Il pensiero quantistico aiuta a risolvere sfide strategiche complesse

UN PROBLEMA COMPLESSO IN STRATEGIA è un problema che sfugge a una soluzione diretta. Il termine è usato per descrivere problemi complicati che rifiutano soluzioni convenzionali, e molte delle sfide strategiche odierne possono essere definite problemi complessi. Le analisi tradizionali falliscono di fronte alla complessità degli interessi contrastanti delle parti coinvolte, dell’intreccio delle cause sottostanti e dei risultati diversi che si producono a ogni intervento. La buona notizia è che questi problemi si sono intensificati proprio nel momento in cui è arrivato un nuovo quadro concettuale che prospera proprio sulla complessità: la modellazione quantistica.

Quando HSBC e IBM hanno recentemente riferito che un esperimento nel trading obbligazionario utilizzando un computer quantistico aveva indicato che la tecnologia poteva migliorare le prestazioni del 34%, la notizia ha fatto scalpore a livello mondiale come “rivoluzionaria” e prova che siamo “sull’orlo di una nuova frontiera”. Ma forse una notizia ancora più importante, che non ha generato gli stessi titoli, è che non è necessario un computer quantistico (ancora lontano anni luce e molto costoso) per sfruttare il vantaggio della quantistica. Le aziende stanno già applicando concetti di modellizzazione basati sulle teorie e sulla matematica della meccanica quantistica utilizzando computer convenzionali.

Ciò che distingue la modellizzazione quantistica è la sua capacità di gestire le interdipendenze su una scala che la modellizzazione tradizionale fatica a trattare. La strategia tradizionale si basa, ad esempio, sull’analisi di regressione per trovare la relazione tra una variabile dipendente o un risultato (Y) e un insieme di variabili indipendenti osservabili (X1, X2, ecc.) che causano Y. Di norma, si presume che tutte le variabili indipendenti siano causalmente indipendenti l’una dall’altra, cosa che nella realtà spesso non è vera.

È qui che la modellizzazione quantistica può essere d’aiuto. Essa utilizza una varietà di metodi matematici non solo per valutare le relazioni tra il risultato (Y) e le cause (X), ma anche per tenere conto dei raggruppamenti di cause: tutte le coppie, terzine e cluster di variabili X intrecciate che meglio spiegano la variabile dipendente. La modellizzazione quantistica cerca i modi migliori per spiegare il risultato quando più cause si intrecciano; il suo punto di forza sta nel modellizzare una vasta gamma di combinazioni di cause.

La rivoluzione quantistica ha enormi implicazioni sul modo in cui prenderemo le decisioni in futuro. Qui dimostriamo, attraverso tre tipici problemi aziendali, come la modellizzazione quantistica viene applicata a complessi problemi strategici utilizzando la tecnologia informatica convenzionale.

Problema 1: ottimizzare la logistica

Un operatore globale di trasporto merci e supply chain, che chiameremo K-Logistics, ha dovuto affrontare un problema strategico complesso. Voleva studiare rotte di approvvigionamento alternative in termini di costo totale della sua logistica end-to-end, che stava diventando sempre più imprevedibile a causa dell’aumento dei prezzi del carburante, dell’inasprimento delle normative sulle emissioni e di un contesto geopolitico instabile. Gli strumenti di pianificazione tradizionali della ricerca operativa, come la programmazione lineare intera, non erano all’altezza del compito di gestire le complesse interdipendenze delle variabili coinvolte.

Come ha aiutato la logica quantistica

Liam, il Chief Technology Officer, ha deciso di riformulare il problema del costo totale in termini quantistici, considerandolo come un insieme di risultati dinamici che coinvolgono più variabili interdipendenti valutate simultaneamente. Applicando uno strumento chiamato quantum annealing, in italiano “ricottura quantistica”, ha identificato un percorso consigliato meno costoso rispetto alle raccomandazioni generate dai modelli operativi tradizionali.

Come ha spiegato Liam: "Il modello tradizionale ci ha portato a confrontare il costo di due rotte di spedizione apparentemente simili dall’Asia orientale all’Europa. Ma il simulatore di logica quantistica (quantum annealing) che abbiamo sviluppato in collaborazione con un fornitore di software boutique ha segnalato come ottimale un percorso diverso, considerando contemporaneamente il percorso, i tempi, i costi del carburante e le loro conseguenze a valle. Il simulatore ha imitato la sovrapposizione, permettendoci di esplorare realtà sovrapposte".

Problema 2: valutare l’efficacia dei farmaci

Marta è responsabile della previsione strategica in un’azienda farmaceutica globale che chiameremo Telara Pharma. Il problema complesso dell’azienda consisteva nell’analizzare i dati sul campo per valutare l’efficacia dei farmaci in termini di tasso di assorbimento, al fine di dare priorità agli investimenti nella ricerca e sviluppo clinico. Come ha spiegato Marta: “Le nostre procedure tradizionali di modellizzazione per la valutazione del tasso di assorbimento presupponevano variabili indipendenti ben definite. Ma nelle sperimentazioni farmacologiche tutto è intrecciato. Il tasso di assorbimento è influenzato dal gruppo di pazienti target, che interagisce con altre variabili come il luogo della sperimentazione, i diversi livelli di dosaggio e il momento in cui il farmaco viene assunto”.

Come ha aiutato la logica quantistica

Telara Pharma ha collaborato con un laboratorio di accelerazione dell’innovazione tra imprese e università e ha implementato la modellizzazione quantistica per l’analisi dei dati al fine di valutare contemporaneamente molte possibili combinazioni di variabili. Come ci ha detto Marta: "Per migliorare il tasso di assorbimento utilizzando un modello tradizionale, avremmo ricalcolato matematicamente questi impatti uno alla volta, ad esempio dosaggi diversi o assunzioni in momenti diversi della giornata. Il simulatore di ragionamento quantistico, le reti bayesiane quantistiche, ci ha permesso di valutare gli effetti a catena di decine di interdipendenze da una serie di opzioni condizionali. Questo ci ha aiutato ad analizzare il tasso di assorbimento di un farmaco in modo molto più efficace”.

Ha concluso: “Adottare la modellizzazione quantistica per testare l’efficacia dei farmaci significa abbandonare i tradizionali alberi decisionali rigidi e lineari. Significa accettare l’ambiguità, tenere in tensione più possibili risultati e riconoscere che le decisioni in una parte del sistema influenzano tutte le altre. Queste sono le caratteristiche distintive dell’entanglement negli ambienti strategici moderni”.

Problema 3: rafforzare la modellizzazione del rischio

Una società di servizi finanziari specializzata nell’individuazione dei rischi e delle frodi, che abbiamo chiamato Zentrix Capital, si è trovata ad affrontare un problema complesso. L’azienda voleva ridurre l’incidenza delle attività fraudolente per i clienti e desiderava individuare nuove tendenze di frode in ambienti con volumi di transazioni elevati. L’analisi abituale non era sufficiente.

I modelli tradizionali trattavano variabili quali l’entità delle transazioni, la frequenza di accesso al conto, la posizione di accesso, l’anzianità del conto e il profilo del cliente come indipendenti. Ciò spesso oscurava le sottili e complesse interrelazioni che sono alla base dei comportamenti fraudolenti: ad esempio, la frequenza di accesso a un conto è spesso correlata alla posizione in cui il conto si trova.

Come ha aiutato la logica quantistica

Il team senior, guidato da Gustavo, Chief Data Scientist dell’azienda, ha applicato un algoritmo di selezione delle caratteristiche quantistiche variazionali, sfruttando i simulatori quantistici sull’informatica tradizionale. L’approccio ispirato alla quantistica ha permesso di considerare contemporaneamente l’interazione di più variabili, come l’entità delle transazioni, la frequenza, la posizione, l’età del conto e il profilo del cliente.

Come ci ha raccontato Gustavo: “Abbiamo collaborato con un’università locale per esaminare un caso che riguardava un’ondata di piccole transazioni internazionali provenienti da conti inattivi. Tradizionalmente, avremmo valutato variabili come la frequenza delle transazioni o l’attività del conto una alla volta. Ma il modello logico quantistico ha considerato combinazioni come il valore delle transazioni con l’attività dei clienti (accesso da un nuovo dispositivo, recente reimpostazione della password) e altre anomalie a livello di rete, tutte in una volta. Non ci ha costretto a decidere in anticipo quali variabili fossero più importanti”.

Ha spiegato che i risultati ottenuti tramite la modellazione quantistica hanno permesso di individuare un nuovo tipo di frode di identità sintetica che sarebbe sfuggita ai protocolli di protezione convenzionali. Gustavo ha concluso: “La modellazione quantistica ha aiutato a far emergere combinazioni di variabili che non avevamo considerato in precedenza, valutando contemporaneamente più modelli interdipendenti invece di isolare le variabili una alla volta”.

Il futuro della modellazione quantistica

Molti dirigenti sentono il termine “quantistico” e pensano alla crittografia, alla resilienza informatica o ai laboratori di fisica, non alla strategia. Tuttavia, la modellazione quantistica non richiede un computer quantistico, un dottorato di ricerca o un laboratorio. Si inizia cambiando il modo in cui la vostra organizzazione concepisce l’incertezza.

Iniziate in piccolo e imparate in fretta. Scegliete un’area complessa e ad alto rischio in cui l’analisi convenzionale è incerta: un’interruzione della catena di approvvigionamento, una previsione normativa o una situazione di rischio. Trattatela come un progetto pilota. L’obiettivo iniziale non è quello di sostituire gli strumenti attuali, ma di vedere come si comportano le variabili interdipendenti quando vengono analizzate insieme, piuttosto che una dopo l’altra. È esattamente così che HSBC ha affrontato la modellizzazione quantistica: invece di ricostruire l’intero sistema di negoziazione delle obbligazioni, la banca ha isolato un sottomodello volatile e lo ha eseguito attraverso un simulatore ispirato alla quantistica. Il risultato, un aumento delle prestazioni del 30%, non è derivato da una maggiore quantità di dati, ma da una diversa modellizzazione delle relazioni tra i punti dati. Telara Pharma ha fatto lo stesso con i tassi di assorbimento dei composti, K-Logistics con le rotte di spedizione e Zentrix con il rilevamento delle frodi. Ciascuna di queste aziende ha iniziato con un sottoinsieme piccolo e volatile del sistema per esplorare le complesse interdipendenze in cui i modelli tradizionali non erano all’altezza.

Collaborate prima di investire. La maggior parte dei progressi in questo campo deriva dalla collaborazione piuttosto che dalla sperimentazione individuale. HSBC, ad esempio, ha unito le forze con IBM per accedere a competenze specialistiche e strumenti di simulazione ispirati alla fisica quantistica senza impegnarsi in costi infrastrutturali rilevanti. Questa partnership ha permesso alla banca di testare rapidamente le proprie idee, imparare dai risultati e scalare ciò che funzionava. Tuttavia, i grandi fornitori di tecnologia non sono l’unica opzione. Come ha fatto K-Logistics, è possibile coinvolgere società di analisi boutique; oppure seguire la strada di Telara Pharma collaborando con laboratori di innovazione aziendali-universitari; oppure adottare l’approccio di Zentrix collaborando con spin-off universitari che stanno già testando simulatori quantistici su infrastrutture classiche.

Sviluppare competenze quantistiche. Proprio come i leader hanno dovuto imparare la scienza dei dati un decennio fa, i leader di domani dovranno acquisire padronanza del ragionamento quantistico, ovvero comprendere l’entanglement, il pensiero probabilistico e l’ottimizzazione dinamica. L’esperimento di HSBC non riguardava tanto l’adozione di nuove tecnologie, quanto piuttosto lo sviluppo di competenze quantistiche attraverso lo sviluppo della capacità di pensare in termini di probabilità connesse e in evoluzione. Telara Pharma, K-Logistics e Zentrix hanno utilizzato i loro progetti pilota non solo per ottenere risultati, ma anche per sviluppare una competenza interna nei concetti quantistici. Quindi, create un team interfunzionale composto da strateghi, data scientist e responsabili operativi per interpretare insieme i risultati divergenti della modellazione quantistica. Il vero valore non risiede nella novità del metodo in sé, ma nell’apprendimento collettivo e nella scoperta di intuizioni che gli strumenti tradizionali non riescono a cogliere.

ACQUISITE SUBITO dimestichezza con la quantistica e sarete meglio preparati ad affrontare i problemi complessi del futuro che la logica convenzionale semplicemente non riesce a risolvere. Le aziende che padroneggeranno rapidamente il pensiero quantistico daranno forma al prossimo decennio. Le altre dovranno rincorrere.

Graham Kenny è CEO di Strategic Factors e autore di Strategy Discovery. È un esperto riconosciuto in strategia e misurazione delle prestazioni che aiuta manager, dirigenti e consigli di amministrazione a creare organizzazioni di successo nei settori privato, pubblico e no profit. È stato professore di Management in università negli Stati Uniti e in Canada. Ganna Pogrebna è direttore esecutivo dell’AI and Cyber Futures Institute della Charles Sturt University, responsabile della scienza dei dati comportamentali presso l’Alan Turing Institute e professoressa onoraria di analisi comportamentale aziendale presso l’Università di Sydney.