Binnen de sector van de AI-native biotechnologie is het momenteel gebruikelijk om organisatiestructuren te ontwerpen die sterk lijken op menselijke organigrammen. Hierbij worden specifieke rollen voor AI-agenten toegewezen aan traditionele afdelingen. Echter, volgens een wetenschappelijk werkdocument van onderzoeker Yinan Wang, gepubliceerd via arxiv.org, is deze benadering mogelijk minder efficiënt dan een systeem dat is gebaseerd op een dynamisch wereldmodel.
Van statische afdelingen naar dynamische wereldmodellen
De kern van het voorstel is de introductie van een zogenaamd 'Company World Model'. Dit concept wordt gedefinieerd als een persistente representatie van de staat van activa in relatie tot hun waarde. In tegenstelling tot een statisch organigram maakt dit model gebruik van transitie-modellen, expliciete waardefuncties en planning. Het systeem houdt hierbij rekening met diverse beperkingen, waaronder wetenschappelijke, regelgevende, commerciële en financiële kaders, alsook de algemene uitvoering van projecten.
Om de effectiviteit van deze aanpak te toetsen, is er een 'dry-lab benchmark' ontwikkeld. Deze benchmark bevat 45 besluitvormingsgevallen die zijn gebaseerd op retrospectieve publieke informatie. De test is strikt opgezet met tijdslimieten, verborgen uitkomsten en een geautomatiseerd scoringssysteem om de objectiviteit van de resultaten te waarborgen.
Vergelijking van architecturen
In het onderzoek werden vier verschillende architecturen met elkaar vergeleken om te zien welke de beste resultaten opleverde:
- Een model dat menselijke organisaties nabootst (human-org-mimic).
- Een verbeterde versie van de menselijke imitatie (human-org-mimic-plus).
- Een AI-native benadering die centraal staat rond activa (asset-centric).
- Een AI-native architectuur gericht op waardeconversie (value-conversion).
De architectuur voor waardeconversie fungeert als een praktische benadering van het Company World Model. Dit systeem maakt gebruik van een 'Live Asset Value Record' die continu wordt bijgewerkt via specifieke loops voor deals, goedkeuringen, inkomsten en investeringsarbitrage. Volgens de bevindingen op behaalde deze waardeconversie-architectuur de hoogste automatische score. Blinde beoordelaars die specifiek naar de gecreëerde waarde keken, gaven een sterke voorkeur aan dit model boven de traditionele baselines.
Nuancering en beperkingen van de studie
Ondanks de positieve resultaten plaatst de auteur belangrijke kanttekeningen bij de conclusies. Uit stresstests bleek dat een sterkere menselijke baseline nog steeds competitief bleef. Bovendien toonde een neutrale beoordelaar geen robuuste dominantie aan van het waardeconversie-model.
Het is belangrijk op te merken dat het onderzoek strikt beperkt is tot een 'dry-lab' omgeving. Dit betekent dat de resultaten geen direct bewijs leveren voor succes in de fysieke wereld, zoals het daadwerkelijk ontwikkelen van medicijnen, klinische voordelen voor patiënten of de exacte nauwkeurigheid van inkomstenvoorspellingen. De studie richt zich puur op de computationele en organisatorische logica van AI-agenten.
De rol van governance en AI-toepassingen
De centrale conclusie van het onderzoek is dat de effectiviteit sterk afhankelijk is van het gestelde doel. Hoewel traditionele afdelingen nog steeds nuttig kunnen zijn om governance (bestuur) inzichtelijk te maken, zou de fundamentele operationele eenheid van een AI-native bedrijf een gedeelde, voorspellende staat van activa-naar-waarde moeten zijn.
De analyse suggereert dat specifieke virtuele ruimtes, zoals een 'Revenue Room', 'Deal Room' en 'Approval Room', waardevol werk verrichten binnen het kader van de gestelde doelstellingen. Dit bevestigt dat een functionele, data-gestuurde aanpak superieur kan zijn aan een statische hiërarchie.
Terwijl brede platforms zoals deepai.org zich richten op algemene creatieve AI-toepassingen zoals beeld- en videogeneratie, laat dit specifieke onderzoek zien hoe gespecialiseerde AI-architecturen kunnen worden ingezet voor complexe industriële processen zoals drug development. De verschuiving van menselijke organisatiestructuren naar wereldmodellen markeert een mogelijke evolutie in hoe biotechnologiebedrijven hun interne processen automatiseren en beheren, waarbij de focus verschuift van hiërarchie naar waardeoptimalisatie, zoals verder uitgewerkt in de documentatie op .