Innovation Tracker: misurare l'innovazione interna, non raccontarla

Il problema

Un metodo di consulenza che funziona ha un problema che sembra un complimento: funziona perché lo applica una persona precisa. Chi segue l'innovazione dentro le aziende costruisce percorsi su misura, e quel su misura vive in fogli di calcolo, questionari messi insieme a mano e letture qualitative che valgono quanto vale l'esperienza di chi le scrive. Il giorno in cui il servizio deve diventare vendibile su licenza ad altri professionisti, quel metodo va tirato fuori dalla testa del consulente e messo in un prodotto.

Come l'abbiamo risolto

Il primo passo è il profilo dell'azienda, ed è quello che fa funzionare l'AI. Una procedura guidata raccoglie profilo aziendale, struttura in business unit, persone e contesto strategico, cioè la fase di trasformazione, gli obiettivi, i vincoli e i cambiamenti già tentati. Più quel profilo è completo, più i questionari e le analisi che arrivano dopo sono tagliati su quell'azienda invece che su un'azienda media che non esiste.

Poi c'è il questionario, che è il punto dove si vince o si perde la confrontabilità. Le strade sono tre: partire dai template validati da Grace, il prodotto di Clover Venture da cui arrivano template e consulenti, che è la via consigliata perché rende i risultati paragonabili fra aziende e nel tempo; farlo generare dall'AI a partire dal contesto e dai documenti caricati; oppure costruirlo a mano. Nel builder un agente segnala inline le domande tendenziose o ambigue, quelle che producono risposte inutilizzabili, e i rispondenti vengono proposti dalle business unit coinvolte invece di essere cercati a mano.

Sul lato di chi risponde abbiamo tolto tutto quello che si poteva togliere. Nessun account: si arriva da un magic link via email, si sceglie se restare anonimi o firmare, si compila anche da telefono e le risposte si salvano mentre si scrive. Sono dettagli che decidono il tasso di partecipazione, e il tasso di partecipazione decide se i dati valgono qualcosa.

A questionario chiuso, l'analisi smette di essere un lavoro di lettura. Un pannello riassume sentiment, temi ricorrenti, engagement e azioni suggerite, sempre correlati al contesto raccolto in fase di setup, e un chatbot circoscritto ai dati di quel questionario permette di interrogare le risposte in italiano invece che con un filtro. Il dettaglio per singola domanda resta sempre a un click, perché il riassunto di una macchina non sostituisce la risposta di una persona.

Da lì il percorso continua: campagne di interviste con i rispondenti, note condivise e consulenze prenotabili in calendario con il Gracer, il consulente di Grace assegnato a quell'azienda, che affianca l'innovation manager senza sostituirlo. In fondo c'è la Data Room, dove finiscono i documenti finali. Il report può nascere come bozza generata dall'AI a partire da risposte, note, interviste e consulenze, oppure da template, e si pubblica ai rispondenti con un click. Chi governa il servizio, dall'altra parte, vede aziende, licenze, assegnazioni e carico dei consulenti da una console sola: alla scadenza della licenza l'azienda passa in sola lettura e i dati restano.

Poi c'è l'infrastruttura, che non si vede ma regge tutto. Serverless su AWS, con il costo che segue l'uso effettivo invece di un server acceso ad aspettare gli utenti. Per un MVP che deve dimostrare un modello di business prima di scalarlo è la forma giusta, e il giorno in cui il parco utenti cresce si migra verso un assetto più solido senza riprogettare da zero. Vale la stessa logica della scelta di non mettere un RAG dove bastava un contesto strutturato: l'architettura si dimensiona sul problema di oggi, lasciando aperta la porta di domani.