Today, “lean” may no longer be fashionable but its core principles (flow, value, pull, minimizing waste etc.) have become the paradigm for many manufacturing (and service) operations. Given this pre‐eminence, the paper seeks to establish what impact it has had on the overall competitive positions of adopter firms. Combining normative and critical theory (from lean production and resource‐based view of the firm literature) with empirical material drawn from three case studies, the paper argues that lean production can underpin competitive advantage if the firm is able to appropriate the productivity savings it creates. Similarly, the ambiguity of lean production in practice means that the implementation process can create strategic resources to underpin sustainable competitive advantage. Problematically, however, the paper also suggests that being “lean” can curtail the firm’s ability to achieve long‐term flexibility. It concludes with suggestions for further work.

This paper investigates the detail and dynamics of how contractual and relational governance mechanisms are deployed in managing complex, long-term public–private supply arrangements. Using empirical data from two UK Private Finance Initiative (PFI) cases, the paper analyses the interplay of governance mechanisms along a timeline of project phases. Conceptual and practical findings confirm that relational and contractual mechanisms are indeed complementary forms of exchange governance but also that the relational intentions of all parties frame whether the contract is interpreted as a written sign of distrust or commitment. Equally, relational and contractual governance follow different development paths: both follow cumulative trajectories but (a) inter-personal relational mechanisms are more incremental and fragile, whereas (b) contractual mechanisms move with fewer degrees of freedom and ‘anchor’ the exchange throughout the life cycle. Finally, the different development characteristics of relational and contractual mechanisms mean that their dynamic interplay does not follow consistent patterns. The paper concludes with suggestions for more longitudinal studies.

Large language models (LMs) are able to in-context learn—perform a new task via inference alone by conditioning on a few input-label pairs (demonstrations) and making predictions for new inputs. However, there has been little understanding of how the model learns and which aspects of the demonstrations contribute to end task performance. In this paper, we show that ground truth demonstrations are in fact not required—randomly replacing labels in the demonstrations barely hurts performance on a range of classification and multi-choce tasks, consistently over 12 different models including GPT-3. Instead, we find that other aspects of the demonstrations are the key drivers of endtask performance, including the fact that they provide a few examples of (1) the label space, (2) the distribution of the input text, and (3) the overall format of the sequence. Together, our analysis provides a new way of understanding how and why in-context learning works, while opening up new questions about how much can be learned from large language models through inference alone.