From Technology Transfer to Ecosystem Value Creation: A Network-Aware Model of Adoption in University-Based Entrepreneurial Ecosystems

대학은 종종 새로운 아이디어가 탄생하는 곳으로 여겨지지만, 실험실의 발견이 일상을 변화시키는 제품으로 이어지는 여정은 결코 직선적인 경로가 아니다. 수십 년 동안 이 여정의 성공을 측정하는 표준적인 방법은 단순했다. 즉, 제출된 특허 수, 체결된 라이선스 수, 또는 새로 설립된 기업의 수를 세는 것이었다. 이러한 숫자들은 활동의 기록을 보여주지만, 임팩트(impact)에 대한 이야기를 들려주지는 않는다. 계약이 체결되었다고 해서 그 기업이 실제로 그 기술을 사용한다는 보장이 없으며, 신생 기업이 생겨났다고 해서 그것이 반드시 일자리를 창출하거나 실질적인 문제를 해결한다는 보장도 없다. 최근 몇 년간, 초점은 "지식 가치화(knowledge valorization)"라는 개념으로 이동했다. 이는 더 어려운 질문을 던진다. 어떻게 하면 지식을 진정한 경제적, 사회적, 과학적 가치로 전환할 것인가? 이를 위해 연구자들은 거래 자체를 넘어 과학자, 기업, 투자자, 그리고 기술들 사이의 복잡하고 상호 연결된 관계의 망을 살펴봐야 한다. 단순히 기회가 존재했다는 사실을 아는 것만으로는 부족하며, 왜 어떤 행위자는 그 기회를 포착했고 다른 행위자는 그러지 못했는지, 그리고 그들이 기회를 포착한 후에 어떤 일이 일어났는지를 이해해야 한다.

LUM 엔터프라이즈의 연구팀은 이 복잡한 여정을 매핑하기 위한 새로운 방식을 제안하는 새로운 연구에서, 현재 대학 기술 이전 부서들이 사용하는 도구들이 속도계만 보여줄 뿐 연료 게이지나 엔진 온도는 보여주지 못하는 대시보드와 같다고 주장한다. 이를 해결하기 위해, 그들은 기술 이전을 단일한 파이프라인이 아니라 네 가지 뚜렷한 접근 방식의 포트폴리오로 취급하는 모델을 개발했다. 첫 번째는 특허나 라이선스를 통해 권리가 법적으로 정의되는 공식적 이전이다. 두 번째는 대학과 기업이 기술을 실제 세계의 요구에 맞게 조정하기 위해 나란히 협력하는 협력적 공동 개발이다. 세 번째는 많은 이들이 처음부터 다시 시작하지 않고도 도구와 데이터를 재사용할 수 있는 공유 디지털 공간 역할을 하는 개방형 플랫폼을 포함한다. 네 번째는 알고리즘이 적절한 파트너를 찾는 데 도움을 주는 AI 기반 매칭인데, 여기서 이는 인간의 판단이 여전히 필요한 예비적 도구로 취급된다. 연구진은 이 네 가지 접근 방식이 법적 불확실성, 추상적 지식 적용의 어려움, 접근 비용의 고가화, 그리고 적절한 파트너를 찾는 데 따르는 문제라는 서로 다른 종류의 마찰을 제거함으로써 작동한다고 제안한다.

그들 연구의 핵심은 이러한 접근 방식들을 사용자들의 준비도 및 그들의 사회적 네트워크의 영향력과 연결하는 모델이다. 연구진은 기업이 새로운 기술을 채택할 가능성이 높은 이유는 그 기술을 사용할 내부 역량을 갖추고 있고, 자신의 네트워크 내의 다른 이들이 유사한 도구를 통해 성공하는 것을 목격했기 때문이라고 가정한다. 그들은 기술이 채택되는 순간과 그 이후에 발생하는 가치를 엄격하게 구분한다. 또한 최종 채택으로부터 창출되는 가치와, 제품이 출시되기 전 협업 과정에서 얻은 지식과 같이 학습 과정 자체에서 창출되는 가치를 분리한다. 이러한 구분은 중요한데, 왜냐하면 실패한 프로젝트가 아무런 가치도 생산하지 못했다거나, 성공적인 채택만이 유일한 이익의 원천이라고 가정하는 실수를 방지하기 때문이다.

자신의 모델이 실제로 작동할 수 있는지 테스트하기 위해, 연구진은 상당한 난관에 봉착했다. 그들이 접근할 수 있었던 실제 데이터가 불완전했기 때문이다. 그들은 47개의 행위자와 124개의 관계가 포함된 남유럽의 특정 대학 기반 생태계를 조사했다. 기록에 따르면 8개의 행위자가 적어도 하나 이상의 기술을 채택했다. 그러나 데이터는 정적인 스냅샷이었다. 즉, 어떤 행위자가 어떤 기술을 사용했는지, 언제 시작했는지, 혹은 어떻게 그 단계에 도달했는지를 추적하지 않았다. 그것은 마치 경주의 사진을 보고 누가 결승선을 통과했는지는 알지만, 주자들의 출발 위치나 훈련 과정, 혹은 그들이 걸어온 경로에 대한 기록은 없는 것과 같았다. 이러한 세부 정보의 부재 때문에, 연구진은 실제 데이터를 사용하여 자신들의 이론을 증명할 수 없었다. 대신, 그들은 실제 데이터를 오직 자신들의 모델이 데이터가 가용할 경우 적절한 것들을 측정할 수 있는지 확인하는 용도로만 사용했다. 그들은 현재의 기록들이 전체 이야기를 전달하기에는 너무 거칠다는 것을 발견했으며, 이는 대학이 보고하는 내용과 성공을 진정으로 이해하기 위해 필요한 내용 사이에 간극이 있음을 강조했다.

자신의 수학적 프레임워크가 단순한 이론적 연습이 아니라 건실하다는 것을 증명하기 위해, 연구진은 컴퓨터 시뮬레이션을 사용하여 생태계의 합성 버전을 생성했다. 그들은 시뮬레이션 내에서 '채택' 프로세스가 어떻게 작동해야 하는지 정확히 알고 있는 상태에서 500명의 행위자에 대한 데이터를 생성했다. 그런 다음 그들은 자신들의 모델에게 이 데이터를 바탕으로 규칙을 찾아내도록 요청했다. 모델은 성공적이었으며, 숨겨진 파라미터를 정확하게 복구해냈고, 모든 사람이 서로에게 동일한 속도로 배운다고 가정하는 기존의 더 단순한 방법들보다 미래의 채택을 더 잘 예측했다. 이 시뮬레이션은 모델이 계산적으로 견고하며, 데이터가 불완전하더라도 채택의 서로 다른 원인들을 구별해낼 수 있음을 입증했다. 이는 적절한 상세 데이터가 향후 수집된다는 전제하에, 이 접근 방식이 실행 가능하다는 것을 보여주었다.

연구는 대학과 정책 입안자들이 앞으로 나아가야 할 명확한 가이드라인과 함께 결론을 맺는다. 그들은 기술 이전 부서들이 거래 건수만을 세는 것을 멈추고, 기회로부터 실행에 이르는 전체 여정을 추적하기 시작해야 한다고 제안한다. 이는 단순히 누가 계약을 체결했는지가 아니라, 누가 기술을 사용할 준비가 되었는지, 그들이 누구로부터 배웠는지, 그리고 그 이후에 구체적으로 어떤 가치가 창출되었는지를 기록하는 것을 의미한다. 그들은 인공지능이 파트너를 찾는 데 도움을 줄 수 있지만, 그것은 반드시 인간의 검토를 포함하고 수혜자의 실제 준비도를 따르는 더 큰 프로세스의 일부여야 한다고 강조한다. 또한 연구진은 모든 가치가 최종 제품에서만 온다고 가정하는 것에 대해 경고한다. 협업 중에 발생하는 학습 그 자체도 가치가 있다. 이 논문은 혁신을 측정하는 문제를 해결했다고 주장하지는 않지만, 이를 수행하기 위한 정밀한 청사진을 제공한다. 그것은 막연한 활동 지표에서 벗어나, 지식이 실제로 어떻게 현실 세계에서 가치로 변모하는지에 대한 명확하고 테스트 가능한 이해로 나아가는 방법을 제시한다.