OpenAI, het bedrijf achter ChatGPT, heeft een nieuwe ambitie die de komende jaren alles zal bepalen: het bouwen van een volledig geautomatiseerde AI-onderzoeker. Dit is geen chatbot die antwoorden geeft, maar een zelfstandig opererend systeem dat complexe problemen kan ontvangen, analyseren en oplossen. Volgens Jakub Pachocki, de chief scientist van OpenAI, werken ze toe naar een punt waarop je “een heel onderzoekslab in een datacenter” hebt.

Het plan verloopt in fasen. Tegen september dit jaar wil OpenAI een “autonome AI-onderzoeksstagiair” hebben die een beperkt aantal specifieke onderzoeksproblemen zelfstandig kan aanpakken. Dit moet de voorloper worden van een volledig geautomatiseerd, multi-agent onderzoekssysteem dat in 2028 gelanceerd moet worden. Het uiteindelijke doel is een AI-onderzoeker die problemen aankan die te groot of te complex zijn voor mensen.

Wat kan zo’n AI-onderzoeker straks?

Het idee is dat je dit soort tools elk probleem kunt voorleggen dat je in tekst, code of op een whiteboard kunt formuleren. Dat is een breed spectrum. OpenAI noemt zelf voorbeelden uit de wiskunde en natuurkunde, zoals het bedenken van nieuwe bewijzen of hypothesen. Maar ook uit de levenswetenschappen, zoals biologie en chemie, en zelfs uit het bedrijfsleven en beleidsvorming.

Voor een ondernemer betekent dit dat een dergelijk systeem in theorie ingezet kan worden op vraagstukken die nu veel menselijke onderzoekscapaciteit vragen. Denk aan het analyseren van een nieuwe markt, het doorrekenen van complexe supply chain-optimalisaties, of het onderzoeken van de impact van nieuwe regelgeving op je bedrijfsmodel. Het is een tool die niet alleen informatie ophaalt, maar er actief mee aan de slag gaat om tot een oplossing of inzicht te komen.

De achterliggende technologie

Deze nieuwe “North Star” van OpenAI brengt verschillende onderzoekslijnen samen. Het gaat om werk aan zogenaamde reasoning models (redeneermodellen), agents (zelfstandige software-eenheden) en interpretability (het begrijpelijk maken van hoe AI tot conclusies komt). Pachocki, die een sleutelrol speelde bij de ontwikkeling van GPT-4 en de eerste redeneermodellen, ziet de modellen bijna op het punt komen waarop ze “onbepaald lang op een coherente manier kunnen werken, net zoals mensen dat doen”. De mens blijft volgens hem wel degene die de doelen stelt en de leiding houdt.

Hoe kun je dit vandaag toepassen?

De volledig geautomatiseerde AI-onderzoeker van OpenAI is nog toekomstmuziek, maar de richting die het bedrijf inslaat, is nu al relevant. Het toont aan dat de volgende generatie AI-tools niet alleen zal antwoorden, maar zal handelen en onderzoeken. Je kunt je hier nu al op voorbereiden door de manier waarop je problemen benadert te structureren.

Als je een product ontwikkelt of verbetert… kun je nu al oefenen met het formuleren van je onderzoeksvragen alsof je ze straks aan een AI-onderzoeker zou geven. In plaats van “zoek informatie over duurzame verpakkingen”, zou je kunnen vragen: “Analyseer de voor- en nadelen van vijf duurzame verpakkingsmaterialen voor een voedingsmiddel met een houdbaarheid van 12 maanden, en geef een onderbouwde aanbeveling op basis van kosten, logistiek en consumentenperceptie.” Deze manier van denken maakt je huidige gebruik van chatbots al effectiever.

Als je regelmatig marktanalyses of concurrentieonderzoek doet… is een mogelijke stap om je proces in kaart te brengen. Welke databronnen gebruik je? Welke vragen stel je? Hoe kom je tot een conclusie? Door dit te documenteren, creëer je een blauwdruk die je, zodra de tools beschikbaar komen, veel sneller kunt automatiseren. Je zou kunnen beginnen met het opzetten van gestructureerde databases met je belangrijkste bronnen.

Als je te maken hebt met complexe regelgeving of compliance… overweeg dan om de kern van je problemen te formuleren als “wat-als” scenario’s. Bijvoorbeeld: “Wat zijn de gevolgen voor mijn bedrijf als regelgeving X van kracht wordt, gegeven mijn huidige proces Y?” Het vermogen van toekomstige AI om dergelijke beleidsdilemma’s te onderzoeken, betekent dat je proactiever kunt zijn. Je zou nu al kunnen experimenteren met het modelleren van eenvoudige scenario’s in spreadsheets.

Als je een klein team hebt met beperkte R&D-capaciteit… ligt de kans hier in het externaliseren van gespecialiseerde kennis. Stel, je wilt een nieuw chemisch ingrediënt onderzoeken voor je product. In plaats van een dure consultant in te huren, zou een toekomstige AI-onderzoeker de wetenschappelijke literatuur kunnen doorpluizen en een eerste analyse kunnen maken. Je kunt je nu richten op het duidelijk definiëren van welke gespecialiseerde kennis je het vaakst mist.

De kern is dat de waarde niet alleen in het antwoord ligt, maar in het vermogen van het systeem om zelfstandig een onderzoekspad te bewandelen. Door nu al na te denken over welke grote, complexe vragen jouw bedrijf bezighouden, en deze helder en gestructureerd te formuleren, leg je de basis om als eerste te profiteren wanneer deze technologie realiteit wordt.

Bron: Technologyreview