Perché l’innovazione non può più essere episodica

La maggior parte delle aziende italiane innova “a ondate”: grande progetto, grande annuncio, qualche POC… poi silenzio per mesi, spesso anni. Nel frattempo i mercati cambiano, i clienti pure, la concorrenza corre. Nella logistica e nella supply chain questo effetto è ancora più evidente: margini stretti, pressioni sui costi, clienti che pretendono tracciabilità in tempo reale e servizi sempre più personalizzati.

Questo modello di innovazione episodica non regge più. Rita McGrath, una delle voci più autorevoli al mondo su strategia e innovazione, lo dice da anni: in un contesto di vantaggi competitivi sempre più temporanei, l’unica vera difesa è un’innovazione aziendale continua, trattata come un’infrastruttura, non come un progetto.

In questo articolo vediamo cosa significa rendere l’innovazione continua, cosa ci insegna McGrath e come tradurre queste idee nella realtà delle aziende italiane, in particolare in ambito logistica e supply chain e nei progetti di IA nella logistica.

1. Innovazione episodica: perché è un problema, soprattutto in logistica

L’innovazione episodica è quel modello in cui l’azienda “si ricorda” di innovare solo quando qualcuno in alto lo decide o quando il mercato brucia: nuovo CEO, crisi, perdita di un grande cliente, pressione sui prezzi.

McGrath lo riassume così: «In troppe organizzazioni l’innovazione è qualcosa di episodico».

Nel concreto cosa succede:

• parte una task force “innovazione” o “trasformazione digitale”
• si aprono call4ideas, hackathon, POC sull’IA, progetti pilota sui magazzini automatici
• si ottengono risultati isolati…
• poi il promotore cambia ruolo, il budget si sposta, l’attenzione cala
• l’innovazione si spegne fino al prossimo “allarme rosso”

Questo schema è particolarmente pericoloso nella logistica italiana perché:

• i cicli competitivi sono corti: un grande cliente può cambiare fornitore in 6-12 mesi
• le tecnologie (IA, IoT, robotica, TMS/WMS avanzati) evolvono molto più in fretta dei contratti
• i margini non permettono di sbagliare 3 anni di fila le scelte tecnologiche

La realtà è semplice: se innovi a strappi, perdi continuità di apprendimento. E senza apprendimento continuo non puoi né industrializzare i progetti di IA né scalare soluzioni lungo tutta la supply chain.

2. Cosa intende McGrath per innovazione continua

Per McGrath l’innovazione non è una campagna, è un sistema. Va gestita con la stessa disciplina con cui gestisci qualità, sicurezza o progettazione.

Questo significa dotarsi di una vera e propria infrastruttura di innovazione:

• ruoli chiari: chi decide, chi valuta, chi sponsorizza, chi esegue
• budget dedicato e stabile: non solo “avanzi” di fine anno
• processi definiti: raccolta idee, selezione, sperimentazione, scaling
• metriche specifiche: non solo ROI a 12 mesi, ma anche apprendimento, adozione, tempi di ciclo

In ambito IA nella logistica, ad esempio, un processo continuo permette di:

• testare rapidamente nuovi algoritmi di previsione della domanda, senza bloccare l’operatività
• sperimentare soluzioni di ottimizzazione dei percorsi o del carico mezzi in lotti piccoli
• portare in produzione solo ciò che dimostra valore, con un percorso chiaro di scaling

La cosa interessante che McGrath sottolinea è che esiste già molto sapere codificato su come strutturare un processo di innovazione. Eppure molte aziende italiane continuano a “ricominciare da zero” ogni volta, spesso con team improvvisati e senza una governance chiara.

3. Leadership “discovery-driven”: meno piani perfetti, più apprendimento

Il cuore dell’innovazione aziendale continua, per McGrath, non è l’idea geniale. È la capacità di apprendere in modo sistematico.

Qui entra in gioco la sua idea di discovery-driven strategy:

• il management non è lì per dimostrare di avere ragione
• la strategia non è un piano blindato su 3 anni
• i progetti vengono gestiti come percorsi a tappe, con ipotesi da testare

Applicato alla logistica italiana significa, ad esempio:

• smettere di pensare ai progetti di IA come “big bang” da 2 milioni di euro
• definire ipotesi chiare (es. “un modello di IA può ridurre del 15% i chilometri a vuoto in 6 mesi su questa tratta”) e testarle
• accettare di cambiare direzione se i dati dicono che l’ipotesi non regge

Questa impostazione è controculturale per molte organizzazioni che premiano ancora:

• la prevedibilità (fare esattamente ciò che si era detto)
• la fedeltà al piano (non cambiare rotta anche se le assunzioni sono saltate)
• la stabilità dei numeri di breve

Nel mondo della supply chain 2025, però, la fedeltà al file Excel di tre anni fa è un difetto, non una virtù. Conta più la velocità con cui impari dalle sperimentazioni che la precisione con cui rispetti un budget pensato in un contesto ormai diverso.

Come tradurre la discovery-driven strategy in pratica

Per trasformare questo principio in pratica operativa puoi:

1. Definire esplicitamente le ipotesi di ogni progetto (di IA, di automazione, di reingegnerizzazione di processo)
2. Pianificare tappe brevi (4-8 settimane) con risultati verificabili
3. Aggiornare il business case lungo il percorso, non solo a fine progetto
4. Documentare ciò che impari anche quando il test “fallisce” (in realtà è apprendimento prezioso)

Le aziende che fanno questo sistematicamente costruiscono un vero patrimonio di conoscenza interna su cosa funziona e cosa no nella loro supply chain. Patrimonio che un concorrente non può copiare facilmente.

4. Dalle competenze individuali alle competenze di rete

Un altro punto chiave di McGrath riguarda il passaggio dalle competenze individuali alle competenze di rete.

Racconta il caso di una giovane analista che completa un progetto in una settimana invece che in due mesi mettendo insieme, da sola, un team virtuale di dieci esperti da diverse organizzazioni. Il valore non era solo nelle sue skill tecniche, ma nella sua capacità di attivare rapidamente una rete.

Nel contesto italiano della logistica e della supply chain questo è esattamente ciò che serve per far funzionare l’innovazione continua e l’IA:

• serve chi conosce il magazzino e i vincoli fisici
• serve chi conosce i dati e le piattaforme IT
• serve chi capisce i contratti con i clienti e le SLA
• serve chi sa progettare algoritmi o soluzioni di automazione

La persona chiave non è “l’eroe” che fa tutto, ma chi riesce a mettere intorno al tavolo – fisico o virtuale – queste competenze, dentro e fuori l’azienda.

Perché questo cambia anche la gestione delle carriere

McGrath nota che molti giovani oggi scelgono un’azienda solo se pensano di essere più occupabili quando la lasceranno rispetto al giorno in cui sono entrati.

Per un’azienda di logistica o per un operatore di supply chain questo significa:

• investire in formazione reale (es. data literacy, competenze su IA applicata, process mining)
• creare percorsi di progetto cross-funzionali, non carriere “a silos”
• misurare e valorizzare la capacità delle persone di collaborare su più progetti

Le organizzazioni che funzionano meglio sull’innovazione continua – McGrath cita grandi società di consulenza – combinano stabilità di valori con fluidità dei ruoli. I team si ricompongono continuamente attorno ai problemi, non attorno all’organigramma.

5. Come costruire un processo di innovazione continua: esempi e lezioni per la logistica

McGrath porta tre casi interessanti – Brambles, John Deere e Cognizant – che rendono concreto cosa significa trattare l’innovazione come infrastruttura.

Brambles: innovare in un settore “banale”

Brambles produce pallet. Un business che, a prima vista, sembra tutto tranne che innovativo. Eppure il nuovo CEO ha creato una vera struttura di innovazione:

• direttore dell’innovazione nominato formalmente
• processo di governance con fondi dedicati
• procedura di screening e incubazione delle idee

La parte davvero intelligente è il modello di incentivi:

• se un progetto innovativo non funziona, il rischio resta in capo al corporate
• i risultati negativi non pesano sui numeri dei manager di linea
• se il progetto funziona, il merito va al manager operativo che lo ha adottato

Traduzione per la logistica e la supply chain:

• i direttori di filiale, i responsabili di hub, i capi magazzino devono potersi permettere di testare soluzioni di IA o automazione senza paura di “rovinare i numeri” se il test va male
• il rischio va protetto centralmente, il merito va distribuito localmente

John Deere: innovazione nel ruolo di ogni executive

John Deere integra l’innovazione negli obiettivi di tutti gli executive. Non è un compito extra, è parte della job description.

Applicarlo in azienda significa, per esempio:

• inserire obiettivi di innovazione misurabile nel MBO dei direttori logistica e supply chain
• valutare non solo i costi al chilometro o i KPI di consegna, ma anche:
  • numero di esperimenti avviati e completati
  • soluzioni testate con l’IA e portate in produzione
  • miglioramenti di processo generati dai team

Cognizant: software per gestire il flusso dell’innovazione

Cognizant utilizza una piattaforma software per monitorare l’intero flusso di innovazione: dalla proposta di idea alla sperimentazione, fino al roll-out.

Per una realtà che lavora nella logistica italiana, uno strumento del genere permette di:

• avere trasparenza su tutte le iniziative (evitando doppioni e sprechi)
• misurare tempi, costi, risultati e apprendimento di ogni test
• collegare i progetti interni con le richieste dei clienti, in modo tracciabile

Non serve necessariamente un software complesso all’inizio. Anche un sistema semplice ma stabile (workflow chiaro, dashboard condivisa, regole definite) crea disciplina.

6. Innovazione come infrastruttura: cosa fare nei prossimi 6 mesi

Riassumendo la prospettiva di McGrath e portandola nella realtà italiana della logistica e della supply chain, il punto è questo: l’innovazione continua è una capacità organizzativa, non una serie di iniziative “speciali”.

Gli elementi chiave sono:

• una governance chiara: chi decide cosa, con quali criteri, in quali tempi
• una leadership orientata all’apprendimento, che legittima il test e il cambio di rotta
• una rete di competenze che supera i confini del singolo reparto o azienda
• incentivi allineati, che proteggono chi sperimenta e premiano chi adotta

Per passare dalla teoria alla pratica, nei prossimi 6 mesi un’azienda di logistica o un player della supply chain può:

1. Mappare tutti i progetti “innovativi” degli ultimi 3 anni
   • cosa ha funzionato, cosa no, cosa è stato abbandonato e perché
2. Definire un piccolo portafoglio di esperimenti IA/logistica
   • es. previsione ritardi, ottimizzazione instradamento, suggerimenti di carico
   • pochi, ben definiti, con ipotesi e metriche chiare
3. Creare un team di innovazione snello ma ufficiale
   • 1 sponsor C-level, 1 responsabile operativo, 1 referente IT/dati
4. Stabilire regole di ingaggio per i manager operativi
   • tetto di rischio coperto dal corporate, criteri di successo, modalità di roll-out
5. Documentare e diffondere ciò che si impara
   • ogni esperimento deve lasciare traccia: cosa abbiamo provato, cosa è successo, cosa cambiamo dopo

Chi fa questo non solo aumenta le probabilità di successo dei progetti di IA nella logistica, ma costruisce un vantaggio competitivo più difficile da copiare: una supply chain che impara in continuo.

La concorrenza potrà acquistare gli stessi software, gli stessi robot, persino gli stessi consulenti. Ma non potrà acquistare i tuoi anni di apprendimento disciplinato, né la cultura di innovazione continua che avrai costruito.

---

Vuoi capire come strutturare un processo di innovazione continua nella tua supply chain o come portare l’IA in modo concreto in magazzino, trasporti e pianificazione? Il momento migliore per iniziare non è il prossimo “grande progetto”, ma il prossimo esperimento ben disegnato.