Companies innovating in dynamic environments face the combined challenge of unforeseeable uncertainty (the inability to recognize the relevant influence variables and their functional relationships; thus, events and actions cannot be planned ahead of time) and high complexity (large number of variables and interactions; this leads to difficulty in assessing optimal actions beforehand). There are two fundamental strategies to manage innovation with unforeseeable uncertainty and complexity: trial and error learning and selectionism. Trial and error learning involves a flexible (unplanned) adjustment of the considered actions and targets to new information about the relevant environment as it emerges. Selectionism involves pursuing several approaches independently of one another and picking the best one ex post. Neither strategy nor project management literatures have compared the relative advantages of the two approaches in the presence of unforeseeable uncertainty and complexity. We build a model of a complex project with unforeseeable uncertainty, simulating problem solving as a local search on a rugged landscape. We compare the project payoff performance under trial and error learning and selectionism, based on a priori identifiable project characteristics: whether unforeseeable uncertainty is present, how high the complexity is, and how much trial and error learning and parallel trials cost. We find that if unforeseeable uncertainty is present and the team cannot run trials in a realistic user environment (indicating the project's true market performance), trial and error learning is preferred over selectionism. Moreover, the presence of unforeseeable uncertainty can reverse an established result from computational optimization: Without unforeseeable uncertainty, the optimal number of parallel trials increases in complexity. But with unforeseeable uncertainty, the optimal number of trials might decrease because the unforeseeable factors make the trials less and less informative as complexity grows.

Prototyping allows firms to evaluate the technical feasibility of alternative product designs and to better estimate their costs. We study a collaborative prototyping scenario in which a manufacturer involves a supplier in the prototyping process by letting the supplier make detailed design choices for critical components and provide prototypes for testing. While the supplier can obtain private information about the costs, the manufacturer uses target costing to gain control over the design choice. We show that involving the supplier in the prototyping process has an important influence on the manufacturer's optimal decisions. The collaboration results in information asymmetry, which makes parallel prototyping less attractive and potentially reverses the optimal testing sequence under sequential prototyping: It may be optimal to test designs in increasing order of attractiveness to avoid that the supplier does not release technically and economically feasible prototypes for strategic reasons. We also find that the classical target costing approaches (cost‐ and market‐based) need to be adjusted in the presence of alternative designs: Due to the strategic behavior of suppliers, it is not always optimal to provide identical target costs for designs with similar cost and performance estimates, nor to provide different target costs for dissimilar designs. Furthermore, the timing is important: While committing upfront to carefully chosen target costs reduces the supplier's strategic behavior, in some circumstances, the manufacturer can take advantage of this behavior by remaining flexible and specifying the second prototype's target costs later.

Choosing the right development team is crucial for companies. We investigate how project collaboration requirements and uncertainty levels affect the choice between “specialists” with higher levels of task-specific abilities and “generalists” with higher levels of collaboration skills. We also examine how these factors affect optimal team incentives. In addition to performance-enhancing helping, we consider another type of collaboration that has received less attention in the incentive literature: information-sharing, which can reduce uncertainty and lead to more compatible design decisions. In the case of helping, we show that if uncertainty is high then specialists might be preferred in order to reduce risk exposure—even if their task-specific abilities are only slightly better. Conversely, if information-sharing can significantly reduce uncertainty then generalists may be favored even if their task-specific abilities are much lower. Our study also reveals that task and collaboration incentives can be either complements or substitutes depending on the type of collaboration and level of project uncertainty: in projects that benefit from helping, firms will always substitute task incentives for collaboration incentives when selecting a team of specialists (rather than a team of generalists), yet this need not be the case with information-sharing. In such projects, it can be optimal to offer higher task incentives and also higher collaboration incentives to a team of specialists (than to a team of generalists) even though specialists’ collaboration skills are relatively lower.