L'IA è ovunque nei laboratori di R&S. Allora perché miliardi continuano a essere sprecati?

Punti chiave

• Più di una azienda su tre spende tra il 25 e il 40 percento del proprio budget di R&S in progetti che non raggiungono mai il mercato.
• Quasi la metà dei team di R&S stima che l'arresto di un singolo progetto durante lo sviluppo o i test costi oltre un milione di dollari in investimenti sprecati.
• La maggior parte delle organizzazioni attualmente utilizza l'IA per attività di esecuzione, come l'analisi dei dati, piuttosto che per il supporto alle decisioni all'inizio di un progetto.
• Ricercatori e manager affermano che un'intelligenza migliore nella fase iniziale di ideazione e fattibilità, prima che vengano impegnati fondi sostanziali, porterebbe il massimo valore.

Immagina un'azienda che trascorre anni e milioni nello sviluppo di un prodotto, solo per metterlo da parte prima del lancio. Non è un disastro raro. È pratica standard.

Un nuovo whitepaper, segnalato da IEEE Spectrum AI, rileva che più di un terzo delle organizzazioni brucia tra un quarto e il 40 percento dell'intero budget di ricerca e sviluppo in progetti che non raggiungono mai i clienti. La R&S, per chi non lo sapesse, è il lavoro interno che le aziende svolgono per inventare, testare e perfezionare nuovi prodotti prima che vengano messi in vendita.

Allora dove vanno i soldi?

La maggior parte va a progetti che sembrano promettenti all'inizio, poi falliscono alla fine. Quasi la metà dei team intervistati stima il costo dell'annullamento di un singolo progetto durante lo sviluppo o i test a oltre un milione di dollari. Questa cifra copre gli stipendi, le attrezzature, il tempo di test e i materiali spesi prima che qualcuno finalmente stacchi la spina.

Gli annullamenti tardivi sono quelli più costosi. Un progetto abbandonato dopo due anni di lavoro costa molto più di uno rifiutato nel primo mese.

Perché l'IA non ha risolto questo problema?

L'IA non ha risolto questo problema perché la maggior parte delle aziende la sta applicando alla parte sbagliata del processo. Il rapporto rileva che le organizzazioni in genere applicano l'IA a compiti di esecuzione, come l'elaborazione di set di dati, l'esecuzione di simulazioni o la creazione di modelli. Questi sono preziosi, ma arrivano dopo che le decisioni importanti sono già state prese.

La domanda più difficile, dovremmo costruire questo o no, tende a essere risolta nel modo tradizionale: istinto, politica interna e tutte le informazioni che un team riesce a raccogliere manualmente.

Lì si nasconde lo spreco reale.

Cosa potrebbe effettivamente aiutare?

Gli intervistati erano chiari. Un'intelligenza migliore nella fase di ideazione e fattibilità, la fase iniziale più assoluta quando un progetto è solo un'idea sottoposta a verifica rispetto alla realtà, porterebbe il massimo valore. Individuare una cattiva scelta nella seconda settimana è molto più economico che individuarla nel secondo anno.

Strumenti di IA che aiutano i team a valutare l'adattamento al mercato, il rischio competitivo o la fattibilità tecnica prima che i budget vengano allocati potrebbero ridurre drasticamente quello spreco. Al momento, poche organizzazioni utilizzano l'IA in questo modo.

Per chiunque lavori in un'azienda che crea prodotti fisici o digitali, questo è importante. Lo spreco di spesa in R&S alla fine si manifesta come innovazione più lenta, prezzi più alti o un minor numero di nuovi prodotti che raggiungono gli scaffali. Far entrare l'IA nel livello decisionale, non solo nel livello dei dati, è dove cambia l'economia.

Domande comuni

Questo vale per le piccole imprese o solo per le grandi aziende?

Il rapporto non limita i suoi risultati alle grandi aziende. Qualsiasi organizzazione che gestisce un processo formale di ricerca o sviluppo, da un produttore di medie dimensioni a uno studio di software, si trova di fronte alla stessa dinamica: denaro impegnato all'inizio, decisioni prese in seguito.

Cosa dovrebbe trarre un manager non tecnico da questo?

Chiedi al tuo team dove l'IA viene effettivamente utilizzata. Se la risposta è solo nell'analisi dopo che un progetto è già in corso, la decisione che ha avviato il progetto probabilmente non ha avuto alcun supporto da IA, e questo è il divario che vale la pena colmare.