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

Universiteiten worden vaak gezien als plekken waar nieuwe ideeën worden geboren, maar de reis van een ontdekking in het laboratorium naar een product dat het dagelijks leven verandert, is zelden een rechte lijn. Decennialang was de standaardmanier om succes in deze reis te meten eenvoudig: het tellen van het aantal aangevraagde patenten, de getekende licenties of de opgerichte nieuwe bedrijven. Deze cijfers vertellen een verhaal van activiteit, maar zij vertellen geen verhaal van impact. Een getekend contract garandeert niet dat een bedrijf de technologie daadwerkelijk heeft gebruikt, en een nieuw bedrijf garandeert niet dat het banen heeft gecreëerd of een echt probleem heeft opgelost. In de afgelopen jaren is de focus verschoven naar "kennisvalorisatie", een concept dat een moeilijkere vraag stelt: hoe zetten we kennis om in echte economische, sociale en wetenschappelijke waarde? Om dit te beantwoorden, moeten onderzoekers verder kijken dan de transactie en het complexe, onderling verbonden web van relaties tussen wetenschappers, bedrijven, investeerders en de technologieën zelf onderzoeken. Het is niet genoeg om te weten dat er een kans bestond; men moet begrijpen waarom sommige actoren die kans grepen terwijl anderen dat niet deden, en wat er daarna gebeurde.

In een nieuwe studie stelt een team onderzoekers van LUM Enterprise een frisse manier voor om deze complexe reis in kaart te brengen. Zij stellen dat de huidige instrumenten die door universiteitstakenbureaus worden gebruikt, lijken op een dashboard dat alleen de snelheidsmeter laat zien, maar niet de brandstofmeter of de motortemperatuur. Om dit op te lossen, hebben zij een model ontwikkeld dat technologieoverdracht niet behandelt als een enkele pijplijn, maar als een portfolio van vier verschillende benaderingen. De eerste is formele overdracht, waarbij rechten juridisch worden vastgelegd via patenten of licenties. De tweede is collaboratieve co-ontwikkeling, waarbij universiteiten en bedrijven zij aan zij werken om een technologie aan te passen aan de behoeften van de echte wereld. De derde betreft open platforms, die fungeren als gedeelde digitale ruimtes waar instrumenten en gegevens door velen kunnen worden hergebruikt zonder vanaf nul te hoeven beginnen. De vierde is AI-gestuurde matching, waarbij algoritmen helpen de juiste partners te vinden, hoewel dit hier wordt behandeld als een prospectief hulpmiddel dat nog steeds menselijk oordeel vereist. De onderzoekers suggereren dat deze vier benaderingen werken door verschillende soorten wrijving weg te nemen: juridische onzekerheid, de moeilijkheid van het toepassen van abstracte kennis, de hoge kosten van toegang en de moeite om de juiste partner te vinden.

De kern van hun werk is een model dat deze benaderingen koppelt aan de gereedheid van de mensen die ze gebruiken en de invloed van hun sociale netwerken. De onderzoekers stellen dat een bedrijf eerder geneigd is een nieuwe technologie te adopteren als het over de interne vaardigheden beschikt om deze te gebruiken en als het heeft gezien dat anderen in zijn netwerk succesvol waren met vergelijkbare instrumenten. Zij maken een scherp onderscheid tussen het moment waarop een technologie wordt geadopteerd en de waarde die daarop volgt. Ze scheiden ook de waarde die wordt gecreëerd door de uiteindelijke adoptie van de waarde die wordt gecreëerd tijdens het leerproces zelf, zoals de kennis die wordt opgedaan tijdens de samenwerking voordat een product überhaupt gelanceerd wordt. Dit onderscheid is cruciaal omdat het de fout voorkomt aan te nemen dat een mislukt project geen waarde heeft opgeleverd, of dat een succesvolle adoptie de enige bron van voordeel was.

Om te testen of hun model daadwerkelijk zou werken, stuitten de onderzoekers op een aanzienlijke hindernis: de echte data waar zij toegang toe hadden, was incompleet. Zij onderzochten een specifiek universiteitsgebonden ecosysteem in Zuid-Europa dat betrokken was bij 47 actoren en 124 relaties. De gegevens toonden aan dat acht van deze actoren ten minste één technologie hadden geadopteerd. Echter, de data was een statische momentopname; het hield niet bij welke actor welke technologie gebruikte, wanneer zij begonnen, of hoe zij daar gekomen waren. Het was alsof men naar een foto van een race keek en zag wie de finish passeerde, maar geen enkel verslag had van de startposities van de hardlopers, hun training of het pad dat zij hadden afgelegd. Vanwege dit gebrek aan detail konden de onderzoekers de echte data niet gebruiken om hun theorie te bewijzen. In plaats daarvan gebruikten zij de echte data alleen om te controleren of hun model de juiste zaken kon meten als de data wel beschikbaar zou zijn. Zij kwamen tot de conclusie dat de huidige gegevens te grofmazig waren om het volledige verhaal te vertellen, wat een kloof blootlegde tussen wat universiteiten rapporteren en wat nodig is om succes werkelijk te begrijpen.

Om te bewijzen dat hun wiskundige kader solide was en niet slechts een theoretische oefening, creëerden de onderzoekers een synthetische versie van een ecosysteem met behulp van computersimulaties. Zij genereerden data voor 500 actoren over tien tijdperioden, waarbij zij precies wisten hoe het "adoptieproces" in hun simulatie had moeten werken. Vervolgens vroegen zij hun model om de regels op basis van deze data te achterhalen. Het model slaagde erin de verborgen parameters nauwkeurig te herstellen en toekomstige adoptie beter te voorspellen dan oudere, simpelere methoden die ervan uitgingen dat iedereen van iedereen leerde met dezelfde snelheid. Deze simulatie toonde aan dat het model computationeel robuust is en in staat is om onderscheid te maken tussen verschillende oorzaken van adoptie, zelfs wanneer de data imperfect is. Het toonde aan dat de aanpak levensvatbaar is, mits de noodzakelijke gedetailleerde data in de toekomst verzameld kan worden.

De studie concludeert met een duidelijke set richtlijnen voor hoe universiteiten en beleidsmakers te werk moeten gaan. Zij suggereren dat technologiebureaus moeten stoppen met alleen transacties te tellen en moeten beginnen met het volgen van de volledige reis van kans naar implementatie. Dit betekent het niet alleen registreren van wie een deal tekende, maar ook wie klaar was om de technologie te gebruiken, van wie zij leerden en welke specifieke waarde er daarna werd gecreëerd. Zij benadrukken dat kunstmatige intelligentie kan helpen bij het vinden van partners, maar alleen als het deel uitmaakt van een groter proces dat menselijke controle omvat en de werkelijke gereedheid van de ontvanger volgt. De onderzoekers waarschuwen ook tegen de aanname dat alle waarde voortkomt uit een eindproduct; het leren dat plaatsvindt tijdens de samenwerking is op zichzelf waardevol. Hoewel het artikel niet beweert het probleem van het meten van innovatie te hebben opgelost, biedt het een nauwkeurig blauwdruk voor hoe men dat wel kan doen. Het biedt een manier om van vage indicatoren van activiteit naar een helder, toetsbaar begrip te gaan van hoe kennis in de echte wereld daadwerkelijk waarde wordt.