Ассоциативное и понятийное моделирование
Когда агент только начинает моделировать, как правило, он делает это ассоциативно, при помощи S1. Буквально вспоминает «я уже это видел/слышал» (то есть, проводит параллели, ориентируется на ассоциации), выбирает модель ситуации, похожей на эту, и неявно кладёт их в основу своих рассуждений при принятии решений. Это и есть ассоциативное моделирование, основанное на работе первой сигнальной системы. Большая часть решений, которые мы принимаем, основана именно на ассоциативном моделировании.
Ассоциативного моделирования достаточно для принятия относительно несложных решений, например, когда надо скопировать удачные модели управления сотрудниками, применяемые в соседнем подразделении, или придумать, куда поехать в отпуск. Однако когда вам требуется принимать сложные решения, например, решения в условиях высокой неопределённости (выбрать стратегию компании или личную стратегию, запустить бизнес, определиться, будете ли вы переезжать в другой город или страну), то ассоциативное моделирование может сильно навредить. Поступив в точности так, как поступил ваш образец для подражания, вы можете запросто получить диаметрально противоположный результат. Например, скопированная стратегия компании была хороша 5-10 лет назад, когда её применили, но для современных условий среды/рынка не годится. Окно возможностей для запуска бизнеса закрылось, при попытке запустить бизнес сейчас вы окажетесь на высоконкурентном рынке безо всяких преимуществ. Переехать без значительного понижения уровня жизни можно было 10 лет назад, но не сейчас. И всё это вы не учли или не могли учесть, потому что при ассоциативном моделировании адекватный учёт особенностей ситуаций не проводится. Чтобы учесть эти особенности, нужно понятийное/концептуальное моделирование, моделирование с задействованием S2.
Ассоциативное мышление/моделирование «на выходе» даёт первую версию модел****и, то есть, первое представление об объектах, их связях между собой, об онтологии, которая задействуется для описания, и так далее. Любая первая версия модели по определению неверна: при её составлении мы не обладаем хорошим знанием предметной области, а значит, обречены где-то ошибиться (и не раз). Например, мы запросто пропустим важный объект внимания для управления работами – «очередь», будем неверно определять причины, по которым нам не удаётся выполнить работы вовремя, и так далее. Кроме того, первая версия модели содержит лишь приближённое представление об объекте/предмете метода и поэтому не учитывает всех его свойств/характеристик, которые могут быть важны в конкретной ситуации. Однако хорошие порождающие модели неверны, но полезны для дальнейшей работы – и тем отличаются от плохих. Например, в 1913 году Нильс Бор предложил планетарную модель атома Бора[1] (или Резерфорда-Бора, так как Бор доработал модель, предложенную Резерфордом), за что получил Нобелевскую премию в 1922 году. После появления настоящей квантовой механики эта модель была признана неверной, и даже сам автор модели, Бор, сталкиваясь с апелляциями к ней, спрашивал: «Они что, никогда не слышали про квантовую механику?»[2]. Однако во время появления эта модель оказалась полезной для дальнейшего развития физики и появления настоящей квантовой механики, поскольку в ней Бор отошёл от классического взгляда/viewpoint на электродинамику и ввёл допущения о движении лишь по определённым стационарным орбитам. Модель Бора, хоть и оказавшаяся впоследствии неверной, оказалась неверной в нужном направлении и изменила ход рассуждений учёных.
Действиями, основанными на неверной, но полезной модели, мы можем считать действия по уменьшению «незавершёнки»/WIP, предпринятые вами и вашей командой при выполнении заданий по разделам «Различать метод и работу» и «Концентрироваться на важном». Представление о том, что нужно уменьшать незавершёнку в любом месте конвейера, неверно: если мы уменьшим незавершёнку (или применим другой способ ускориться) в любом месте конвейера, то выпуск может и не увеличиться. Например, вы можете в 3 раза ускорить работу конструкторского бюро на вашем заводе, однако выпуск ленточных конвейеров не изменится. Это происходит потому, что в первую очередь нужно ускорять работу ограничения (самого медленного оргзвена/рабочей станции), которым выступает производство, а не конструкторское бюро. Почему же тогда в начале руководства предлагаются действия, основанные на неверной модели? Потому что такие действия хоть и не на 100% верны, но полезны. В начале руководства новичок ещё толком не знаком ни с понятием «ограничения», ни с методами его поиска (а также не знаком с понятиями «понятие» и «метод»). Однако у него есть шанс ускорить работу как своей команды, так и целой компании (при наличии полномочий) даже без знания о том, где на предприятии находится ограничение. Для этого надо уменьшить незавершёнку во всех доступных/подконтрольных рабочих станциях/оргзвеньях. Тогда количество незавершёнки уменьшится и у той рабочей станции/части конвейера, которая является ограничением, ещё до того, как мы вычислили это ограничение. Неверное представление приводит к полезным результатам; но после знакомства с реальной теорией работ и современными методами операционного менеджмента неверную модель следует убирать/заменять разделяющей.
Понятийное/концептуальное моделирование «на выходе» даёт продвинутые классифицирующие/разделяющие модели, то есть модели, точнее отражающие реальность и позволяющие принимать более оптимальные решения даже в условиях высокой неопределённости. Разделяющие модели лучше отражают реально имеющиеся причинно-следственные связи и дают качественные объяснения, которые затем можно переиспользовать многократно. Однако разделяющие модели мы не получаем просто так, за их приобретение мы всегда платим: как минимум, нужно время для уточнения первой версии модели и проверки её действиями в реальном мире; как максимум, мы расплатимся и другими ресурсами, например, деньгами. Поэтому при создании разделяющей/классифицирующей/discriminative модели мы всегда сталкиваемся с необходимостью идти на размены/компромиссы/trade-offs: обменять сколько-то времени на дополнительные исследования, чтобы избежать ошибок (время на повышение точности модели) в обмен на откладывание действий в реальном мире (меняем скорость на точность). То есть, как минимум, нам придётся выбирать оптимальное положение в спектре скорость мышления-точность мышления в конкретной ситуации или классе ситуаций. Например, в случае если вам требуется принять решение, которое влияет на судьбы многих людей, будет приниматься в условиях высокой неопределённости и высокой платы за ошибку, то имеет смысл посвятить чуть больше времени уточнению моделей (то есть, сдвинуться по шкале точности вправо, в сторону бОльшей точности, и по шкале скорости влево, в сторону мЕньшей скорости). В случае если решение несложное и без фатальных последствий, и/или вы слишком долго не предпринимаете ничего, обычно имеет смысл прекратить повышать точность моделей, счесть имеющуюся модель принятия решений и модель действий оптимальной, и посвятить внимание действиям по модели в реальном мире.
При создании продвинутой модели агент замедляется и начинает для начала описывать текущую порождающую модель. Сознательно выделяет объекты внимания, выбирает онтологию для описания объектов и выделения связей между ними; определяет, какими неявными предположениями пользовался и как выбрал точку зрения/viewpoint для описания модели. Далее он сверяет полученное описание текущей модели/модели as is/модели «как есть» с качественными моделями, выведенными из чужого опыта или взятыми из учебников, и ищет возможность скорректировать порождающую модель. Далее скорректированную модель надо будет проверить, для чего нужно будет предпринять в реальном мире действия, диктуемые моделью, и скорректировать уже после получения обратной связи. Цикл повторяется до тех пор, пока текущую разделяющую модель не заменит совершенно новая, которая будет лучше прежней. Например, квантовая механика позволяет описать движение атомов и субатомных частиц, а ещё из её положений можно вывести положения классической механики для более крупных объектов (макрообъектов). А вот из положений классической механики нельзя вывести квантовую, и классическая механика не позволяет описать движение атомов и субатомных частиц. Поэтому классические модели в современном мире используются лишь в небольшом классе ситуаций, где они дают достаточно точные расчёты при небольших усилиях; в остальном стремятся использовать более точные квантовые модели.
Для чего полезно разделение первых версий модели и продвинутых? Для ускорения работ. Первая версия модели, или MVP, нужна для того, чтобы её раскритиковали. Многим людям сложно составить первую версию модели самостоятельно – зато они прекрасно могут прокритиковать уже описанную модель. Топ-менеджеры обычно очень заняты, поэтому к ним подходить без даже первой версии модели – бесполезно[3]. Хотите ускорить работу – составляйте первую версию модели (в том числе при помощи больших языковых моделей вроде ChatGPT, Deepseek, Grok 3). Затем критикуйте её– сначала самостоятельно, затем с командой. После внесения правок вы получите приличную модель, на основе которой уже можно предпринимать действия в реальном мире. После первых действий в реальном мире вы получите обратную связь и сможете дальше улучшить модель. Примерно в это время модель начинает превращаться в продвинутую.
«Сто лет недосказанности. Квантовая механика для всех в 25 эссе» – Алексей Семихатов ↩︎
Рекомендуем послушать воркшоп с разбором рабочего кейса от нашего выпускника Юрия Геронимуса, где он в том числе рассказывает, как общаться с топ-менеджерами. Первая часть тут: https://www.youtube.com/watch?v=SOw0X8cl3fg, вторая часть тут: https://www.youtube.com/watch?v=YkF7DPSrbR8 ↩︎