Per vent’anni abbiamo fatto Open Innovation collezionando connessioni: startup, università, centri di ricerca, call, eventi, pitch day con il badge appeso al collo e decine di biglietti da visita da ricopiare in un foglio Excel il lunedì mattina. Abbiamo costruito ecosistemi bellissimi, e ne siamo giustamente orgogliosi.
Io personalmente ho gestito un portfolio con più di 400 startup, e negli anni abbiamo fatto progetti bellissimi.
Il problema è che l’intelligenza artificiale sta rendendo tutto questo necessario, ma non più sufficiente. Dobbiamo prendere atto del fatto che connettere non basta più.
È così che ho aperto un mio recente intervento all’HUB di Bari di Innovation Manager Hub, sapendo che forse non sarebbe piaciuto a tutti. In una sala virtuale piena di persone che di mestiere costruiscono ponti tra le aziende e il mondo esterno, dire che i ponti non bastano più è un modo un po’ brusco per cominciare, ma la verità va detta.
Indice degli argomenti
Open Innovation e intelligenza artificiale: il nuovo paradigma
Nel 2003 Henry Chesbrough ha scritto una delle frasi che più hanno orientato il mestiere di chi si occupa di innovazione, e che ancora oggi la Haas School of Business di Berkeley mette in cima ai principi del metodo: “Not all the smart people work for us”. Non tutte le persone brillanti lavorano per noi. La conoscenza che conta sta anche e soprattutto fuori dall’azienda, e da lì è nato poi il nostro approccio all’Open Innovation.
Vent’anni dopo penso che quella frase vada aggiornata, io la riscriverei così: “Not all the smart minds are people”. Non tutte le menti brillanti sono esseri umani.
Una parte crescente dell’ecosistema esterno con cui collaboriamo non ha un badge, non ha una busta paga e non partecipa alle nostre call, o magari sì, ma non nel modo che immaginiamo. Sono macchine e agenti che leggono, scrivono, analizzano e progettano. E lavorano per chiunque li sappia usare, compresi noi e compresi i nostri concorrenti.
Non è soltanto un aggiornamento della filosofia dell’Open Innovation, è un vero e proprio cambio di paradigma. La domanda che dobbiamo porci è: l’intelligenza artificiale può potenziare, abilitare o sostituire le pratiche tradizionali dell’Open Innovation?
Questo cambio di mentalità sarà presto visibile in tre trasformazioni degli ecosistemi di innovazione intorno a noi: dallo scouting puro arriveremo alla consapevolezza della messa a terra, dal POC non validato arriveremo alla dura legge del passaggio in produzione, infine la conoscenza interna dovrà diventare il nuovo perimetro su cui abilitare i business trasformativi.
Lo scouting nell’Open Innovation dopo l’arrivo dell’AI
Pensiamo a quanta parte del lavoro di un innovation manager, negli ultimi dieci anni, è stata caratterizzata dal trovare cose e persone e dal metterle in relazione. La startup giusta, il laboratorio giusto, il brevetto giusto, l’idea di business giusta che unisse tutti i puntini e che lo facesse possibilmente prima dei concorrenti.
Oggi una mano enorme la può dare un agente AI che analizza, mappa e classifica migliaia di startup, PMI, progetti di ricerca, paper, fonti di finanziamento e brevetti in poche ore. Basta chiedergli qualcosa come “Trovami tutte le startup europee che lavorano sulla manutenzione predittiva degli impianti di refrigerazione, dimmi chi ha brevetti, chi ha clienti industriali e chi ha raccolto fondi negli ultimi due anni”. Quelli che prima erano mesi di lavoro oggi sono ore.
Lo scouting è diventato una commodity, accessibile a tutti e quindi non più un serio vantaggio competitivo, e chi oggi lo vende come servizio avrà presto un problema da gestire.
Attenzione, non sto dicendo che lo scouting sia diventato facile, sto dicendo che l’accesso alle informazioni lo è. Poi, lo sanno bene i professionisti, l’attività di scouting tecnologico e di mercato richiede competenze assolutamente non banali. Avere una macchina fotografica professionale non farà di voi un fotografo professionista, esattamente come avere Claude non farà di voi un innovation manager. Si tratta di strumenti necessari, ma non sufficienti.
Dall’accesso alle informazioni al valore strategico
La cosa che dobbiamo comprendere bene è che quando trovare non costa nulla, il vero valore dello scouting si sposta, e si sposta in tre direzioni complementari.
La prima è la visione strategica. L’AI ci porta mille opzioni, e il nostro lavoro è decidere quali hanno senso per la nostra strategia, per i nostri vincoli, per il nostro mercato. Resta un lavoro soltanto nostro, ma va fatto in modo scientifico, non “a sensazione”.
La seconda è il patrimonio conoscitivo, cioè tutto ciò che l’azienda sa e che nessun modello ha incorporato durante la fase di addestramento. Un piccolo inciso: se i vostri dati non pubblici sono dentro le risposte di ChatGPT, avete un serissimo problema di sicurezza, ma questa è un’altra storia.
I dati che non sono accessibili quando i nostri concorrenti li richiedono ai modelli di frontiera, sono il nostro vantaggio competitivo, deve essere tutelato e utilizzato come leva di business, soprattutto nelle iniziative di innovazione.
La terza è la capacità di trasformazione, e merita una sezione dedicata.
Dalla conoscenza esterna alla capacità di trasformazione
Il mondo accademico ci aveva dato una buona chiave di lettura molto prima che arrivassero i modelli linguistici. Nel 1990 Wesley Cohen e Daniel Levinthal pubblicarono su Administrative Science Quarterly un articolo tra i più citati della letteratura sull’innovazione. Questo articolo definiva la absorptive capacity come la capacità di un’impresa di riconoscere il valore di un’informazione nuova proveniente dall’esterno, assimilarla e applicarla al proprio contesto a fini commerciali. In una parola: trasformarla in valore.
La cosa interessante è che la capacità di valutare e utilizzare la conoscenza esterna dipende in larga misura dal livello di conoscenza interna che l’impresa già possiede. Tradotto: valorizziamo la conoscenza esterna solo nella misura in cui abbiamo la competenza interna per riconoscerla e trasformarla in valore concreto.
Cohen e Levinthal aggiungevano due osservazioni davvero molto attuali. La prima: questa capacità, quando deve integrarsi con il resto dell’azienda, non si può semplicemente comprare, perché richiede persone interne che conoscano le procedure, le routine e le competenze complementari dell’organizzazione.
La seconda riguarda i gatekeeper, le figure che fanno da ponte tra l’azienda e l’esterno: secondo i due autori un gatekeeper centralizzato funziona finché è chiaro dove andrà applicata una certa conoscenza, e smette di funzionare quando le informazioni arrivano in modo disordinato e nessuno sa in quale parte dell’organizzazione serviranno.
Pensateci un momento. Quel gatekeeper centralizzato, nella maggior parte delle aziende, si chiama innovation manager. E le informazioni oggi non arrivano soltanto in modo disordinato: arrivano a valanga, in quantità ingestibili, con una qualità da verificare e con valore potenziale tutto da dimostrare.
Ecco perché parlo di consapevolezza. Più le informazioni dall’esterno diventano abbondanti, più è necessario comprendere chi siamo davvero e che cosa ci serve. L’innovation manager del futuro non è chi cerca e trova, è chi sa riconoscere e scegliere tra quello che ha trovato o, per meglio dire, tra quello che gli è piovuto addosso.
PoC e produzione: come l’AI ridisegna l’Open Innovation
La seconda trasformazione nasce da un paradosso. Un proof of concept, cioè una prima versione dimostrativa che serve a verificare se un’idea sta in piedi, oggi costa pochissimo. Una startup può presentarsi con una demo spettacolare costruita in un weekend, con un’interfaccia curata e un assistente che risponde a qualunque domanda.
Il problema è che, proprio perché le demo sono diventate facili, le demo non dimostrano più niente. Quello che conta è come abbiamo scelto gli use case, come siamo arrivati al POC e poi alla demo, e come li abbiamo validati.
In passato ho avuto team di persone in grado di generare uno use case potenziale eccellente in quattro ore. Dal foglio bianco alla descrizione, fino ad arrivare al mockup. Per ciascun membro del team. È necessario alzare di molto l’asticella dell’innovatività.
Il limite dei pilot senza impatto misurabile
I numeri lo confermano. Il rapporto The GenAI Divide: State of AI in Business 2025, pubblicato nel 2025 dal gruppo NANDA del MIT, ha fatto molto rumore con una frase dell’executive summary: nonostante investimenti aziendali stimati tra i 30 e i 40 miliardi di dollari, il 95% delle organizzazioni non sta ottenendo alcun ritorno, e la grande maggioranza dei pilot resta ferma senza un impatto misurabile sul conto economico.
Per gli strumenti verticali il rapporto mostra un funnel eloquente: il 60% delle aziende li ha valutati, il 20% è arrivato al pilot, il 5% li ha messi in produzione con successo.
Numeri che fanno paura e che danno la colpa all’AI, ma la tecnologia non ha mai colpe, ovviamente. Siamo noi, che ci occupiamo di innovazione, che dobbiamo saperla valutare e usare meglio. Molto meglio di così.
Partner esterni e AI: la leva produttiva dell’innovazione aperta
C’è però un secondo dato nello stesso rapporto, molto meno citato del 95%, ed è quello che interessa a noi.
A pagina 19 il rapporto confronta i progetti sviluppati interamente in casa con quelli costruiti attraverso partnership strategiche. I secondi arrivano in produzione nel 66% dei casi, i primi soltanto nel 33%. Qua il dato è chiarissimo: gli sviluppi esclusivamente interni hanno successo più o meno una volta su tre, quelli con partner esterni selezionati due volte su tre. Gli autori lo scrivono in modo esplicito, i pilot costruiti con partner hanno una probabilità doppia di arrivare in produzione.
Questo significa che, anche con le perturbazioni portate dall’utilizzo dell’AI come tecnologia abilitante, l’Open Innovation resta la strada più rapida ed efficace verso il successo delle iniziative di innovazione.
In estrema sintesi: collaborare con l’esterno funziona meglio che fare tutto da soli, a una condizione: cambiare il modo in cui scegliamo le soluzioni, gli use case e i partner.
Dalla demo all’integrazione nei processi
Il cambiamento si vede bene mettendo a confronto quello che si faceva ieri e quello che si fa oggi. Ieri sceglievamo la demo migliore, quella con il migliore potenziale, oggi scegliamo chi ha la capacità di lavorare meglio sui nostri dati. Ieri il traguardo era il proof of concept, oggi è una validazione seria, scientifica e con un piano di produzione. L’integrazione non si fa a valle, si progetta dal primo giorno. Il contratto non parla più solo di proprietà intellettuale e licenze, ma di catena di responsabilità, di compliance, di sicurezza e di valore. E alla fine non contiamo più i pilot: misuriamo l’impatto sul P&L.
Lo stesso rapporto del MIT conferma la direzione: quando elenca che cosa chiedono i manager a un partner, nessuna delle voci riguarda la qualità della tecnologia. Chiedono una conoscenza profonda dei loro flussi di lavoro, un impatto minimo sugli strumenti che già usano, confini chiari sull’uso dei dati.
Un dirigente lo riassume così: “If it doesn’t plug into Salesforce or our internal systems, no one’s going to use it”.
Ho portato in produzione numerosi sistemi multi-agente per grandi gruppi industriali, e la parte difficile non è mai stata la tecnologia. Sono stati i dati da bonificare, i permessi, le responsabilità, l’organizzazione, lo scegliere tra soluzioni deterministiche e soluzioni statistiche. Infine, ovviamente, buona parte della complessità arriva dalle persone, quelle che devono imparare a fidarsi del sistema.
Per questo la domanda da fare a un partner oggi è una sola: “Sai lavorare sui miei dati, dentro i miei processi, con i miei vincoli e nella mia organizzazione?”. Se la risposta è no, la demo più bella del mondo resterà una demo.
La conoscenza aziendale come perimetro dell’Open Innovation
La terza trasformazione è con buona probabilità la più strategica. Se i modelli sono di tutti, e le competenze per usarli davvero bene sono di pochi, che cosa porta un’azienda in dote al tavolo della collaborazione? Porta la propria conoscenza.
L’accesso all’AI non è più un vantaggio competitivo. È come l’elettricità: nessuno vince perché ce l’ha, anche se perde se non ce l’ha. L’asset vero è la conoscenza: i dati, certo, ma soprattutto il sapere tacito che vive nella testa di poche persone, nelle mail, in archivi stratificati in trent’anni, nei fogli Excel con nomi strani. Qui ci sono praterie di business ancora da esplorare.
Il problema è che un’azienda che “non sa cosa sa”, cioè che non ha la consapevolezza di cosa è contenuto all’interno della propria base di conoscenza, non può aprirsi alle partnership, perché non sa che cosa può condividere e che cosa invece deve assolutamente proteggere, e inevitabilmente finisce per aprirsi troppo o per non aprirsi affatto.
Company Brain, Private AI e governance by design
L’Open Innovation del futuro richiede quindi tre competenze nuove. La prima è rendere la conoscenza interrogabile: la memoria e la conoscenza aziendali diventano un asset su cui possono lavorare persone, partner e agenti, ed è quello che alcuni chiamano Company Brain. La seconda è condividere valore senza cedere dati riservati, con architetture di Private AI e di anonimizzazione che permettono di collaborare su dati aziendali riservati senza perderne il controllo. La terza è la governance by design.
Un’azienda può innovare soltanto in modo proporzionale a quanto conosce se stessa. “Nosce te ipsum” quindi, frase erroneamente attribuita a Socrate, ma in realtà incisa sul frontone del Tempio di Apollo a Delfi.
Trasformare anziché connettere: la nuova misura dell’innovazione aperta
L’Open Innovation del futuro non si misurerà in numero di connessioni. Non conterà quante startup abbiamo incontrato, quante call abbiamo lanciato, quanti accordi abbiamo firmato o quanti use case abbiamo realizzato. Si misurerà in velocità di trasformazione, cioè in quanto rapidamente un’organizzazione trasforma conoscenza esterna, umana o artificiale, in qualcosa che funziona in produzione. Ovviamente serve una validazione scientifica non soltanto del processo, ma anche di ogni singolo PoC, in caso contrario potremmo semplicemente portare in produzione lo use case sbagliato.
Se domani lo scouting fosse gratis, e in buona parte lo è già, le domande da portare in azienda sarebbero due. Quanti dei nostri pilot sono stati validati davvero da qualcuno di esterno, non dalla demo del fornitore e non dall’entusiasmo interno di chi ha prodotto gli use case? E la più difficile: sappiamo davvero che cos’è, e dove si trova, la conoscenza della nostra azienda?
Fonti
- Henry Chesbrough, Open Innovation: The New Imperative for Creating and Profiting from Technology, Harvard Business School Press, 2003
- UC Berkeley Haas, Open Innovation Principles
- Marcus Holgersson, Linus Dahlander, Henry Chesbrough, Marcel Bogers, Open Innovation in the Age of AI, California Management Review, vol. 67, n. 1, 2024
- Wesley Cohen, Daniel Levinthal, Absorptive Capacity: A New Perspective on Learning and Innovation, Administrative Science Quarterly, vol. 35, n. 1, 1990
- MIT NANDA (Challapally, Pease, Raskar, Chari), The GenAI Divide: State of AI in Business 2025, 2025
- Virtualization Review, MIT Report Finds Most AI Business Investments Fail, Reveals ‘GenAI Divide’, 19 agosto 2025
- R. Scott Raynovich, Why We Don’t Believe MIT NANDA’s Weird AI Study, Futuriom, agosto 2025
- Regolamento (UE) 2024/1689 (AI Act), EUR-Lex
- Commissione europea, AI Act Service Desk, Articolo 25: Responsabilità lungo la catena del valore dell’AI
Partecipa alla community