Research en development is de ruggengraat van elke industrie. Elk succesvol bedrijf dat de test der tijd doorstaat heeft een effectieve R&D tak, vertrouwen op maar één product is een goed recept voor faillissement. De huidige markt veranderd zo snel dat bedrijven constant nieuwe ideeën op de markt moeten brengen. De R&D afdelingen van vandaag zijn gespecialiseerde werkplekken. Met de vooruitgang van onze technologie wordt het proces achter de innovatie steeds complexer. Deze complexiteit voert druk uit op de onderzoekers en de managers. Hoeveel tijd besteed jij in eindeloze vergaderingen om uit te vogelen wat de volgende juiste stap is. 

De onderzoekers in R&D hebben de afgelopen honderd jaar de wereld veranderd en zullen de drijvende kracht zijn achter de ontwikkelingen voor de toekomst. Echter, elk persoon in R&D kan je vertellen over de rompslomp die zich achter de schermen afspeelt. Veel onderzoekers zijn veel tijd kwijt met werk wat een kind kan doen, het is zonde om al dit talent verloren te laten gaan. Dit probleem wordt helemaal duidelijk als je ze vraagt hoe het op werk gaat. 9 van de 10 zullen zeggen dat ze het ‘druk’ hebben. Maar dat hoeft niet. 

Tegenwoordig is het niet zeldzaam om een zogenaamde ‘big-data approach’ toe te passen op met maken van beslissingen. Dit kan bijvoorbeeld door gebruik te maken van ‘artificiële intelligentie’(AI) die helpt bij het maken van beslissingen voor de operationele kant van R&D. Op basis van data en feedback kan AI helpen bij het opstellen van een budget of het doen van voorspellingen. Dit is een van de manieren hoe automatisering zich nu ook in R&D heeft gevestigd. 

Een andere trend specifiek in kleinschalige farmaceutische en biotechnologische labs is het outsourcen van werk om de grote jongens bij te kunnen houden. Er zijn nadelen verbonden met het outsourcen van zelfs het saaie en makkelijke werk. Naast de hoge kosten kan je bijvoorbeeld de kennis binnen het bedrijf geassocieerd met het proces verliezen. Werk wat vaak geoutsourcet wordt is het verwerken, analyseren en valideren van data. Deze taken zijn over het algemeen makkelijk te automatiseren, dit kan een goedkoop alternatief bieden voor outsourcing. 

Dit is ook relevant voor andere sectoren. Binnen bedrijven wordt het analyseren en verwerken van data vaak gedaan met generieke programma’s zoals Word of Excel. Bedrijven moeten zich realiseren dat het kopiëren en plakken van informatie van het ene document naar het andere of het handmatig invullen van lab reporten iets uit het verleden is. De komst van ‘big data’ heeft dit werk ineffectief en tijdrovend gemaakt. Er is gewoon te veel data. Op maat gemaakte software kan worden gebruikt om de data te verzamelen in nette databases waaruit lab reporten gegenereerd kunnen worden of je trendanalyses kunt doen. Dit werk is zeer eentonig en een goede kandidaat voor automatisering. 

Automatisering in R&D is een relatief nieuw fenomeen maar groeit snel. Alleen een R&D tak hebben is niet goed genoeg meer, het moet effectief zijn en snel werken. Het heeft automatisering nodig.