Mostrando entradas con la etiqueta Investigación y desarrollo. Mostrar todas las entradas
Mostrando entradas con la etiqueta Investigación y desarrollo. Mostrar todas las entradas

Doxa 820

La innovación real requiere más que un presupuesto de I + D

Por Gina O’Connor
Investigación y desarrollo
Harvard Business Review

Hoy es difícil encontrar un CEO que no presuma la importancia de la innovación, pero muchos parecen perplejos por cómo lograrlo. Una encuesta de McKinsey ampliamente citada de 2008 encontró que el 84% de los ejecutivos creía que la innovación era crítica para el crecimiento de su negocio, pero solo el 6% estaba satisfecho con el desempeño actual de la innovación de su empresa. Un estudio más reciente de KPMG y el Líder de Innovación pidió a los ejecutivos que calificaran qué tan avanzados estaban los esfuerzos de innovación de sus empresas en una escala de cinco puntos. Casi el 60% de los encuestados dijeron que estaban en las primeras etapas (ad hoc, que era un punto, o emergentes, dos puntos), mientras que solo el 2% dijo que sus actividades de innovación estaban optimizadas (5 puntos).

Después de haber estudiado la innovación en más de 40 empresas en los últimos 25 años, creo que la desconexión entre la ambición y la ejecución proviene de una visión demasiado estrecha de lo que implica la innovación y una tendencia a combinar la innovación y la I + D. Cuando los líderes empresariales no ven resultados innovadores de sus divisiones de I + D, lo toman como una señal de que las inversiones a largo plazo en innovación no dan resultado y reducen el gasto en I + D.

En realidad, la innovación es mucho más grande que la I + D. Involucra tres capacidades distintas: descubrimiento, incubación y aceleración (DIA). La I + D es solo una parte de la capacidad de descubrimiento: la invención. Los líderes corporativos deben reconocer que el desarrollo de aplicaciones comerciales, modelos de ingresos y mercados para nuevos productos a menudo requiere tanto tiempo y recursos y merece tanto énfasis, como inventar las tecnologías mismas.

Sin una función de innovación estratégica que incluya un proceso de Descubrimiento integral y la capacidad de Incubar y Acelerar nuevas tecnologías, las empresas terminan acumulando invenciones no desarrolladas en sus departamentos de I + D y, según nuestra investigación, no ven un fuerte retorno de la inversión de su exploración. I + D. Caen en la trampa de tener "ideas innovadoras que se ejecutan de manera incremental", como lo expresó el CTO de una conocida compañía Fortune 500 durante nuestra investigación.

La innovación requiere pensar en grande

La respuesta para impulsar la innovación, entonces, no se trata solo del gasto en I + D, sino de construir una capacidad de innovación sólida. Los líderes corporativos harían bien en prestar atención a las lecciones de una conocida empresa de artículos para el hogar que estudié extensamente de 2010 a 2016. A principios de la década de 2000, los ambiciosos experimentos con productos, como un calentador de agua sin tanque, no lograron alcanzar el mercado. Cuando llegó un nuevo liderazgo en 2007, se alarmaron por años de inversión en grandes apuestas con poca recompensa comercial.

Sin embargo, en lugar de renunciar a Discovery, la compañía se reagrupó. Según un vicepresidente senior, aunque pudieron perfeccionar nuevos productos a nivel técnico, vieron que tenían una deficiencia crítica en el desarrollo de los mercados para ellos. También escogían proyectos que los extendían a nuevas áreas tecnológicas y mercados simultáneamente, alejándolos demasiado de las competencias existentes.

Al agudizar sus fortalezas existentes y aumentar sus capacidades para Incubar y Acelerar productos prometedores, encontraron oro. En dos años, la compañía lanzó un grifo de alta tecnología que se convirtió en su mayor vendedor en décadas. Esto fue seguido por una serie de productos para el hogar que juntos duplicaron su volumen de ventas en esas categorías y aumentaron las ganancias en más del 20%. En el camino, aprendieron una lección esencial: no importa cuántos inventos sorprendentes produzca I + D, es solo el comienzo del proceso de innovación. Una función de innovación robusta es necesaria para que cualquier tecnología nueva alcance su máximo potencial y se convierta en un negocio completo.

Creación de capacidad para incubación y aceleración

Un equipo de innovación que funcione bien tiene capacidades más allá de lo que puede proporcionar un departamento típico de I + D o una unidad comercial existente. No solo refina los aspectos técnicos de un nuevo producto durante Discovery, sino que también mapea el panorama de oportunidades completo de sus casos de uso y aplicaciones comerciales. En la fase de incubación, el equipo expande, prueba y elabora las oportunidades más prometedoras y perfecciona un modelo y una estrategia de negocios. Acelera las oportunidades que comienzan a despegar, transformándolas en la corriente principal una vez que han alcanzado la escala necesaria para sobrevivir bajo operaciones y métricas normales.

En lugar de engendrar inventos prometedores en las unidades de negocios existentes y las aplicaciones más obvias, una función de innovación robusta fomenta una visión expansiva de lo que podría convertirse una tecnología y luego la guía por los caminos más prometedores. Por ejemplo, en la década de 1990, la compañía de semiconductores Analog Devices, que estudié, desarrolló un nuevo acelerómetro capaz de detectar cambios en la velocidad al 5% del costo de las tecnologías existentes. Al perfeccionar este invento para usarlo en bolsas de aire en automóviles, surgieron otras oportunidades para usarlo en videojuegos, satélites e instrumentos científicos. La experiencia en estos mercados más pequeños y especializados ayudó a la compañía a refinar la tecnología y fortalecer su posición una vez que ingresaron al mercado automotriz.

La innovación vale la pena

La tendencia a combinar innovación e I + D también enturbia la comprensión de las personas sobre el valor a largo plazo que crea. Desde la década de 1980, las empresas estadounidenses han reducido drásticamente el gasto en investigación básica de ciencia e ingeniería exploratoria, en gran parte porque creían que estas inversiones no serían recompensadas en el mercado. Los beneficios eran demasiado vagos y no se podían rastrear hasta los beneficios a corto plazo. Sin embargo, la investigación muestra que la inversión en innovación verdaderamente innovadora realmente vale la pena, si abarca más que I + D e incluye capacidades sólidas de descubrimiento, incubación y aceleración.

A primera vista, un estudio de 2015 de 141 empresas estadounidenses que realicé con Dmitri G. Markovitch y Pamela J. Harper parece confirmar los temores de la gente sobre el retorno del gasto en I + D. A lo largo de una década de datos, no encontramos una relación estadísticamente significativa entre las inversiones de una empresa en investigación y desarrollo básico y exploratorio (medido por el número de patentes de cada empresa en la última década, ponderado por lo científicamente novedosas que eran) y el valor bursátil de la empresa. Este hallazgo se alinea con la investigación existente que muestra que no hay conexión, o en algunos casos una relación negativa, entre la investigación y desarrollo exploratorio y el desempeño del mercado.

Pero la visión crítica de nuestro estudio es que una capacidad de innovación que va más allá de la investigación y desarrollo básico y exploratorio es la pieza que falta que produce valor de mercado. Medimos la presencia de personal de incubación e innovación dentro de cada empresa (como el liderazgo superior y los equipos formales encargados de la innovación y la incubación) y la cantidad de comunicaciones públicas de la empresa sobre innovación: los dos indicadores públicos de inversión en innovación más fácilmente disponibles más allá de la I + D . Y descubrimos que el nivel de estas actividades podría cambiar la relación entre I + D y el rendimiento del mercado de un poco negativo a uno significativamente positivo. (Curiosamente, en nuestro análisis estadístico, la actividad de innovación por sí sola tampoco tiene impacto en el valor de mercado. Es solo la interacción de la actividad de innovación y la investigación y desarrollo básico y exploratorio lo que tiene un efecto positivo).

En general, nuestro estudio respalda lo que he encontrado a lo largo de años de investigación en numerosas compañías: que invertir en innovación vale la pena, pero no si se limita a I + D.

Es notable que la innovación, un principio venerado en el mundo empresarial moderno, siga siendo tan ampliamente incomprendido. A medida que los líderes empresariales exigen cada vez más un enfoque en la creación de valor a largo plazo, solo pueden lograrlo expandiéndose más allá de la I + D para desarrollar la capacidad de innovación verdaderamente innovadora. Una función de innovación fuerte debería ser la norma para cualquier empresa sostenible que funcione bien. Sin ella, las tecnologías notables fracasan y no se abren paso en nuevos negocios.

Gina O'Connor es profesora de Gestión de la Innovación en Babson College, donde realiza investigaciones, enseña a estudiantes y ayuda a ejecutivos a desarrollar innovaciones innovadoras en grandes empresas a través de Babson Executive Education. Su libro más reciente es Más allá del campeón: institucionalizando la innovación a través de las personas (2018).


Doxa 779

¿Por qué las empresas basadas en la ciencia deberían usar Agile?

Por Alessandro Di Fiore, Kendra West y Andrea Segnalini
Investigación y desarrollo
Harvard Business Review

Las organizaciones en contextos muy diferentes y situaciones competitivas han adoptado firmemente la metodología ágil. Pero un área está notablemente ausente de esta tendencia: la I + D en empresas impulsadas por la ciencia. Si bien las prácticas y conceptos ágiles están transformando a las corporaciones en todas las industrias, estos departamentos se han quedado, casi intactos, en sus antiguas formas de trabajo.

Esto se debe en parte a que el enfoque científico sigue siendo decididamente tradicional. Es muy lineal, con una etapa que progresa a la siguiente solo cuando se completa la etapa anterior. Las unidades organizativas están diseñadas en torno a dominios científicos estrechos y proporcionan recursos a equipos poco definidos para completar tareas.

Por ejemplo, en uno de nuestros clientes de biotecnología, encontramos que los grupos de desarrollo clínico estaban trabajando sin mucha coordinación. Siguieron estrictos protocolos de procesos científicos y los miembros del equipo recurrieron a sus jefes funcionales para todas las decisiones clave. La única actividad real del equipo fue preparar una excelente presentación de PowerPoint para el comité directivo cada mes más o menos para mostrar el progreso. Nuestro análisis encontró que el desperdicio y la ineficiencia de este intercambio entre las personas y sus funciones de informes cuestan alrededor del 30% de su tiempo y productividad, y, lo más importante, reduce la capacidad de iterar rápidamente a pesar de los beneficios obvios que una adaptación más rápida llevar a un proceso intensivo en capital e incierto como el desarrollo de medicamentos.

La forma de trabajo científica tradicional también es costosa. Las avenidas se exploran laboriosamente incluso si finalmente llegan a un callejón sin salida. Según estudios recientes de la industria farmacéutica, los gastos de bolsillo promedio para cada medicamento recientemente aprobado son de $ 1.4 mil millones; La cifra ha crecido constantemente en las últimas décadas. La productividad general de la investigación en los EE. UU. También está disminuyendo: las estimaciones de los académicos de Stanford y el MIT sitúan la disminución en un promedio de 5.3% por año.

Otros factores que presionan a las corporaciones para mover productos a través de la tubería más rápido y con una mayor eficiencia de costos incluyen regulaciones rápidamente cambiantes y expectativas crecientes de los accionistas para inversiones de I + D de mayor rendimiento.

Dados todos los desafíos a los que se enfrentan la mayoría de los grupos de I + D impulsados ​​por la ciencia, en el ámbito farmacéutico y más allá, los marcos ágiles podrían proporcionar un nuevo valor para apoyar a los equipos a lo largo de su viaje desde descubrimientos innovadores hasta desarrollos comerciales exitosos.
Ciencia ágil en el trabajo

En nuestro trabajo en empresas relevantes, estamos viendo la aparición de lo que describimos como ciencia ágil: una nueva forma de trabajo caracterizada por el uso pragmático y específico del contexto de métodos y herramientas ágiles.

Considere una empresa química alemana que adoptó el principio ágil de iteraciones rápidas con la participación temprana del cliente en su proceso de I + D. Este nuevo enfoque le permitió aumentar su productividad de I + D en un 20% al suspender proyectos o al orientarlos en nuevas direcciones al principio del proceso. Por ejemplo, gracias a las primeras pruebas de prototipo con un pequeño número de clientes de detergentes industriales, la compañía decidió archivar investigaciones que de otro modo habrían resultado en una falla costosa.

O tome PTC Therapeutics, una compañía biofarmacéutica con sede en Nueva Jersey que se enfoca en descubrir, desarrollar y comercializar medicamentos para enfermedades raras. PTC se enfrentó al desafío de cuadruplicar la cantidad de proyectos de investigación y desarrollo clínico planificados en 24 meses debido a su creciente inversión en I + D y su cartera de proyectos. Adoptó una estructura basada en equipos para reducir las ineficiencias y permitir un escalado rápido a través de grupos de investigación, desarrollo clínico y comerciales potenciados y multifuncionales. Si bien este cambio aún está en progreso, los líderes senior ahora tienen más confianza para manejar sin problemas una mayor complejidad. Los primeros resultados también sugieren que el aumento de la productividad puede ser suficiente para administrar el doble de programas, al tiempo que aumenta la tasa de éxito de los proyectos.

Esto nos da un marco sobre cómo más organizaciones pueden unirse al movimiento científico ágil.

1. Anticípese al escepticismo. Las percepciones son importantes, especialmente en un campo infundido con un sentido natural de escepticismo. Los científicos están entrenados para confiar solo en experimentos controlados. Para cambiar cualquier punto de vista negativo inicial sobre ágil, necesitará el enfoque correcto para difundir y ejecutar los conceptos.

Ayuda a señalar ejemplos sólidos, y tenemos uno en el Broad Institute of MIT y Harvard, un centro de investigación biomédica y genómica. En 2016, los entusiastas ágiles del Broad Institute lanzaron una comunidad de práctica ágil abierta llamada "Academia Ágil" para aprender más sobre las prácticas y cómo podrían aplicarse para ayudar a los equipos que no son de software. El grupo ahora incluye representantes de más de 20 departamentos de laboratorio y administrativos de Broad y se reúne mensualmente para discutir prácticas ágiles y coordinar capacitación ágil en profundidad y eventos de reuniones ágiles para la comunidad de Broad Institute. Como resultado, los valores, las rutinas y las herramientas ágiles se han extendido naturalmente a los equipos a través de la organización a medida que más personas aprendieron sobre sus beneficios.

2. Haga hincapié en el "por qué". Concéntrese más en el "por qué" del cambio a ágil que en el "qué" y el "cómo" de incorporar la metodología. El consenso en torno a los objetivos debe conducir las decisiones sobre qué modelo organizacional y prácticas aplicar.

En PTC Therapeutics, el equipo del comité ejecutivo analizó por primera vez lo ágil en un taller para comprender si sería adecuado para la empresa. La discusión del "por qué" fue particularmente valiosa, ya que condujo a la alineación de los ejecutivos con la justificación de un cambio inmediato. La compañía estaba experimentando un crecimiento acelerado y necesitaba transformar rápidamente su forma de trabajar para administrar dramáticamente más escala y complejidad y cumplir con sus objetivos a medio plazo. El CEO y el COO luego compartieron el plan, haciendo hincapié en este "por qué", con los empleados de un ayuntamiento de toda la empresa. El resultado fue una amplia aceptación y un fuerte impulso para la capacitación en toda la empresa.

Podría haber varias razones para una transformación ágil: reducir costos, aumentar la productividad, centrarse más en el cliente al adaptarse rápidamente a los comentarios, acelerar la toma de decisiones, aumentar el compromiso de los empleados, etc. Cuando se identifica y comunica ese "por qué", es mucho más probable que las personas acepten e incluso den la bienvenida al cambio.

3. Implementar con flexibilidad. Ágil no requiere un enfoque de todo o nada. Algunas rutinas y herramientas serán valiosas y aplicables, otras menos dependiendo de su contexto y necesidades comerciales. La rigidez del proceso es la antítesis de la agilidad. Es posible que los equipos ágiles de I+D no se vean, seguramente no lo harán, como equipos de software ágiles, y eso es perfectamente aceptable.

Por ejemplo, durante sus exploraciones ágiles, varios laboratorios del Broad Institute se dieron cuenta rápidamente de que un scrum diario era demasiado para ellos. Muchos de los procedimientos de laboratorio se mantuvieron igual día a día, y los equipos no encontraban valor reunirse tan a menudo. Entonces ajustaron la cadencia y el alcance de sus scrums. Algunos se reunían una vez por semana para alinearse en el trabajo y eliminar dependencias. Otros equipos más basados ​​en proyectos variaron la frecuencia de las reuniones de rutina de acuerdo con el flujo del proyecto de laboratorio, por ejemplo, diariamente durante las fases que requieren mucha coordinación (procesamiento de muestras, redacción de documentos, etc.), pero semanalmente o quincenalmente en otros momentos. .

4. Organícese alrededor del tipo correcto de equipos. Los equipos son la unidad básica de entrega para una organización ágil. Pero el tipo correcto de organización basada en equipo es difícil de encontrar en las empresas basadas en la ciencia. Las personas son asignadas a proyectos, pero continúan identificándose con funciones y departamentos ferozmente independientes que usan su dominio de conocimiento científico como una forma de tomar el control de "decisiones relacionadas". Además de los típicos silos organizacionales, los dominios de conocimiento crean feudos, eliminados de cualquier cuestionamiento por parte de extraños.

En PTC Therapeutics, los equipos ágiles multifuncionales se convirtieron en la unidad básica de la nueva parte de desarrollo clínico de la organización. La compañía creó lo que llamamos "funciones de agrupamiento" que podrían asignar dinámicamente recursos "a pedido" a equipos ágiles recientemente definidos que estaban facultados para impulsar la toma de decisiones dentro de su alcance definido, sin ninguna fricción de los silos funcionales anticuados.

Por ejemplo, para un programa de medicamentos en desarrollo clínico avanzado, el equipo central generalmente está compuesto por personas de tiempo completo de operaciones clínicas, regulatorias y asuntos médicos. El propietario del producto es una persona de marketing respaldada por un entrenador ágil (similar al scrum master en otras organizaciones). Las funciones de agrupación operan como agrupaciones de personal y se encargan del equilibrio de la demanda y la oferta de talento en el mediano plazo.

Los equipos se agrupan en torno a un capítulo terapéutico, con un líder que equilibra las prioridades y las interdependencias para proyectos relacionados con el mismo medicamento entre varios equipos en el capítulo, y asegura una integración bidireccional de las prioridades y objetivos estratégicos de la compañía con la autonomía de abajo hacia arriba y resultados de los equipos. PTC Therapeutics espera no solo más eficiencia de este modelo organizacional ágil (es decir, escalar más suavemente usando menos recursos), sino también acelerar sus ciclos de desarrollo clínico.

El uso de ágil en la ciencia apenas comienza. Las comunidades científicas atrincheradas resistirán cambiar sus hábitos de trabajo. Pero, a medida que estas organizaciones pioneras informan sobre sus resultados y experiencias positivas, es probable que aumente la demanda de ciencia ágil. Después de todo, aprender y adaptarse es el corazón de lo que se trata la ciencia.

Alessandro Di Fiore es el fundador y CEO del Centro Europeo para la Innovación Estratégica (ECSI) y ECSI Consulting. Está basado en Boston y Milán. Se le puede contactar en adifiore@ecsi-consulting.com. Síguelo en twitter @alexdifiore.

Kendra West es Consultora Senior en ECSI Consulting.

Andrea Segnalini es Consultora Senior en ECSI Consulting en la oficina de Milán.


Doxa 689

La ventaja de perder empleados innovadores frente a competidores

Por Stefan Wagner y Martin Goossen
Investigación y desarrollo
Harvard Business Review

Las empresas hacen todo lo posible para evitar que algunos empleados se vayan a trabajar para los rivales. Además de ofrecer beneficios, a menudo confían en no competidores, protección de secretos comerciales y otros medios legales para evitar perder talento importante y dejar que el conocimiento llegue a las manos de los competidores. Pero nuestra investigación sugiere que las empresas podrían beneficiarse de ciertos empleados que van a trabajar para otros en el mismo espacio.

En un estudio reciente, encontramos que estos empleados actúan como "puentes" y facilitan más colaboraciones entre sus empleadores pasados ​​y presentes. Esta facilitación puede ser útil, porque aunque las asociaciones crean valor para ambas compañías, negociarlas puede ser complicado, ambas partes tienen información incompleta y capacidades, objetivos y expectativas tecnológicas diferentes. No es raro que las conversaciones se rompan, a costa de la pérdida de recursos y oportunidades.

Pero tener personas familiarizadas con ambas partes puede facilitar la toma de decisiones y conducir a mejores alianzas. Y también encontramos que las colaboraciones tienden a ser más productivas (en términos de producir más patentes) con estos empleados en el centro, haciendo que los beneficios de la colaboración superen los costos de perder talento.

Estudiamos esto en el contexto de las colaboraciones de I + D en productos farmacéuticos. Las compañías farmacéuticas a menudo forman asociaciones estratégicas con competidores, especialmente cuando se trata de grandes proyectos de innovación, ya que ayudan a disipar la carga de un desarrollo de medicamentos cada vez más costoso. Por ejemplo, en febrero, Merck (Darmstadt), una compañía líder en ciencia y tecnología con una fuerte presencia en productos farmacéuticos, y GSK, una compañía global de atención médica, anunció una alianza estratégica para desarrollar y comercializar conjuntamente un nuevo medicamento contra el cáncer llamado Bintrafusp alfa. Según el comunicado de prensa, "la asociación le permitiría a Merck llevar el tratamiento al mercado" más rápido y más lejos "gracias a las capacidades complementarias de GSK, la huella comercial global y un mayor enfoque en oncología".

Nuestra investigación incluyó la realización de entrevistas en profundidad con 15 ejecutivos farmacéuticos de alto rango. Tenían su sede en los EE. UU., El Reino Unido, Alemania y Francia, y eran responsables de las actividades de I + D y desarrollo de negocios en grandes y medianas empresas. Preguntamos sobre sus motivaciones para crear alianzas, sus barreras para identificar, seleccionar y negociar con socios potenciales, y el papel de los científicos de I + D en el proceso.

También reunimos un gran conjunto de datos sobre alianzas estratégicas formadas entre las 55 firmas farmacéuticas más grandes, responsables de más del 80% de las ventas globales en la industria, desde 1990 hasta 2005. (Estas alianzas fueron acuerdos contractuales en los que las empresas se comprometen a compartir recursos: dinero, derechos de propiedad intelectual, personal de I + D para el desarrollo y la comercialización de medicamentos. No eran acuerdos de fusiones y adquisiciones. Nuestros datos incluían datos de patentes disponibles públicamente e información sobre más de 130,000 científicos empleados por estas compañías. Pudimos identificar a todos los científicos que se movieron entre las empresas de nuestra muestra y determinar si el movimiento aumentaba las probabilidades de que las empresas involucradas formaran una alianza.

Nuestros resultados muestran que es bastante común que los científicos se muevan entre compañías farmacéuticas competidoras. Más de 8.200 científicos se mudaron, individualmente o en pequeños equipos, de una empresa a otra durante los 16 años que realizamos el seguimiento. También vimos que, en promedio, las probabilidades de formar una alianza de investigación y desarrollo son un 33% más altas cuando un científico se movió entre las dos empresas en los últimos cinco años.

Cuando profundizamos en los datos, encontramos que estos científicos móviles no solo condujeron a alianzas más frecuentes sino también a otras más fructíferas. El número de patentes presentadas dentro de los tres años, un indicador común del desempeño de la innovación, fue casi el doble en comparación con las alianzas que no involucran a científicos móviles. Y las probabilidades de que ambas empresas vuelvan a colaborar en los próximos tres años fueron un 25% más altas en comparación con otras alianzas.

Nuestros análisis empíricos sugieren que cuando los científicos se movían entre empresas competidoras, aumentaban las posibilidades de que esas empresas formaran una alianza de I + D. Basándonos en nuestras entrevistas, creemos que lo hicieron actuando como puentes entre el empleador anterior y el actual en dos formas clave: identificando oportunidades de colaboración y facilitando el proceso de negociación para formar la alianza.

Encontrar un socio adecuado para una colaboración es una tarea notoriamente difícil y que requiere mucho tiempo. Se requiere que las compañías monitoreen constantemente las tendencias tecnológicas emergentes e identifiquen socios con capacidades que respondan a sus necesidades. Los científicos móviles pueden ser un activo valioso en esta búsqueda, ya que conocen las habilidades y necesidades tecnológicas de su antiguo y nuevo empleador. Si ven una coincidencia, pueden acelerar el proceso de iniciar discusiones.

Los científicos móviles también pueden ayudar a las empresas a evaluar las capacidades de sus competidores. Esta es una de las razones por las que las empresas temen la apropiación indebida de los conocimientos y recurren a acuerdos contractuales o amenazas legales para limitar la movilidad de los empleados. Pero este enfoque demasiado cauteloso puede evitar que las empresas aprovechen las oportunidades. Puede ser beneficioso para los competidores saber qué capacidades tiene.

Como dijo un ejecutivo que entrevistamos, “Si un empleado que creó veinte patentes para usted se muda a un competidor, no puede llevarse esas patentes con él de todos modos. Por el contrario, el conocimiento protegido que transfiere puede incluso aumentar sus posibilidades de encontrar un futuro socio para alianzas de investigación ”. En otras palabras, los empleados que se van pueden seguir ayudándole a encontrar nuevas fuentes de valor, por ejemplo, encontrando socios que puedan aprovechar su Inventos de nuevas formas o que puedan ayudar a comercializarlos.

Cuando se trata de reunir estas alianzas, los empleados móviles pueden facilitar el proceso. La decisión de colaborar está determinada por los ejecutivos, los científicos y el personal de desarrollo de negocios, que necesitan una comprensión compartida del desafío científico dentro del desarrollo de fármacos y la estructura organizativa necesaria para resolverlo. Un empleado familiarizado con ambas partes puede compartir información muy necesaria sobre la cultura corporativa y las rutinas de toma de decisiones de las compañías. Como dijo un ejecutivo, “[este empleado] no solo facilita y acelera el proceso de formación de alianzas, sino que también conduce a alianzas más estables, ya que las expectativas de ambos aliados están mucho mejor alineadas [. . .] e información más detallada se intercambia desde el principio ".

Nuestro análisis también mostró que los antecedentes del empleado son importantes: los científicos que colaboraron con más colegas en su antiguo empleador fueron más eficaces en la construcción de puentes, ya que tenían una comprensión más profunda de su antigua empresa. Haber colaborado (en un invento patentado) con otros cinco colegas de la antigua compañía aumenta la probabilidad de formación de alianzas en un 20% adicional. Estas alianzas también llevaron a un mayor rendimiento de la innovación.

Y descubrimos que las alianzas formadas para el desarrollo conjunto y la comercialización de nuevas tecnologías se benefician más de los empleados móviles. Nuestras entrevistas sugieren que estas alianzas son más difíciles de forjar que aquellas para asegurar un acuerdo de licencia o para transferir tecnología, lo cual tiene sentido si lo piensas. El desarrollo es arriesgado y puede ser difícil llegar a un acuerdo sobre la dirección del trabajo conjunto de I + D, lo que hace que los inventores móviles sean más valiosos para ayudar a ambas partes a comunicar intereses e información.

Perder empleados altamente capacitados no es una razón para celebrar, pero lamentarse de ellos tampoco es un enfoque sensato. Si bien la naturaleza de nuestros datos a gran escala no nos permite hacer un análisis monetario detallado de costo-beneficio, nuestras entrevistas resaltan que los ejecutivos valoran a los inventores móviles por la forma en que mejoran la velocidad y la estabilidad de la formación de alianzas con empresas competidoras.

Los gerentes de las empresas contratantes pueden obtener los beneficios de los empleados móviles al involucrarlos activamente en las decisiones estratégicas que se beneficiarían de su experiencia única e información sobre los competidores. Por ejemplo, algunas empresas conectan a los empleados contratados de un socio potencial con el equipo responsable de llevar a cabo la diligencia debida que precede a la formación de alianzas.

Nuestros conocimientos no solo se aplican a las alianzas de I + D, sino también a muchas otras colaboraciones interorganizacionales, desde negociaciones de contratos de subcontratación hasta empresas conjuntas formales y toma de decisiones de fusiones y adquisiciones. Tener empleados móviles a bordo a menudo vale la pena.

Stefan Wagner es profesor asociado de estrategia en la ESMT de Berlín. Sus intereses de investigación de investigación cubren la intersección de la estrategia de la empresa, la innovación tecnológica y la organización industrial.

Martin Goossen es profesor asistente en el Departamento de Administración de la Universidad de Tilburg. Su investigación se centra en el papel de los empleados individuales en las actividades de I + D de las empresas de alta tecnología.

Doxa 549

Cómo configurar un laboratorio de I+D de IA

Por Foteini Agrafioti
Investigación y desarrollo
Harvard Business Review

En el momento en que una nueva tecnología promocionada atraiga la atención general, muchas empresas se apresurarán a incorporarla a su empresa. La mayoría de estas tendencias se desvanecerán y desaparecerán para el cuarto trimestre. La inteligencia artificial (IA) es poco probable que sea uno de ellos.

AI es una serie transformadora de herramientas que puede acelerar la productividad, impulsar el conocimiento y abrir flujos de ingresos inexplorados. Está preparado para revolucionar la forma en que hacemos negocios y todos los que tienen un rol de liderazgo deberían pensar en ello.

Pero pocas organizaciones están configuradas para hacer IA correctamente.

Existe la idea errónea de que el cambio de marca como una empresa de inteligencia artificial es tan simple como tener datos, infraestructura y datos y análisis estándar. La realidad es que la IA es compleja, de alto riesgo, costosa y, a menudo, requiere una transformación empresarial significativa. Sin embargo, lo más importante es que requiere un grupo de talentos ultra especializados que, según los últimos informes, actualmente cuenta con solo 22,000 expertos de nivel de doctorado en todo el mundo, un grupo muy pequeño.

Cuando considera que las predicciones de valor de mercado anuales para las técnicas de IA oscilan entre $ 3.5 billones y $ 5.8 billones, queda claro por qué la batalla para reclutar de este grupo escaso se ha convertido en un desafío definitorio de la industria. En este momento, las compañías más grandes del mundo están recogiendo a estos expertos para poblar sus equipos porque entienden que la clave para construir una práctica robusta y exitosa de IA es encontrar y retener el talento adecuado.

Entonces, cuando el Royal Bank of Canada (RBC) se me acercó hace tres años para ayudarles a aumentar sus capacidades de inteligencia artificial, esto es lo que aconsejé: Para ir más allá de la ciencia de datos y hacer inteligencia artificial real, debe contratar a las personas adecuadas, emprender la investigación , y adaptar tu cultura.

En este momento, la IA es más una frontera abierta que un espacio compatible con la industria. Sus aplicaciones son lo suficientemente nuevas como para que los profesionales actuales de la IA aún no existan a escala. Esto hace que encontrar, retener y nutrir el talento sea el desafío más apremiante. Si desea esta capacidad en su organización, debe contratar a las personas con el equilibrio perfecto entre intuición de datos y conocimientos avanzados. Estas personas son casi todos los académicos.

Es imposible exagerar la importancia de este nivel de experiencia. Los modelos de aprendizaje automático se ejecutan en matemáticas, cuya sutileza requiere una profunda comprensión de los dominios de datos. Las tareas simples pueden ser desalentadoras para quienes no tienen la experiencia adecuada. Los errores en el espacio de aprendizaje de la máquina son extremadamente comunes, pero cuando se aplican a los negocios también pueden tener consecuencias en la vida real, hasta e incluyendo la vida y la muerte.

Aquí hay un ejemplo de libro de texto de lo fácil que pueden ocurrir estos errores. En 1973, la Universidad de California en Berkeley compiló sus cifras de ingreso a escuelas de posgrado y descubrió lo que parecía ser un sesgo significativo en contra de las mujeres solicitantes. Los números estaban allí en la página: el 44% de los solicitantes masculinos fueron admitidos en programas de posgrado, frente al 35% de las solicitantes femeninas.

Ante el temor de una demanda, los funcionarios escolares enviaron los datos a su departamento de estadísticas para un análisis más detallado. Un equipo dirigido por Peter Bickel, ahora profesor emérito de estadísticas de la escuela, fue capaz de descifrar las cifras al analizar los departamentos individuales. Cuando se analizaron de esta manera, los datos no proporcionaron evidencia de sesgo; el problema era que las mujeres solicitaban programas más difíciles y competitivos con tasas de ingreso más bajas que sus contrapartes masculinas. De hecho, las mujeres tenían tasas de ingreso ligeramente más altas que los hombres por departamento. (Esto no significa que no haya un sesgo de género en juego; simplemente significa que la evidencia que se estaba utilizando para alegar que el sesgo (menores tasas de ingreso para las mujeres) no era en sí una indicación de sesgo).

Los investigadores estarán familiarizados con este fenómeno, conocido como la paradoja de Simpson. Los desafíos del aprendizaje automático han aumentado significativamente en complejidad desde entonces y se requieren años de entrenamiento y experiencia para desarrollar una intuición bien afilada que pueda resolver estos problemas. En el caso de Berkeley, la administración tuvo acceso a un equipo interno de estadísticos de primer nivel. Pero es fácil ver cómo un análisis inexperto podría haber atado a la universidad en una batalla legal costosa y prolongada. En cambio, la universidad emergió con una comprensión más matizada de su proceso de admisión.

En una economía basada en el conocimiento, la investigación se convierte en el medio de producción. Este reconocimiento debería poner fin a cualquier idea errónea de que, como empresa habilitada para la IA, puede "salirse con la suya" sin realizar una investigación interna. Lo que los líderes tienden a perderse aquí es que el progreso científico que hemos logrado en AI no hace que la tecnología esté lista para cualquier entorno. Cada negocio tiene sus propios desafíos y requisitos únicos, desde tipos de datos propietarios hasta restricciones operativas y requisitos de cumplimiento, que pueden requerir personalización adicional y progreso científico.

Esto hace que la IA sea una actividad de alto rendimiento y alto riesgo. Seguir la investigación puede, en este momento, parecer un acto novedoso y audaz. Pero debería ser la norma. Existe una gran ventaja competitiva que proviene de poseer estas soluciones para su industria. Las empresas que invierten en investigación que adapta el aprendizaje automático a su industria generarán propiedad intelectual (IP) extremadamente valiosa.

Una forma de eliminar el riesgo de esta búsqueda es unir la investigación fundamental (ciencia pura) y las prácticas de investigación aplicada. La búsqueda científica es, por definición, abierta: puede continuar para siempre, superando fronteras y conquistando el conocimiento. (Esta es la razón por la cual las universidades nunca saldrán del negocio). La investigación aplicada, por otro lado, está diseñada para resolver problemas específicos del mundo real. Lo que los investigadores aplicados aportan a la mesa es saber cuándo dejar de investigar y concentrarse en brindar una solución. Cada práctica sirve para influir en la otra. Es un impulso simultáneo que es menos probable que termine sin recompensa.

Por ejemplo, una de las áreas en las que nos centramos en Borealis AI (el brazo de I + D de RBC) es el procesamiento del lenguaje natural (PNL), el campo de la IA que puede entender el lenguaje. Hasta ahora, la PNL ha demostrado ser la más poderosa para analizar y analizar los cuerpos de texto con el fin de extraer patrones significativos. Nuestro interés particular en este tipo de aprendizaje automático consiste en capacitar a la PNL en conjuntos de datos de noticias para predecir cómo los eventos globales pueden afectar las trayectorias de las empresas. El objetivo final es crear software que pueda dirigir a los analistas financieros en tiempo real hacia información relevante dentro de sus respectivas industrias.

Es importante tener en cuenta que el estado del arte en el aprendizaje automático no ha alcanzado el nivel en el que pueda resolver todos los aspectos de este problema. Los algoritmos de PNL se desempeñan mejor en entornos restringidos, como los sistemas de preguntas y respuestas, donde un usuario puede hacer preguntas a una computadora a partir de una lista finita de posibles consultas. Dado que la computadora sabe qué anticipar en lenguaje, el programa puede responder en consecuencia.

Pero cuando el objetivo es entender algo tan dinámico como las noticias y aplicar esa información a la relación entre las empresas y los eventos mundiales, se requiere la capacidad de contextualizar y luego hacer un seguimiento de la evolución de entidades muy complejas y dependientes del tiempo. Aquí es donde entra en juego el matrimonio entre la investigación fundamental y la aplicada. En nuestro caso, la investigación fundamental apunta a hacer avanzar la PNL a un lugar donde pueda realizar de manera independiente razonamientos basados ​​en el lenguaje de alto nivel y comprender relaciones complejas al mismo nivel que los humanos. Nuestros investigadores aplicados luego aseguran que estas soluciones puedan aplicarse inmediatamente a los servicios financieros. Así es como construimos productos mientras empujamos los límites de la ciencia.

El último paso para construir una práctica de IA es crear el entorno adecuado. El mundo es la ostra proverbial de un investigador de IA en este momento. En una economía incierta, se encuentran entre los pocos raros cuyas oportunidades continúan siendo más fructíferas y se multiplican. Ofrecer a un talento potencial un espacio de trabajo dinámico, cómodo y único es un buen comienzo. También debe poder ofrecer conjuntos de datos convincentes y problemas interesantes para trabajar. También se requiere poder computacional y un equipo fuerte para proporcionar mentores de investigación. Pero la capacidad de perseguir la investigación impulsada por la curiosidad es el verdadero atractivo.

Cuando contrata personal académico, está invitando a un grupo de personas a su organización que provienen de una cultura muy específica. Comparten valores que se basan tanto en la ética de resolver problemas grandes y significativos como en la posibilidad de publicar los resultados de sus esfuerzos. Los investigadores se enorgullecen de las contribuciones que hacen, por lo que estos factores deben estar en su lugar. Esto se traduce en la reproducción de algunas de las condiciones de trabajo que han traído de la academia al tiempo que permite la transparencia de la colaboración y la publicación abierta que sirve para avanzar en su comunidad como un todo. Las empresas que trabajan en entornos cerrados deben reconsiderar ese enfoque. Si está operando en este campo, depende de usted probar sus credenciales y no al revés.

Operar un negocio en el momento de este cambio tecnológico es una oportunidad rara para aprovechar un punto de inflexión económica. Si bien aún no podemos predecir cómo cambiará el mercado, la prevalencia con la que la IA ya está incorporada en nuestras tecnologías centrales favorece la adopción temprana.

Sin embargo, a diferencia de la última revolución industrial, invertir en maquinaria grande no lo reducirá. Para tener un impacto real y seguir siendo relevante en el mercado, depende de los líderes ejecutivos construir el puente entre la investigación y la comercialización. Solo en esta vena colaborativa florecerá el verdadero impacto de AI.

Foteini Agrafioti es el Director Científico de RBC y Director de Borealis AI. Ella es responsable de la cartera de propiedad intelectual de RBC en los campos de inteligencia artificial y aprendizaje automático.

Doxa 525

Usando experimentos para lanzar nuevos productos

Por Jeff Fossett, Duncan Gilchrist y Michael Luca
Harvard Business Review
Investigación y desarrollo

 
Más que nunca, los administradores están usando ensayos controlados aleatorios a gran escala (es decir, experimentos) para guiar las decisiones. Esto ha llevado a logros impresionantes para organizaciones que van desde Amazon hasta el gobierno del Reino Unido. Estamos entusiasmados con el auge de los experimentos en organizaciones y hemos pasado gran parte de los últimos años pensando en cómo diseñarlos e interpretarlos. Al mismo tiempo, hemos visto que la experimentación sigue siendo desigual en todas las organizaciones y dentro de ellas, y muchas empresas luchan con formas de comenzar o expandir la experimentación.

Una forma sencilla y a menudo ignorada por las empresas más grandes para experimentar es aleatorizar la introducción de nuevos productos en un conjunto de mercados. Para ver cómo esto puede ser valioso, considere cómo Uber implementó su servicio Express Pool en 2018.

En ese momento, la compañía ya estaba ejecutando UberPool, un servicio que permite a los pasajeros ir en la misma dirección para compartir viajes y costos. Con UberPool, los pasajeros son recogidos y dejados donde quieran, al igual que con otros servicios de Uber. Pero con el servicio Express Pool, que cuesta incluso menos que UberPool, a los pasajeros generalmente se les pide que caminen distancias cortas para llegar a sus viajes y llegar a sus destinos.

En 2018, en el período previo al lanzamiento de Express Pool, Uber nos encargó a uno de nosotros (Duncan, quien administra un grupo de economistas y científicos de datos dentro de la compañía) que evaluara la probabilidad de éxito. ¿Cuántos usuarios optarían por participar y cómo afectaría el servicio al ecosistema Uber más amplio y más complejo?

Para responder a esas preguntas, Duncan y su equipo realizaron un experimento, lanzaron Express Pool en seis grandes mercados y luego compararon las métricas de las ciudades de lanzamiento con las de otros. Aprovechando los avances recientes en métodos experimentales, especialmente un método estadístico que le permitió a Uber usar una combinación ponderada de otras ciudades para formar un grupo de control "sintético" más adecuado, el equipo pudo descubrir las formas en que el despliegue influenció a Uber uso. Como era de esperar, Express Pool creó nuevos tipos de partidos de viaje. Pero el experimento también tuvo en cuenta el efecto que Express Pool tuvo en los productos Uber existentes y dejó en claro que lanzarlo tendría un buen sentido comercial. Como resultado, Uber pudo introducir con confianza Express Pool en muchos de sus principales mercados. Esta confianza, y el hallazgo que la inspiró, no hubiera sido posible sin el experimento.

Los mercados en línea ahora abundan, desde Uber y Airbnb hasta Rover y Tinder. Y Uber no está solo entre estas compañías al recurrir a experimentos a nivel de mercado para probar nuevos productos e innovaciones.

Airbnb (donde Jeff solía trabajar como científico de datos) recientemente realizó un experimento para probar el impacto de un nuevo diseño de página de destino en el ranking de motores de búsqueda y el tráfico. Para ejecutar el experimento, Airbnb aprovechó el hecho de que tenía páginas de destino con diferentes URL para diferentes mercados (San Francisco, Boston, Nueva York, etc.). Esto significaba que podían aleatorizar las diferentes URL para incluir el nuevo diseño o no, aislando así el efecto del diseño en el tráfico del motor de búsqueda. Y al hacerlo, pudieron demostrar que el nuevo diseño fue un éxito: resultó que la nueva página de destino estaba impulsando un aumento de ~ 3.5% en el tráfico de búsqueda, una mejora correspondiente a decenas de millones de visitantes por día para la plataforma. Sobre la base de estos hallazgos, Airbnb lanzó el nuevo diseño para todos los mercados.

No solo las empresas de tecnología pueden utilizar experimentos a gran escala para probar nuevos productos e innovaciones. Considere lo que podría hacer una cadena de restaurantes al decidir si ofrecer un nuevo sándwich de pavo y aguacate. Un enfoque tradicional para una decisión como esta podría ser implementar el sándwich en un par de tiendas estratégicamente elegidas, dirigir algunos grupos focales y estudiar las ventas históricas de otros productos. Si a la gente le gusta el sándwich en esas tiendas, el negocio podría desplegarlo en todas sus tiendas y esperar que tenga éxito a nivel nacional. Este tipo de enfoque proporcionaría información sobre el problema, pero tiene limitaciones importantes. Por ejemplo, sería difícil saber si el nuevo sándwich eliminó otras compras. Y sería un desafío ver si esto incrementó el número total de clientes. Si la cadena complementara este enfoque con un ensayo aleatorio a gran escala, al extender el sándwich a un conjunto de mercados seleccionados al azar, podrían aprender mucho más sobre los efectos que el agregado del sándwich podría tener en general en las ventas (tanto para nuevos y productos existentes), retención de clientes y satisfacción del cliente.

Hemos visto que las empresas pierden oportunidades importantes para la experimentación y hemos visto experimentos que sufren desafíos de implementación e interpretación. Para las compañías que buscan probar nuevos productos de manera experimental, aquí hay algunas pautas para comenzar:

1) Decida qué métricas son más importantes para usted y luego proponga hipótesis sobre cómo podrían comportarse. Invierta en la recopilación de datos y decida por adelantado qué resultados experimentales constituirán el éxito o el fracaso. Crea un mapa desde los datos hasta las decisiones. Recuerde, es genial si más personas compran un producto, pero no tanto si esto lleva a más llamadas de atención al cliente.

2) Elija un subconjunto aleatorio de mercados (por ejemplo, regiones, ciudades o franquicias) en el que lanzar el producto. Los resultados de la experimentación a nivel de mercado suelen ser ruidosos, por lo que una vez que tenga en mente un conjunto de mercados, piense detenidamente si podrá detectar los efectos que está esperando. (Los cálculos de potencia requieren muchas suposiciones, pero pueden ayudar a resolver esto).

3) Asegúrese de hacer un seguimiento no solo de si su nuevo producto está funcionando, sino también de cómo su lanzamiento afecta a los productos existentes. Express Pool por sí solo puede parecer un éxito, pero si no aumenta lo suficiente el mercado global de viajes, probablemente sea menos valioso de lo que parece. Del mismo modo, cuando Airbnb lanza nuevos productos, la empresa debe pensar en cómo se ven afectadas las reservas a través de los productos existentes. Y cuando Starbucks lanzó sus bocadillos de huevo sous vide (si no los has probado, te recomendamos que lo hagas), tenía que considerar no solo las ventas de los bocados de huevo, sino también si eliminaban otros elementos del menú.

4) Asegúrese de entender por qué su producto está teniendo éxito o está fallando. Las métricas de primera línea, como los ingresos y las ventas, no cuentan toda la historia. ¿El nuevo producto está mejorando los resultados para algunos tipos de clientes mientras que los perjudica para otros? ¿El nuevo producto ayudó a una parte de su embudo de adquisición pero dañó a otra? ¿Se alinean estos movimientos con su hipótesis previa al experimento? Comprender por qué se ha movido una métrica puede ayudarlo a tomar una decisión de implementación y también a comprender cómo innovar dentro de un espacio de producto.

Jeff Fossett es un estudiante de doctorado en la Escuela de Negocios de Harvard, y anteriormente trabajó como científico de datos en Airbnb

Duncan Gilchrist es gerente de ciencia de datos en Uber Technologies. Él tiene un Ph.D. en Economía de la Empresa de la Universidad de Harvard.

Michael Luca es el Profesor Asociado de Administración de Empresas Lee J. Styslinger III en la Escuela de Negocios de Harvard.

Doxa 181

Cuando un prototipo no es suficiente, utilice trucos teatrales para vender su idea

Por Andy Boynton
Harvard Business Review
Investigación y desarrollo


Soy un gran fan del diseño centrado en el ser humano, con su enfoque en la empatía del cliente, la investigación etnográfica y el prototipado rápido, que ayudan a las empresas a acercarse al objetivo. Pero también estoy entusiasmado con "stagecraft", un enfoque relacionado que falsifica un nuevo producto o servicio para obtener reacciones de la vida real de los usuarios a principios del proceso de desarrollo. Utiliza todos los trucos del teatro y el cine para engañar a una audiencia a creer que lo que están viendo, oyendo o incluso tocando es lo real.

Empleado desde el principio en el proceso de desarrollo, el trabajo de escenario puede proporcionar conocimientos críticos que usted podría no descubrir hasta mucho más adelante. En el proceso tradicional, las pruebas con clientes en vivo normalmente no ocurren hasta que un producto ha sido completamente diseñado y se ha construido un prototipo. Con un diseño centrado en el ser humano, las pruebas en vivo empiezan temprano y utiliza un producto mínimo viable que tiene suficientes características para atraer a los usuarios y obtener comentarios. En la escenografía, el modelo de prueba inicial es mucho más elaborado y tiene todas las campanas y silbatos de la cosa real - o parece. Esto es importante para obtener el diseño correcto cuando se está desarrollando rápidamente un producto y servicio complejos.

He visto la aplicación de escenarios con éxito en proyectos recientes en Continuum Innovation, una firma con sede en Boston con la que estoy afiliado. Uno de ellos fue un proyecto reciente de la Dirección de Ciencia y Tecnología del Departamento de Seguridad Interna de los Estados Unidos (DHS). La agencia utilizó escenarios para recolectar conocimientos muy tempranos sobre cómo podrían utilizarse nuevas tecnologías en equipos para los primeros en responder. Este fue un caso donde la prueba de la vida real fue imposible; Un prototipo pobre podría poner en peligro vidas humanas. Por lo tanto, después de viajar con los técnicos médicos de emergencias del área de Boston (EMT) para obtener los fundamentos, Continuum puso en escena las emergencias para probar nuevas ideas y obtener conocimientos críticos sobre lo que sería y no funcionaría en el campo.

Doxa 137

¿La mayoría de las compañías intentan innovar más?

Por Paul Hünermund
Harvard Business Review
Investigación y desarrollo


Estamos viviendo en la era de la superestrella. Empresas como Samsung, Google o BMW, los mejores actores en sus respectivas industrias, están prosperando. Sin embargo, el crecimiento económico sigue siendo lento en muchas partes del mundo. La razón de esa paradoja, como ha advertido la OCDE, es que la brecha de productividad entre las empresas en la frontera global y las que están rezagadas se ha ampliado. Las empresas fronterizas pueden emplear las tecnologías más avanzadas, lo que les permite ganar cuota de mercado a expensas de sus competidores menos productivos. Y los mercados globalizados que operan las firmas fronterizas premian desproporcionadamente su ventaja de conocimiento, distanciándolos aún más del resto.

En un artículo reciente de Harvard Business Review, Nicholas Bloom de la Universidad de Stanford argumentó que este tipo de "ganador toma más" la competencia es un importante impulsor de la creciente desigualdad de ingresos. Los Google del mundo, en su búsqueda global de talento, son muy generosos cuando se trata de los salarios de los empleados. Mientras tanto, los salarios se estancan para muchos trabajadores de empresas menos exitosas.

Se han propuesto varias explicaciones para la aparición de este "ganador que e lleva la mayoría" de la competencia: una caída en los costos de búsqueda y transacción a causa de Internet; efectos de red; la capacidad de escalar rápidamente debido a la TI y la automatización.

Mi análisis sugiere otro factor: la inversión en I+D se concentra cada vez más en unas pocas empresas de primer nivel. Algunas empresas están invirtiendo fuertemente en I+D para expandir sus capacidades tecnológicas, mientras que otras no hacen esa inversión y así caen más atrás. Creo que esta podría ser una de las principales razones de la creciente brecha de productividad que observamos.

Tomemos el ejemplo de Alemania: Entre 2003 y 2015, los gastos de I+D en el sector empresarial aumentaron un 59%, alcanzando un máximo récord de 157.400 millones de euros. En el mismo período, sin embargo, la participación de las empresas en la economía que invierte en I+D cayó del 47% al 35%. En particular, las pequeñas y medianas empresas redujeron sus esfuerzos de innovación. Así, a pesar de que el gasto en I+D ha aumentado, se ha concentrado cada vez más en una proporción menor de empresas. El coeficiente de Gini -una medida comúnmente utilizada de desigualdad- ha estado aumentando constantemente en Alemania desde mediados de los años noventa.

Si la misma cosa está sucediendo en otros países sigue siendo una pregunta de investigación en curso. Más a menudo que no, los investigadores están limitados por la falta de buenas fuentes de datos. No obstante, los datos estadounidenses muestran algo similar. En general, la I+D en los negocios aumentó un 67% entre 2003 y 2014. Y el aumento fue mayor para las empresas que invirtieron más. En 2014, las cien empresas estadounidenses con los mayores presupuestos de I+D invirtieron un 92% más en innovación que en el 2003. Y la brecha entre la cantidad de empresas grandes que gastan en I+D en comparación con las más pequeñas ha mostrado un repunte notable desde el 2009. Además, hoy en día las actividades de investigación básica están más concentradas en empresas más especializadas de lo que era hace varias décadas.

No es realista esperar que todas las empresas inviertan en I+D. Sin embargo, la concentración de esta actividad crucial es bastante preocupante. Una mayor concentración de los esfuerzos de innovación puede ser una fuente importante de diferencias de productividad entre las empresas, y los economistas, los responsables políticos y los líderes empresariales deben prestar mucha atención a estas tendencias. La competencia en la frontera mundial de la investigación es cada vez más feroz. Al mismo tiempo, muchas empresas parecen incapaces de mantenerse al mismo ritmo de este desarrollo que se está desarrollando. Aquellos dejados de pie se convierten en las empresas superestrella. El resto se quedan atrás.

Paul Hünermund es un estudiante de doctorado en KU Leuven en Bélgica y en septiembre de 2017 comenzará como profesor asistente en la Universidad de Maastricht en los Países Bajos.

Este contenido fue publicado originalmente por Harvard Business Review.
Editores originales conservan todos los derechos.

Doxa 119

Los prejuicios que mantienen buenos proyectos de I+D para obtener financiación

Por Paola Criscuolo, Linus Dahlander, Thorsten Grohsjean y Ammon Salter
Harvard Business Review
Investigación y desarrollo


Theodora la preside del panel de selección de I+D en una firma global de servicios profesionales. Recientemente, ella tuvo que liderar el comité para decidir si financiar una propuesta de un ingeniero en ascenso y uno de los líderes empresariales de la empresa. El proyecto se centró en cómo diseñar habitaciones en unidades de cuidados intensivos para minimizar la interrupción del sueño y facilitar la curación. Gerhard, del grupo de infraestructuras de Munich, inició la discusión: "Este proyecto es demasiado exagerado. No es realmente lo que hacemos. "Frank, un experto en ingeniería hidráulica de la unidad de consultoría en Edimburgo, dijo:"Se debe buscar financiación para el trabajo del cliente. Esto no va a generar mucho beneficio para la organización".

Pero Julie, de la oficina de Londres, que se ha centrado en el diseño de edificios públicos, respondió: "Claro, es un poco fuera de tema, pero el área se mencionó en nuestra estrategia de I+D el año pasado. Mi oficina se está involucrando cada vez más en el trabajo de diseño para los hospitales". Gerhard notó que el presupuesto de I+D estuvo casi gastado durante el año y sugirió que el proyecto era" agradable, más que necesitado". Theodora comprometida: "Vamos a financiar el proyecto en un 30%. Los miembros del panel asintieron y pasaron a la siguiente propuesta.

Esta historia es ficticia, pero se basa en nuestras observaciones de los encargados que deciden si financiar nuevos proyectos. Nos propusimos explorar cómo las organizaciones deciden invertir en diferentes innovaciones. Hay pocos datos sobre esto, porque estas decisiones tienden a hacerse a puerta cerrada. Pero al estudiar una gran firma de servicios profesionales con oficinas en 37 países, pudimos tener acceso a todas las propuestas de proyectos de I+D presentadas por su personal, incluyendo información sobre qué proyectos recibieron financiamiento.

En esta empresa - como en muchas otras grandes organizaciones - un panel de diferentes gerentes e ingenieros se reúne para discutir lo que ellos piensan que vale la pena financiar. Se estudiaron 556 solicitudes de proyectos diferentes y se realizaron entrevistas y observaciones dentro de la empresa. Nuestros hallazgos, recientemente publicados en la Academia de Gestión de la revista, son que los gerentes no siempre ponderar cuidadosamente los pros y los contras de cada proyecto y que sesgos pueden deslizarse en el proceso de toma de decisiones.

El punto dulce de la novedad

La selección de I+D no siempre se basa en estimaciones objetivas de los costos y retornos de un proyecto. Encontramos que las decisiones de financiamiento en esta organización estaban influenciadas por lo nuevo que parecía un proyecto. Las propuestas que se consideraban demasiado nuevas o no eran lo suficientemente nuevas, recibían poco o ningún financiamiento. En otras palabras, hay un punto dulce de novedad que hace que los comités de I+D tengan más probabilidades de financiar un proyecto. (Esto también se ha encontrado en otros contextos, como el mundo académico).