Una famosa provocazione del 2013 del professor Dan Ariely della Duke University, allora riferita ai Big Data e oggi sicuramente trasferibile all’Open Innovation, recita così: “Big Data Open Innovation è come il sesso degli adolescenti: tutti ne parlano, nessuno sa davvero come si fa, tutti pensano che gli altri lo stiano facendo, quindi tutti dicono di farlo.” Ovviamente è una battuta, ma coglie perfettamente il senso dell’Imitation Game.
L’Open Innovation per le imprese di medie e grandi dimensioni resta una sfida centrale, perché la trasformazione del business è un imperativo che non può essere pienamente realizzato solo con progetti interni. Risorse, esperienze, asset e conoscenze sono per definizione limitati, e utilizzare un mix appropriato di strategie di innovazione interna e aperta può portare maggiori opportunità in termini di velocità, learning curve, investimenti e diversificazione. Ovviamente la sfida principale risiede nell’implementazione efficace di programmi di innovazione continua e sempre più aperta, che stanno diventando più multifunzionali, onnicomprensivi e al centro del core business dell’organizzazione. La cultura dell’Open Innovation deve essere alimentata e rafforzata progressivamente man mano che crescono le competenze. Il futuro non si prevede, si costruisce, e non basta più aspettare che siano altri a costruirlo per poi replicarlo. Non solo perché il fattore tempo è sempre più una leva competitiva, ma soprattutto perché il futuro delle aziende sarà sempre più personalizzato e iper-specifico.
Nell’era dei dati in tempo reale, che alimentano la base di conoscenza aziendale e in particolare l’IA generativa che vive di dati e delle loro correlazioni, la trasformazione del business e i percorsi di innovazione sono destinati ad essere sempre più su misura per le singole organizzazioni. Il tradizionale opportunismo “wait and copy” di follower e late mover è destinato a rendere sempre meno, soprattutto nei settori industriali meno regolamentati.
Siamo agli inizi di una discontinuità epocale, mai vissuta prima dall’homo sapiens, segnata da molteplici tecnologie di IA generativa così vicine all’uomo comune da superare facilmente il famoso test di Turing sull’IA. Non è un caso che oggi si parli di Autosapiens, un necessario neologismo per rappresentare entità non biologiche capaci di esprimere capacità di azione, apprendimento, empatia e mistificazione, con l’imperfezione e l’ambiguità dei loro padri biologici (allucinazioni e incomprensioni incluse).
Un anno fa, a gennaio 2023, solo due mesi dopo il suo lancio, ChatGPT ha raggiunto 100 milioni di utenti. Nel dicembre dello stesso anno, ha registrato ricavi annualizzati (il valore degli abbonamenti attivi nel mese moltiplicato per 12) pari a 2 miliardi di dollari, appena 14 mesi dopo il lancio. ChatGPT è solo uno dei primi servizi applicativi di IA generativa mass-market, con una velocità di penetrazione iniziale dieci volte superiore agli Smartphone e cento volte superiore a quella di Internet.
In realtà, metodi, pratiche, tecniche, tecnologie e servizi di IA generativa per le organizzazioni (enterprise grade, con i relativi requisiti di capacità, sicurezza e affidabilità) si contano già a centinaia e stanno proliferando grazie al salto quantico realizzato dai Large Language Models (LLM) che sono alla base di questa discontinuità epocale, insieme al cloud computing, alle GPU e alle nanotecnologie dei semiconduttori di ultima generazione (3nm). E grazie a LLM, alle tecniche Retrieval-Augmented Generation (RAG) e alle logiche di IA multimodale orchestrate, stanno emergendo anche i Large Action Models (LAM), che possono guidare cyber-agent (Autosapiens) a prendere decisioni ed eseguire azioni nel mondo reale, adattandosi ed evolvendosi in piena autonomia.
Con l’IA generativa, il deep-tech non è più un tema da centro di ricerca isolato nel continuum socio-organizzativo. È naturalmente pervasivo e trasversale a tutte le funzioni e ai processi aziendali. Paradossalmente, è proprio la funzione IT quella toccata meno, sul piano della discontinuità strategica e culturale.
Diventa quindi premessa necessaria la maturità e le competenze aziendali nella capacità di coinvolgere attori (biologici e non biologici) e organizzazioni innovative in esperimenti di innovazione aziendale con l’IA generativa, per cogliere appieno le opportunità di trasformazione del business più profonde e discontinue che la società umana abbia mai vissuto. Negli esperimenti, il risultato principale è il salto di conoscenza che guida poi scelte industriali consapevoli su investimenti, M&A, sviluppo, riorganizzazione e altro ancora.
Il grado di maturità della Corporate Innovation è classificabile in 7 livelli, come si vede nella figura: Disconnected, Exposed, Theatre, Open, Embedded, Master e Systemic.
La metafora della scala contenuta nell’infografica vuole suggerire un modello di maturità in cui le organizzazioni possono passare dall’essere inconsapevoli del bisogno di innovare (stadio 0) a uno stadio in cui l’innovazione è profondamente radicata e sistemica (stadio 6 e oltre). Ogni passo in salita rappresenta una integrazione più profonda dell’innovazione nella cultura e nei processi organizzativi. Alcuni cambi di livello nel modello di maturità non si raggiungono solo con l’esperienza e il successo degli esperimenti di progetto, ma richiedono vere e proprie discontinuità organizzative.
Ad esempio, il passaggio da “Theatre” (livello 2) a “Open” (3) richiede un salto sul piano funzionale, con rappresentanti specifici e mandati che dialogano con le funzioni di business per attivare progetti di Open Innovation di peso.
Ma è lo step successivo – da Embedded a Master – che consente alle organizzazioni di cogliere le migliori opportunità di trasformazione del business con la Generative AI. Questo cambio di livello implica una discontinuità organizzativa a livello dell’intero business. La strategia di innovazione diventa un pilastro validato della strategia aziendale; esiste una diffusa cultura dell’innovazione, venture building, innovation factory e altri programmi progettati per generare innovazioni ad alto impatto basate su investimenti intensi.
L’ultimo passo, che non è né necessario né praticabile per la maggior parte delle organizzazioni, è da Master (livello 5) a Systemic (6), dove la discontinuità si ha a livello di visione: spingersi ben oltre il perimetro aziendale per dialogare con le filiere industriali d’interesse e con la società in senso più ampio. Sono le organizzazioni del sistema paese o del sistema socio-economico paneuropeo che possono spingere con successo in questa dimensione di supporto e circolarità dell’innovazione come modello di sviluppo sostenibile della società umana e degli Autosapiens.
Attrezzarsi adeguatamente (livello Master) per poter giocare al meglio le proprie partite di business transformation (numerose) con la Generative AI non costituisce solo una delle varie premesse di base (necessarie), ma è una vera condizione abilitante per dare continuità al futuro di molte organizzazioni. Tra 5 anni, l’Enterprise Value di un’organizzazione non-AI-ready potrebbe subire una drastica svalutazione da parte degli agenti Autosapiens del sistema finanziario (Banche e Private Equity).
