Intelligenza artificiale, capacità dinamiche e modelli di business circolari: verso un framework coevolutivo

Introduzione

La transizione da un’economia lineare a un’economia circolare rappresenta una delle principali sfide strategiche per le imprese contemporanee, poiché implica una profonda riconfigurazione del modo in cui il valore viene creato e catturato. I modelli di business circolari (Circular Business Models – CBMs) sono progettati per disaccoppiare la crescita economica dal consumo di risorse attraverso pratiche di riutilizzo, rigenerazione ed estensione del ciclo di vita dei prodotti (Bocken et al., 2016; Geissdoerfer et al., 2017; Prisco, 2025). Tuttavia, la loro adozione rimane limitata all’interno delle imprese a causa di forti vincoli di path dependence, radicati nelle infrastrutture esistenti, nelle routine organizzative e nei consolidati schemi cognitivi (Vergne & Durand, 2011; Sydow et al., 2009).

In questo contesto, la prospettiva delle dynamic capabilities offre una chiave di lettura particolarmente efficace per comprendere come le imprese possano riorientare le proprie traiettorie di sviluppo (Teece et al., 1997; Teece, 2007). Allo stesso tempo, la crescente diffusione dell’intelligenza artificiale apre nuove opportunità. Tuttavia, la letteratura ha prevalentemente adottato una prospettiva tecnico-operativa, trascurando il ruolo dell’IA nei processi strategici e organizzativi.

Questo contributo si propone di sviluppare un framework interpretativo integrato che colleghi i modelli di business circolari, le capacità dinamiche e l’intelligenza artificiale, interpretandoli come dimensioni interdipendenti di un processo coevolutivo. Più nello specifico, il contributo suggerisce che l’IA non debba essere considerata esclusivamente una tecnologia abilitante, ma anche un’infrastruttura cognitiva incorporata nelle capacità dinamiche, in grado di influenzare i processi di sensing, seizing e reconfiguring, facilitando la transizione verso la circolarità.

Verso un framework integrato: la coevoluzione tra modelli di business circolari, capacità dinamiche e intelligenza artificiale

I modelli di business circolari possono essere interpretati come configurazioni finalizzate a “chiudere” e “rallentare” i flussi di risorse attraverso strategie quali l’estensione del ciclo di vita dei prodotti, il riutilizzo, la rigenerazione, il ricondizionamento (remanufacturing), il riciclo dei materiali e l’offerta di servizi e modelli basati sulle prestazioni, anziché sulla semplice vendita di prodotti fisici (Bocken et al., 2016; Geissdoerfer et al., 2017). Tali configurazioni si sviluppano lungo molteplici dimensioni interdipendenti — proposta di valore, struttura della supply chain, relazioni con i clienti e meccanismi di determinazione del prezzo — evidenziando la natura sistemica dell’economia circolare (Pieroni et al., 2019; Geissdoerfer et al., 2020).

Nonostante il loro potenziale, l’implementazione dei modelli di business circolari è spesso ostacolata da vincoli di path dependence, che operano sia a livello materiale, incorporati nelle infrastrutture e nei processi produttivi progettati secondo logiche lineari, sia a livello cognitivo-istituzionale, radicati nelle routine organizzative, nei sistemi di misurazione delle performance e negli schemi interpretativi del management (Vergne & Durand, 2011). Questi meccanismi auto-rinforzanti tendono a stabilizzare specifiche traiettorie di sviluppo e a ridurre lo spazio percepito per l’innovazione, rendendo la transizione verso modelli circolari complessa e fortemente dipendente dal contesto.

Per comprendere come le imprese possano rinegoziare queste traiettorie di sviluppo, la prospettiva delle dynamic capabilities offre un framework teorico particolarmente rilevante. Le capacità di sensing, seizing e reconfiguring consentono infatti di interpretare la trasformazione dei modelli di business circolari come un processo dinamico, nel quale le imprese individuano segnali di cambiamento — quali pressioni normative, aspettative degli stakeholder e opportunità tecnologiche — selezionano e sperimentano nuove proposte di valore e, infine, riconfigurano risorse, strutture e relazioni per sostenere nel tempo nuove logiche di creazione del valore (Teece, 2007; Reim et al., 2019; Santa-Maria et al., 2022).

In questo senso, le capacità dinamiche rappresentano il principale meccanismo attraverso il quale le imprese possono, almeno in parte, “liberarsi” dai vincoli della path dependence e orientare i propri modelli di business verso la circolarità. Parallelamente, l’intelligenza artificiale sta assumendo un ruolo sempre più centrale nei processi di transizione verso l’economia circolare. Quando è integrata in architetture digitali più ampie, l’IA consente di migliorare la tracciabilità dei materiali, ottimizzare l’impiego delle risorse, sviluppare modelli di product-as-a-service e favorire la nascita di marketplace dedicati al riutilizzo (Rosa et al., 2020).

Tuttavia, gran parte della letteratura adotta una prospettiva prevalentemente tecnologica, trascurando il modo in cui l’intelligenza artificiale viene incorporata nei processi strategici e decisionali. Diventa quindi fondamentale comprendere come l’IA venga effettivamente integrata all’interno dei modelli di business. Da questa prospettiva, l’intelligenza artificiale può essere interpretata come una infrastruttura cognitiva, capace di influenzare ciò che le imprese sono in grado di percepire, analizzare e realizzare (Sjödin et al., 2023; Neri et al., 2023).

Partendo da questi presupposti, il presente contributo propone un framework integrato nel quale modelli di business circolari, capacità dinamiche e intelligenza artificiale sono interconnessi e coevolvono su tre livelli. Il livello strutturale è rappresentato dai modelli di business circolari, che definiscono l’architettura della creazione di valore e risultano influenzati dalla path dependence (Geissdoerfer et al., 2020). Il livello processuale è costituito dalle capacità dinamiche, che agiscono come meccanismo di trasformazione attraverso i processi di sensing, seizing e reconfiguring (Teece, 2007). Il livello abilitante è invece rappresentato dall’intelligenza artificiale, che opera come infrastruttura cognitiva e informativa, potenziando tali capacità ed espandendo il potenziale analitico e decisionale delle imprese (Warner & Wäger, 2019). 

All’interno di questo framework, l’IA non costituisce un elemento esterno, bensì una componente costitutiva delle capacità dinamiche: estende il sensing attraverso l’analisi predittiva, abilita un seizing guidato dai dati e supporta i processi di reconfiguring sia organizzativi sia inter-organizzativi (Sjödin et al., 2023). Il framework evidenzia inoltre il rapporto ambivalente tra intelligenza artificiale e path dependence. Da un lato, l’IA può rafforzare le configurazioni esistenti migliorandone l’efficienza; dall’altro, può contribuire a ridefinire le metriche di performance, rinegoziare le relazioni lungo la supply chain e rendere possibili nuove configurazioni di creazione del valore (Tutore et al., 2024). Allo stesso tempo, l’IA introduce nuove forme di dipendenza legate alle infrastrutture dati, agli standard tecnici e ai sistemi digitali, con il rischio di generare fenomeni di technological lock-in (Neri et al., 2023).

Infine, la transizione verso i modelli di business circolari si sviluppa sempre più all’interno di ecosistemi caratterizzati da forti interdipendenze tra imprese, istituzioni e piattaforme digitali (Adner, 2017; Jacobides et al., 2018). In tali contesti assumono un’importanza decisiva le capacità di coordinamento e di “traduzione”, che consentono di integrare linguaggi, conoscenze e logiche differenti tra i diversi attori coinvolti. Queste capacità costituiscono le microfondazioni delle capacità dinamiche e permettono di trasformare dati e algoritmi in decisioni strategiche (Nonaka & Takeuchi, 1995). Di conseguenza, l’innovazione circolare emerge non soltanto come un processo interno all’organizzazione, ma come un fenomeno relazionale e sistemico.

Conclusioni

Il framework proposto offre una nuova chiave interpretativa del ruolo dell’intelligenza artificiale nei processi di transizione verso l’economia circolare, evidenziandone la natura di infrastruttura cognitiva integrata nelle capacità dinamiche. L’IA emerge come una leva fondamentale per ampliare le capacità delle imprese di percezione, decisione e riconfigurazione, contribuendo al tempo stesso a rafforzare oppure a trasformare i vincoli esistenti. La trasformazione dei modelli di business circolari appare quindi come un processo coevolutivo nel quale tecnologia, capacità organizzative e relazioni ecosistemiche interagiscono e si influenzano reciprocamente. In questa prospettiva, la transizione verso un’economia circolare non dipende esclusivamente dall’adozione di tecnologie avanzate, ma anche dallo sviluppo di capacità di coordinamento e di traduzione in grado di rendere l’utilizzo dell’intelligenza artificiale realmente trasformativo.

Referenze

• Adner, R. (2017). Ecosystem as structure: An actionable construct for strategy. Journal of management, 43(1), 39-58.
  
  
• Bocken, N. M., De Pauw, I., Bakker, C., & Van Der Grinten, B. (2016). Product design and business model strategies for a circular economy. Journal of industrial and production engineering, 33(5), 308-320.
  
  
• Geissdoerfer, M., Savaget, P., Bocken, N. M., & Hultink, E. J. (2017). The Circular Economy–A new sustainability paradigm?. Journal of cleaner production, 143, 757-768.
• Geissdoerfer, M., Pieroni, M. P., Pigosso, D. C., & Soufani, K. (2020). Circular business models: A review. Journal of cleaner production, 277, 123741.
  
  
• Jacobides, M. G., Cennamo, C., & Gawer, A. (2018). Towards a theory of ecosystems. Strategic management journal, 39(8), 2255-2276.
  
  
• Neri, A., Negri, M., Cagno, E., Kumar, V., & Garza‐Reyes, J. A. (2023). What digital‐enabled dynamic capabilities support the circular economy? A multiple case study approach. Business Strategy and the Environment, 32(7), 5083-5101.
  
  
• Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company. The Knowledge-Creating Company How Japanese Companies Create the Dynamics of Innovation. Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company. The Knowledge-Creating Company How Japanese Companies Create the Dynamics of Innovation.
  
  
• Prisco, A. (2025). L’economia circolare per lo sviluppo delle PMI. Modelli teorici e leve manageriali. Wolkers Kluwer, Milano.
  
  
• Reim, W., Sjödin, D., & Parida, V. (2021). Circular business model implementation: A capability development case study from the manufacturing industry. Business Strategy and the Environment, 30(6), 2745-2757.
  
  
• Rosa, P., Sassanelli, C., Urbinati, A., Chiaroni, D., & Terzi, S. (2020). Assessing relations between Circular Economy and Industry 4.0: a systematic literature review. International Journal of Production Research, 58(6), 1662-1687.
  
  
• Santa‐Maria, T., Vermeulen, W. J., & Baumgartner, R. J. (2022). How do incumbent firms innovate their business models for the circular economy? Identifying micro‐foundations of dynamic capabilities. Business Strategy and the Environment, 31(4), 1308-1333.
  
  
• Sjödin, D., Parida, V., & Kohtamäki, M. (2023). Artificial intelligence enabling circular business model innovation in digital servitization: Conceptualizing dynamic capabilities, AI capacities, business models and effects. Technological Forecasting and Social Change, 197, 122903.
  
  
• Sydow, J., Schreyögg, G., & Koch, J. (2009). Organizational path dependence: Opening the black box. Academy of management review, 34(4), 689-709.
  
  
• Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Strategic management journal, 28(13), 1319-1350.
  
  
• Teece, D. J., et al. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.
  
  
• Tutore, I., Parmentola, A., Di Fiore, M. C., & Calza, F. (2024). A conceptual model of artificial intelligence effects on circular economy actions. Corporate Social Responsibility and Environmental Management, 31(5), 4772-4782.
  
  
• Vergne, J. P., & Durand, R. (2011). The path of most persistence: An evolutionary perspective on path dependence and dynamic capabilities. Organization Studies, 32(3), 365-382.
  
  
• Warner, K. S., & Wäger, M. (2019). Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal. Long range planning, 52(3), 326-349.

dsdsds