освоении этой ценности. В конце лета 2024 года мы опросили более 100 руководителей фармацевтических и медицинских технологий, ответственных за реализацию усилий своих организаций в области ИИ-гена. Все респонденты сообщили, что экспериментировали с ИИ-геном, а 32 процента заявили, что предприняли шаги по масштабированию технологии. Но только 5 процентов заявили, что осознали, что ИИ-ген является конкурентным преимуществом, которое создает постоянную и значительную финансовую ценность (Приложение 1). Тем не менее, компании по-прежнему оптимистично настроены в отношении ИИ-гена, и более двух третей респондентов заявили, что планируют значительно увеличить инвестиции в эту технологию (Приложение 2).
Почему так много организаций в области естественных наук испытывают трудности с получением результатов от своих внедрений искусственного интеллекта? И что меньшинство лучших компаний делает по-другому? В этой статье раскрываются наиболее распространенные подводные камни, с которыми сталкиваются компании в области естественных наук, и предлагаются решения, которые могут помочь организациям перейти от пилотного чистилища к созданию реальной ценности для бизнеса в масштабе.
Основные проблемы масштабирования искусственного интеллекта в науках о жизни
На основе нашего опроса и опыта мы выделили пять ключевых областей, которые представляют трудности для компаний в области естественных наук, пытающихся извлечь общекорпоративную выгоду из искусственного интеллекта: стратегия искусственного интеллекта, планирование талантов, операционная модель и структура управления, управление изменениями и риски (Приложение 3).
Проблема 1: Неоднозначная, недальновидная или несуществующая стратегия корпоративного поколения искусственного интеллекта. Около 75 процентов респондентов утверждают, что их организациям не хватает всеобъемлющего видения для поколения ИИ или намеренно разработанной стратегической дорожной карты с четко определенными мерами успеха, связанными с приоритетами бизнеса. Вместо этого они склонны действовать децентрализованно, от случая к случаю. Этот инстинкт извлечения краткосрочной выгоды посредством экспериментов в сочетании с федеративной/функциональной структурой многих организаций в области естественных наук объясняет многие проблемы, с которыми сталкиваются организации при масштабировании.
Исследование McKinsey показало, что цифровые преобразования редко бывают успешными, если руководители высшего звена не объединены вокруг дорожной карты, ориентированной на бизнес. Без намеренной стратегической позиции в отношении поколения ИИ — будь то мандат сверху вниз или скоординированная корпоративная дорожная карта, управляемая центром передового опыта — отдельные бизнес-подразделения вынуждены самостоятельно ориентироваться в постоянно меняющемся технологическом ландшафте, преследуя множество новых идей вариантов использования, которые, какими бы убедительными они ни были, часто не складываются в стратегию, которая обеспечивает реальную ценность.
Проблема 2: Отсутствие планирования и повышения квалификации талантов
В большинстве компаний в области естественных наук существующий пул технических талантов представляет собой традиционный набор инструментов для ИТ, науки о данных и разработки продуктов. К сожалению, традиционные подходы к техническим талантам не способны обеспечить качество и производительность решений корпоративного уровня, необходимых для ИИ-поколения, например, архитектуры на основе агентов, проверки моделей, операций с большими языковыми моделями (LLM) и тонкой настройки моделей. Но только 6 процентов респондентов опроса сообщили, что провели оценку талантов на основе навыков, чтобы определить, как развить свою стратегию талантов в ту, которая учитывает приоритеты ИИ-поколения.
Инженерные подсказки стали ключевым пробелом, особенно для более сложных приложений ИИ-гена. Например, одна компания, занимающаяся биотехнологиями, пыталась использовать ИИ-ген для составления нормативных документов, но обнаружила, что инженерам-подсказчикам требуется уникальное сочетание знаний в области регулирования и инженерной строгости для создания масштабируемых подсказок, которые генерируют готовые к отправке результаты — особая необходимость, которая делала эту роль особенно сложной для заполнения.
Проблема 3: Нечетко определенная операционная модель и управление
Одной из распространенных проблем, с которой сталкиваются лидеры, является создание правильной операционной модели для трансформации поколения ИИ, часто выбирая между двумя крайностями. На одном конце спектра находится высоко децентрализованный подход, при котором организация одновременно запускает несколько пилотных вариантов использования. Хотя это позволяет компаниям двигаться быстро, это также приводит к проблемам с качеством, стоимостью и устойчивостью и создает операционную разрозненность, которая препятствует обмену знаниями и возможности получения синергии затрат. На противоположном конце находится подход сверху вниз с централизованным принятием решений и поэтапным развертыванием вариантов использования. Этот подход может быть медленным и часто разочаровывающим, разрушая импульс. Одна компания колебалась между ними. Она начала свои усилия по созданию ИИ-поколения, запустив 1500 различных вариантов использования. Когда это оказалось неподъемным, руководители компании ввели вертикальную структуру управления, что привело к другому набору проблем, ограничив инновационный конвейер проектами, требующими сложного процесса утверждения, который длился около двух-трех месяцев.
Проблема 4: Недооценка необходимости перестройки процессов для увеличения масштаба
Чтобы добиться успеха с ИИ-технологиями, компании должны интегрировать технологию в сложные рабочие процессы, чтобы способствовать принятию и влиянию — реальность, которая подчеркивает необходимость эффективного управления изменениями. McKinsey обнаружила, что 70 процентов цифровых преобразований терпят неудачу не из-за технических проблем, а потому, что руководители игнорируют важность управления изменениями. Фактически, на каждый доллар, потраченный на технологию, требуется 5 долларов для управления изменениями, чтобы успешно стимулировать наращивание возможностей, принятие, поддержку и получение ценности с течением времени.
Одна компания запустила функцию центра передового опыта, чтобы инициировать широкую платформу искусственного интеллекта для ряда вариантов использования, но не смогла представить убедительную историю изменений, которая сопровождала бы эти инициативы. Эта неудача в сочетании с отсутствием целостного, сквозного планирования и мышления привела к появлению набора инструментов искусственного интеллекта, которые в итоге почти никто не использовал.
Проблема 5: Неадекватное понимание риска
Gen AI вносит уникальные риски , от галлюцинаций и точности до предвзятости и защиты интеллектуальной собственности. Но 35 процентов респондентов опроса сообщают, что проводят менее десяти часов со своими коллегами по риску, что ограничивает степень сотрудничества с этими важнейшими функциями. Эта динамика должна развиваться для масштабирования gen AI. Успешное масштабирование требует, чтобы руководители бизнеса, технологические команды и специалисты по управлению рисками общались с самого начала; отсутствие такого сотрудничества может привести к возникновению проблем на поздних этапах игры, когда их гораздо сложнее исправить, или к несоблюдению ограничений риска и соответствия, которые имеют решающее значение для укрепления доверия в организации.
Например, одна компания потратила несколько месяцев на разработку внешнего решения ИИ-гена, но была вынуждена отменить запуск из-за отсутствия согласованности с ее цифровыми, медицинскими и юридическими командами, что вызвало серьезные проблемы с рисками после разработки инструмента. Это привело к серьезному откату назад от повестки дня, морального духа и импульса команды ИИ-гена.
Решение: план из пяти пунктов по извлечению выгоды из искусственного интеллекта
Успешное масштабирование ИИ-поколения и реализация его ценностного потенциала требует большего, чем просто технологическое развертывание. Эффективная стратегия ИИ-поколения принципиально отличается от традиционных технологических проектов. Учитывая быстрый темп инноваций, стратегия ИИ-поколения должна быть динамичной, основанной на сценариях и ориентированной на то, как взаимодействовать с более широкой экосистемой. Масштабирование ИИ-поколения подразумевает комплексные изменения в организации, охватывающие стратегию, таланты, управление и управление рисками. На основе нашего опыта мы определили пять ключевых стратегий для перехода от вариантов использования ИИ поколения к внедрению в масштабах предприятия. Эти действия гарантируют, что организации не только экспериментируют с технологией, но и полностью интегрируют ее в свои операции для получения измеримой бизнес-ценности.
Примите подход, основанный на домене. Успешная стратегия ИИ не может основываться на множестве разрозненных вариантов использования, что часто приводит к фрагментированным усилиям и упущенным возможностям. Вместо этого фокус должен сместиться на трансформации, основанные на домене, где ИИ-генерал применяется для фундаментального изменения критических областей бизнеса, таких как коммерческие, медицинские или научно-исследовательские домены. Тридцать восемь процентов опрошенных организаций в области естественных наук называют исследования своим ведущим стратегическим приоритетом в своем путешествии по ИИ-генералу, за ними следует коммерческая сфера с 28 процентами (Приложение 4). Этот подход, ориентированный на домен, гарантирует, что ИИ-ген — это не просто еще одно техническое решение, а основной фактор бизнес-трансформации. Вместо того чтобы сосредотачиваться на технологиях ради технологий, организации, которые отдают приоритет доменным трансформациям, лучше подготовлены к получению полной выгоды от ИИ. Важно отметить, что не существует такой вещи, как отдельная стратегия ИИ-ген. Реальное внимание должно быть уделено развертыванию ИИ-ген для поддержки более широких бизнес-целей, достижению стратегических целей и созданию дифференциации на рынке. Организации, которые рассматривают технологию через призму бизнеса, добились большего успеха в масштабировании инициатив ИИ.
Трансформация ИИ охватывает не только технологии. Масштабирование поколения ИИ — это не просто вопрос внедрения новой технологии; это вопрос перестройки операционной модели и культуры организации для поддержки новых методов работы, основанных на ИИ. Это распространяется и на стратегии в области талантов: рабочая сила должна выйти за рамки традиционных ролей в области науки о данных ИТ, чтобы включить новые навыки — инженерию ИИ, тонкую настройку большой языковой модели и бизнес-перевод — чтобы преодолеть разрыв между техническим исполнением и получением деловой ценности. Без комплексной перестройки талантов организации будут менее успешными в масштабировании своих усилий по созданию поколения ИИ. Кроме того, внедрение поколения ИИ должно приносить измеримую ценность. Для этого требуется четкое предварительное соглашение о том, как будет получена ценность, например, за счет ускорения времени выхода на рынок, повышения производительности или повышения вероятности успеха.
Например, одна компания в области естественных наук запустила программу повышения квалификации и планирования талантов на предприятии с целевыми инициативами для деловых и технических ролей. Программа также ввела специальные руководящие роли, ориентированные на ИИ-ген, в критических функциях для обеспечения устойчивых организационных изменений. При наличии соответствующих талантов и руководства инициативы компании в области ИИ-гена шли гораздо более гладко, чем могли бы в противном случае.
Примите экосистемный подход. В быстро развивающейся экосистеме ИИ стратегия партнерства, ориентированная на внешние факторы, имеет решающее значение. Учитывая скорость, с которой развиваются технологии и методологии ИИ, организациям в области естественных наук следует рассмотреть возможность создания сети недорогих партнерств с высокой степенью опциональности. Эти партнерства могут обеспечить гибкость и дать организациям возможность быстро менять курс и использовать возможности по мере их возникновения. Организациям также следует установить четкие «триггеры», которые указывают, когда пора переходить от исследовательских партнерств к более крупным стратегическим ставкам. Это гарантирует, что бизнес останется гибким и сможет масштабировать или изменять свои инвестиции в ИИ на основе информации в реальном времени и движений рынка. Взаимодействие с более широкой экосистемой, включая академические круги, технологии и венчурный капитал, также необходимо для того, чтобы оставаться в курсе последних разработок. Опираться исключительно на внутренние возможности уже недостаточно, чтобы оставаться конкурентоспособными в сфере ИИ. Динамичный, внешне ориентированный взгляд гарантирует, что компании будут опережать события и использовать всю ценность инноваций поколения ИИ.
Разверните подход, основанный на платформе, с самого начала. Подход, основанный на платформе, является ключом к обеспечению масштабируемости, устойчивости и возможности повторного использования инициатив ИИ поколения в различных бизнес-доменах. Масштабируемая платформа ИИ позволяет организациям стандартизировать инфраструктуру, конвейеры данных и процессы разработки, гарантируя, что каждый новый вариант использования будет основываться на предыдущем. Это также может помочь сократить дублирование усилий, стимулировать сотрудничество между бизнес-подразделениями и способствовать согласованности в производительности ИИ во всей организации. Более того, подход, основанный на платформе, гарантирует, что модели ИИ не будут разрабатываться изолированно, а будут интегрированы в единую структуру, что позволит адаптировать их и повторно использовать в различных бизнес-доменах. Это не только снижает затраты, но и ускоряет время получения ценности, поскольку идеи из одного домена могут быть применены к другому. Одна компания из сферы естественных наук добилась успеха, следуя мантре: «Замедлиться, чтобы ускориться». Компания потратила три месяца на определение подробного плана для платформ анализа и документирования. Это позволило повторно использовать компоненты в каждой платформе, что позволило быстро масштабировать варианты использования.
Внедрите управление рисками в полный цикл разработки продукта. Одна из распространенных ошибок, которую организации совершают в отношении ИИ-поколения, — это отношение к управлению рисками как к чему-то второстепенному или как к препятствию для инноваций. Фактически, управление рисками должно быть внедрено на протяжении всего жизненного цикла продукта ИИ-поколения. ИИ-поколение вносит уникальные риски, такие как галлюцинации, предвзятость, безопасность данных и проблемы интеллектуальной собственности, которые требуют тщательного надзора. Чтобы обеспечить эффективное управление этими рисками, руководители предприятий и отделы рисков и соответствия должны регулярно сотрудничать. Организациям следует на раннем этапе установить четкие рамки управления и обеспечить наличие этических принципов для решения проблем, связанных с честностью, прозрачностью и подотчетностью ИИ.
Учитывая высокие нормативные требования в области естественных наук, организациям следует уделять больше внимания управлению рисками. Одна организация заранее определила защитные барьеры, необходимые для учета меняющихся правил (например, Закон ЕС об искусственном интеллекте) и технологических ограничений (например, вероятностный характер моделей). Организация установила четкие, ответственные требования к искусственному интеллекту, включая обязательную наблюдаемость, протоколы валидации и руководящие принципы человеческого участия, которые были определены до начала разработки продукта.
Как может выглядеть комплексная трансформация
Как выглядит успешная инициатива ИИ-гена? Рассмотрим одну компанию из сферы естественных наук, которая рано распознала возможности ИИ-гена и приступила к комплексной трансформации в различных областях. Руководители компании созвали целевую группу высшего звена для управления общей стратегией ИИ-гена, создали руководящие органы в областях НИОКР, коммерции, медицины и операций и попросили каждую область отдать приоритет одному варианту использования с высоким потенциалом для спонсорства высшего звена. Затем компания провела проверки концепции с прицелом на масштабирование, используя свой ранний опыт для организации повторно используемых компонентов в платформы, ориентированные на домены. Технологические и бизнес-команды сотрудничали с самого начала, гарантируя, что все решения ИИ-поколения отвечают приоритетным потребностям бизнеса и помогают вносить изменения в процессы, необходимые для стимулирования внедрения и предоставления ценности. В то же время компания привлекла партнеров по экосистеме для привлечения знаний и активов из всей отрасли наук о жизни и за ее пределами, а также создала этапы, чтобы сосредоточить ресурсы на партнерских решениях, готовых к масштабированию в различных терапевтических областях и географических регионах.
Лидеры сформировали убедительную историю изменений, сосредоточенную на том, как решения ИИ-поколения были предназначены для дополнения, а не замены сотрудников, например, помогая им справляться с растущими рабочими нагрузками, и использовали команды управления изменениями для содействия успешному развертыванию. Они предоставили поддержку в белых перчатках для первых пользователей и задействовали этих ранних последователей в качестве послов изменений для создания импульса снизу вверх. Метрики воздействия были определены, отслежены и рассмотрены на регулярных совещаниях по управлению, чтобы гарантировать, что инициативы ИИ-поколения оставались на пути к масштабированию и достижению бизнес-эффекта. Такой опыт не обязательно должен быть исключением. Руководители организаций в области естественных наук должны понимать, что для реализации потенциально преобразующей ценности ИИ-поколения требуется нечто большее, чем эксперименты и развертывание индивидуальных вариантов использования. Это требует стратегической интеграции в организационную структуру. В следующей главе истории ИИ-поколения организации должны принять намеренный подход к обеспечению согласованности с бизнес-стратегией, масштабируемостью и устойчивостью. Этот поворотный момент — возможность для руководителей в области естественных наук возглавить преобразующие изменения, революционизируя открытие лекарств и уход за пациентами, а также добиваясь значимых конечных результатов.
ОБ АВТОРЕ(АХ)
Чайтанья Адабала Вишва — партнер бостонского офиса McKinsey, где Дельфин Зуркия — старший партнер; Данди Чжу — партнер нью-йоркского офиса; а Йоахим Блейс — старший партнер офиса в Каролине. Авторы хотели бы поблагодарить Абхи Мукерджи, Лайонела Джина, Наталью Дороги, Нитишу Шарму и Васу Мачерлу за их вклад в эту статью.