Bu çalışma, “Artificial Intelligence, Alliances, and Innovation” başlıklı bir preprint araştırma makalesidir. PDF üzerinde çalışmanın hakem değerlendirmesinden geçmediği açıkça belirtilmektedir. Bu nedenle içerik, kesinleşmiş akademik sonuç gibi değil, güçlü veri ve yöntemlerle desteklenmiş fakat dikkatli okunması gereken bir araştırma taslağı olarak değerlendirilmelidir.

Alan bakımından çalışma; yapay zekâ, bilgi sistemleri, strateji ve organizasyon teorisi, inovasyon ekonomisi ve ilaç Ar-Ge yönetimi kesişiminde yer almaktadır. Sağlık ve ilaç geliştirme bağlamına temas ettiği için bu yazı tıbbi tavsiye değildir; burada ele alınan konu, ilaçların klinik kullanımı değil, firmaların Ar-Ge ve iş birliği stratejileridir.

Çalışma, yapay zekânın yalnızca laboratuvar süreçlerini hızlandıran teknik bir araç olmadığını; aynı zamanda firmalar arası bilgi asimetrisini azaltarak ittifakları daha verimli hale getirebileceğini savunuyor. Bilgi asimetrisi, bir tarafın diğer taraftan daha fazla veya daha kaliteli bilgiye sahip olmasıdır. İlaç Ar-Ge’sinde bu durum özellikle önemlidir; çünkü bir biyoteknoloji firması geliştirdiği aday molekülün potansiyelini büyük ilaç şirketinden daha iyi biliyor olabilir.

Yazarlar, 2010-2019 döneminde ilaç sektöründeki firmaları inceliyor. Yapay zekâ kapasitesini AI patentleri ve AI becerisi isteyen iş ilanlarıyla ölçüyorlar. Bulgular, AI kaynakları daha yüksek olan firmaların inovasyonu daha fazla ittifaklar üzerinden yürüttüğünü ve ittifaklardan daha fazla ilaç adayı geliştirdiğini gösteriyor. Çalışmanın ana fikri şu: Yapay zekâ ve firma ittifakları ayrı ayrı değerli olabilir; fakat birlikte kullanıldıklarında inovasyon üzerinde daha güçlü bir tamamlayıcılık etkisi doğurabilirler.

Problem Ne?

İlaç geliştirme, yüksek belirsizlik, yüksek maliyet ve uzun zaman gerektiren bir süreçtir. Bir firma temel araştırmada güçlü olabilir; başka bir firma klinik geliştirme, regülasyon, üretim veya pazarlama kapasitesine sahip olabilir. Bu nedenle ilaç sektöründe firmalar arası Ar-Ge ittifakları yaygındır. Ancak ittifak kurmak tek başına yeterli değildir. Tarafların birbirindeki bilgiyi doğru anlaması, değerlendirmesi ve kullanması gerekir.

Buradaki ana sorun bilgi asimetrisidir. Örneğin küçük bir biyoteknoloji şirketi, geliştirdiği ilaç adayının bilimsel potansiyelini iyi biliyor olabilir. Büyük bir ilaç şirketi ise bu bilgiyi dışarıdan değerlendirirken eksik bilgiyle hareket eder. Bu eksik bilgi; sözleşme yapmayı, risk paylaşımını, yatırım kararını ve ortak Ar-Ge sürecini zorlaştırır.

Çalışmanın sorduğu temel soru şudur: Yapay zekâ, firmaların dış ortaklardan gelen karmaşık bilimsel bilgiyi daha iyi anlamasını sağlayarak ittifakları daha verimli hale getiriyor mu?

Yöntem Ne Öneriyor?

Çalışma, yapay zekâyı yalnızca “otomasyon” olarak ele almıyor. Daha geniş bir bakışla AI’yı, firmaların dış dünyadan gelen karmaşık ve parçalı bilgiyi keşfetmesini, değerlendirmesini ve anlamlandırmasını sağlayan bir kapasite olarak yorumluyor. Bu yaklaşım, klasik bilgi teknolojilerinden farklıdır. Geleneksel IT sistemleri daha çok veri erişimi, iletişim ve iş akışı koordinasyonu sağlar. AI ise özellikle makine öğrenmesi yoluyla büyük veri kümelerinden örüntü çıkarabilir, tahminleri güncelleyebilir ve farklı kaynaklardan gelen bilgileri birleştirebilir.

Yazarlar firmaların AI kaynaklarını iki ana bileşenle ölçüyor: AI ile ilişkili patentler ve AI becerisi isteyen iş ilanları. Patentler, firmanın AI alanındaki teknik bilgi birikimini gösterir. İş ilanları ise firmanın AI becerisine sahip insan kaynağına olan talebini yansıtır. Bu iki unsur standartlaştırılarak birleşik bir “AI resources” ölçüsüne dönüştürülür.

İnovasyon çıktısı olarak ilaç adayları, lisans veya ittifak yoluyla geliştirilen ilaç adayları ve firma ittifakları kullanılır. Çalışma ayrıca bilgi akışını ölçmek için patent atıflarından yararlanır. Bir firmanın ittifak kurduğu Ar-Ge ortağının patentlerine daha fazla atıf yapması, ortaklıktan bilgi akışı olduğuna dair dolaylı bir gösterge olarak değerlendirilir.

Ekonometrik yöntem olarak sabit etkili panel regresyonları, iki aşamalı en küçük kareler yöntemi, eğilim skoru eşleştirmesi ve Heckman seçim modeli gibi farklı kontroller kullanılır. Amaç, bulguların yalnızca belirli bir model seçimine bağlı olmadığını göstermek ve ters nedensellik ya da seçim yanlılığı gibi sorunları azaltmaktır.

Formüller Ne Anlatıyor?

PDF’teki temel formüller okunabilir durumdadır. Aşağıdaki MathJax blokları, çalışmadaki sembol dizilimine mümkün olduğunca sadık kalınarak hazırlanmıştır.

İlk formül, yapay zekâ ile ittifakların tamamlayıcılık ilişkisini sezgisel olarak anlatır. Buradaki fikir şudur: AI ve ittifaklar birlikte kullanıldığında ortaya çıkan inovasyon etkisi, her birinin ayrı ayrı etkilerinin toplamından daha yüksek olabilir.

İkinci formül, firmanın AI kaynaklarının nasıl ölçüldüğünü gösterir. AI patentleri ve AI becerisi isteyen iş ilanları önce ayrı ayrı normalize edilir, sonra toplanır ve yeniden normalize edilerek birleşik bir AI kaynak ölçüsü elde edilir.

Üçüncü formül, AI kaynaklarının lisans veya ittifak yoluyla geliştirilen ilaçların payı üzerindeki ilişkisini test eder. Burada \(i\) firma, \(t\) yıl düzeyini temsil eder. \(T_t\) yıl sabit etkisini, \(g_i\) firma sabit etkisini, \(X_{it,c}\) ise patent stoğu, firma yaşı, çalışan sayısı ve Ar-Ge harcaması gibi kontrol değişkenlerini temsil eder.

Dördüncü formül, AI kaynakları ile ittifakların birlikte ilaç geliştirme çıktısını nasıl etkilediğini ölçer. Burada kritik terim, \( \mathrm{AI\ resources}_{it} \times \ln(\mathrm{Alliances})_{it} \) etkileşimidir. Bu katsayı pozitifse, AI ve ittifakların birbirini güçlendirdiği yorumu yapılır.

Beşinci formül, bilgi akışını ölçmek için kullanılır. Bilgi akışı, firmanın ittifak ortağının patentlerine yaptığı atıflardaki değişimle temsil edilir. Bu ölçüm doğrudan bilgi paylaşımını göstermese de, akademik literatürde bilgi akışı için kullanılan yaygın bir vekil göstergedir.

Ek bölümde kullanılan stok formülü ise ilaç, ittifak veya patent gibi birikimli değişkenlerin zaman içinde değer kaybını hesaba katmak için kullanılır. Çalışmada yıllık yüzde 15 amortisman oranı uygulanır. Bu, eski ittifakların veya eski patentlerin bugünkü inovasyon katkısının yeni olanlara göre daha düşük kabul edildiği anlamına gelir.

Grafik, Tablo ve Şema Ana Mesajı

PDF’te klasik anlamda yoğun grafik veya şema yerine ağırlıklı olarak regresyon tabloları ve ek tablolar bulunmaktadır. Bu yüzden görsel ana mesaj, tabloların ne söylediği üzerinden okunmalıdır.

PDF’in 43. sayfasındaki Tablo 1, çalışmada kullanılan değişkenlerin özet istatistiklerini ve korelasyonlarını verir. Bu tablo, ilaç geliştirme, lisans yoluyla ilaç geliştirme, AI patentleri, AI becerileri, ittifaklar, patent stoğu, firma yaşı, çalışan sayısı ve Ar-Ge harcaması gibi değişkenlerin birlikte analiz edildiğini gösterir.

PDF’in 44. sayfasındaki Tablo 2, değişkenlerin nasıl tanımlandığını sade biçimde açıklar. Burada “drugs developed” toplam ilaç adayı çıktısını, “drugs developed through licenses” ise ittifak veya lisans yoluyla geliştirilen ilaç adaylarını ifade eder. AI IP patentleri, AI skills ise AI becerisi arayan iş ilanlarını temsil eder.

PDF’in 45. sayfasındaki Tablo 3, çalışmanın ana bulgularını verir. AI kaynaklarındaki bir standart sapmalık artış, lisans yoluyla geliştirilen ilaç payında pozitif bir artışla ve ittifak sayısında artışla ilişkilidir. Aynı tabloda AI kaynakları ile ittifakların etkileşim terimi de pozitiftir. Bu, AI ve ittifakların birlikte kullanıldığında inovasyon çıktısını daha güçlü etkileyebileceği fikrini destekler.

PDF’in 46. sayfasındaki Tablo 4, AI ile geleneksel IT kaynaklarını karşılaştırır. Ana mesaj şudur: İttifaka dayalı inovasyon yönünde belirgin etki, geleneksel IT’den çok AI kaynakları ve özellikle makine öğrenmesi tarafında görülmektedir. Uzman sistemler, yani kural tabanlı daha statik yapay zekâ yaklaşımları, aynı ölçüde güçlü görünmemektedir.

PDF’in 47. sayfasındaki Tablo 5, AI-ittifak tamamlayıcılığını daha ayrıntılı test eder. Sonuçlar, AI kaynakları ile ittifakların birlikte ilaç geliştirme çıktısını artırdığı fikrini destekler. Bu bölümde makine öğrenmesi etkisinin uzman sistemlerden daha belirgin olduğu vurgulanır.

PDF’in 48. sayfasındaki Tablo 6, bilgi akışını inceler. AI kaynaklarındaki artış, firmaların ittifak ortaklarının patentlerine yaptığı atıflardaki artışla ilişkilidir. Bu bulgu, AI’nın sadece firma içinde işlem verimliliği sağlamadığını, aynı zamanda dış ortaklardan gelen bilgiyi kullanma kapasitesini de artırabileceğini düşündürür.

PDF’in 49. sayfasındaki Tablo 7, ilaç geliştirme sürecinin daha geç aşamalarına bakar. Ana mesaj daha temkinlidir: AI ve ittifak tamamlayıcılığı erken aşamalarda daha belirgin görünür; klinik aşamalar ilerledikçe etki zayıflar ve bazı sonuçlar istatistiksel olarak netliğini kaybeder.

Deneyler Nasıl Yapılmış?

Bu çalışma laboratuvar deneyi yapmıyor; veri temelli ampirik analiz yürütüyor. İncelenen dönem 2010-2019 arasıdır. Odak noktası ilaç sektöründeki firmalardır. Çalışma, ilaç geliştirme çıktıları için ilaç geliştirme veri tabanlarından, ittifaklar için biyofarmasötik iş birliği verilerinden, AI patentleri için patent veri tabanlarından ve AI becerileri için iş ilanı verilerinden yararlanır.

Analizlerin ilk aşamasında, AI kaynakları arttıkça firmaların inovasyonu daha fazla lisans veya ittifak yoluyla yapıp yapmadığı test edilir. İkinci aşamada, AI kaynakları ile ittifakların birlikte ilaç geliştirme çıktısını artırıp artırmadığı incelenir. Üçüncü aşamada ise patent atıfları üzerinden bilgi akışı ölçülür.

Yazarlar sabit etkili regresyonlar kullanarak firma düzeyinde değişmeyen özellikleri ve yıllara özgü genel eğilimleri kontrol eder. Ayrıca seçim yanlılığı ve nedensellik endişelerine karşı eğilim skoru eşleştirmesi, Heckman seçimi ve araç değişken yaklaşımı gibi ek testler uygular. Buna rağmen çalışma, bulguların kesin nedensellik kanıtı olmadığını; farklı yöntemlerde tutarlı biçimde görülen ilişkiler olarak değerlendirilmesi gerektiğini belirtir.

Sonuçlar Ne Gösteriyor?

Çalışmanın ana sonucu, AI kaynakları daha yüksek olan ilaç firmalarının inovasyon faaliyetlerini daha fazla ittifaklara kaydırdığı yönündedir. AI kaynaklarındaki artış, lisans yoluyla geliştirilen ilaçların payında ve firma ittifaklarının sayısında artışla ilişkilidir.

İkinci önemli sonuç, AI ve ittifakların tamamlayıcı olmasıdır. Tamamlayıcılık burada şu anlama gelir: AI tek başına değer üretir, ittifaklar da tek başına değer üretir; ancak birlikte kullanıldıklarında ortaya çıkan etki daha güçlü olabilir. Özellikle makine öğrenmesi kaynakları, kural tabanlı uzman sistemlere göre daha belirgin bir rol oynar.

Üçüncü sonuç, AI’nın bilgi akışıyla ilişkili olmasıdır. AI kaynakları yüksek olan firmalar, ittifak kurdukları Ar-Ge ortaklarının patentlerine daha fazla atıf yapmaktadır. Bu, AI’nın ortaklardan gelen bilgiyi daha iyi keşfetme ve değerlendirme kapasitesini artırabileceğini düşündürür.

Dördüncü sonuç ise daha temkinlidir: AI-ittifak ilişkisi ilaç geliştirmenin erken aşamalarında daha net görünürken, klinik aşamalar ilerledikçe etki zayıflar. Bu durum şaşırtıcı değildir; çünkü klinik geliştirme yalnızca veri işleme değil, insan biyolojisi, regülasyon, güvenlik, saha uygulaması ve uzman yargısı gibi çok daha karmaşık unsurlar içerir.

Bu Neden Önemli?

Bu çalışma, yapay zekâ hakkındaki yaygın bir varsayımı genişletiyor. AI çoğu zaman “daha hızlı analiz”, “otomasyon” veya “verimlilik” başlıklarıyla ele alınır. Bu makale ise AI’nın firma sınırlarını ve iş birliği yapma biçimlerini de değiştirebileceğini savunuyor.

Eğer AI, firmaların dış ortaklardan gelen karmaşık bilgiyi daha iyi anlamasını sağlıyorsa, o zaman firmalar her şeyi içeride geliştirmek zorunda kalmayabilir. Daha fazla uzmanlaşmış firma, daha fazla ittifak ve daha esnek inovasyon ağları ortaya çıkabilir. Bu, özellikle biyoteknoloji, ilaç, enerji, havacılık, ileri malzemeler ve yüksek Ar-Ge gerektiren sektörler için önemlidir.

Çalışmanın yöneticiler açısından mesajı da açıktır: AI yatırımı yalnızca teknik altyapı veya veri bilimi ekibi kurmak değildir. AI, doğru kullanıldığında firmanın dış ortaklarla çalışma kapasitesini artıran stratejik bir yetenek haline gelebilir.

Dikkat Noktaları

Çalışma preprint olduğu için hakemli nihai makale gibi değerlendirilmemelidir. Bulgular güçlü ve kapsamlı analizlerle desteklenmiş olsa da, yayın süreci sonunda yöntem, yorum veya sonuçlarda değişiklik olabilir.

İkinci dikkat noktası nedenselliktir. AI kaynakları yüksek olan firmalar zaten daha yenilikçi, daha büyük veya daha iyi yönetilen firmalar olabilir. Yazarlar bu sorunu azaltmak için sabit etkiler, eşleştirme, araç değişkenler ve Heckman modeli gibi yöntemler kullanır. Ancak çalışma, AI kaynaklarının tek başına doğrudan ittifak başarısına neden olduğunu kesin biçimde kanıtlamaz.

Üçüncü dikkat noktası ölçümdür. AI kaynakları patentler ve iş ilanlarıyla ölçülür. Bu makul bir yaklaşım olsa da, firmanın gerçek AI kullanım kalitesini tam olarak göstermeyebilir. Bir şirket AI uzmanı arıyor olabilir ama pozisyon dolmamış olabilir. Ya da patent sayısı yüksek olsa bile bu patentler pratik Ar-Ge sürecinde sınırlı kullanılıyor olabilir.

Dördüncü dikkat noktası sağlık bağlamıdır. Çalışma ilaç geliştirme stratejilerini inceler; herhangi bir tedavinin etkisi, güvenliği veya klinik kullanımı hakkında tıbbi öneri sunmaz. İlaç geliştirme ve klinik kararlar, düzenleyici kurumlar, klinik uzmanlar ve bilimsel değerlendirme süreçleri gerektirir.

Sonuç

Bu çalışma, yapay zekânın firmalar arası inovasyon ilişkilerinde yeni bir rol oynayabileceğini gösteriyor. AI, yalnızca veriyi analiz eden teknik bir araç değil; firmaların ortaklarından gelen bilgiyi daha iyi değerlendirmesini sağlayan bir iş birliği kapasitesi olarak da düşünülebilir.

İlaç sektöründeki bulgular, AI kaynakları güçlü olan firmaların daha fazla ittifak kurduğunu, inovasyonu daha fazla dış ortaklıklar üzerinden yürüttüğünü ve AI ile ittifakları birlikte kullandığında daha yüksek inovasyon çıktısı elde edebildiğini gösteriyor. Bu etki özellikle makine öğrenmesi tarafında belirginleşiyor.

Yine de sonuçlar dikkatli okunmalıdır. Bu bir preprint çalışmadır ve nedensellik iddiası sınırlıdır. Buna rağmen Verianla açısından önemli mesaj nettir: Yapay zekâ, inovasyonun yalnızca hızını değil, organizasyonel yapısını da değiştirebilir. Geleceğin Ar-Ge rekabetinde, en güçlü firmalar sadece en iyi algoritmalara sahip olanlar değil; AI’yı doğru ortaklıklarla birleştirebilenler olabilir.

Kaynak ve Yöntem Notu

Bu içerik, Bowen Lou ve Evan Rawley tarafından hazırlanan “Artificial Intelligence, Alliances, and Innovation” başlıklı preprint araştırma çalışmasına dayalı olarak hazırlanmıştır. Çalışma, 2010-2019 döneminde ilaç sektöründe yapay zekâ kaynakları, firma ittifakları ve inovasyon çıktıları arasındaki ilişkiyi incelemektedir.

Bu içerik birebir çeviri değildir; çalışmanın ana fikri Verianla yayın çizgisine uygun biçimde sadeleştirilmiş ve özgün Türkçe editoryal makaleye dönüştürülmüştür.