2
До сих пор мы говорили о том, что обучение на ошибках состоит из двух основных частей: во-первых, вам нужна правильная система – та, которая превращает неудачи в двигатель прогресса, во-вторых, вам нужен образ мысли, который позволит такой системе процветать.
В предыдущей части речь шла об образе мысли. Когнитивный диссонанс случается, когда ошибки слишком ужасны, чтобы их можно было признать, поэтому их либо переосмысляют, либо игнорируют. Это своего рода внутренний страх перед неудачей: мы опасаемся признавать собственные ошибки.
В двух последних частях книги мы вернемся к этой животрепещущей проблеме. Мы посмотрим на то, как создается профессиональная культура, в которой ошибки не переосмысляются и не замалчиваются, а превращаются в движущую силу прогресса. Мы также рассмотрим внутренний страх перед неудачей – страх оказаться несправедливо обвиненным или наказанным, тоже препятствующий обучению на ошибках.
В конечном счете мы увидим, что сильная, гибкая, ориентированная на развитие культура выстраивается на специфическом психологическом фундаменте. Изучим мы и конкретные примеры передовых компаний, спортивных команд и даже школ, которые внедряют у себя подобную культуру.
Однако сейчас настало время рассмотреть другую часть уравнения – ту, что описывает систему. Мы уже касались этой темы, когда приводили примеры учреждений и областей, успешно учащихся на своих ошибках, в их числе авиация и Virginia Mason Health System. Давайте разберем богатую теоретическую основу, на которой базируются подобные примеры. Мы увидим, что все системы, которые учатся на ошибках, обладают определенной структурой, которую можно обнаружить в разных областях, – это и живая природа, и искусственный интеллект, и наука. Мы изучим способы, которыми эту структуру внедряют у себя самые передовые организации мира – часто с потрясающими результатами.
Именно эта структура чудесным образом проявляется в примере с Unilever. История с распылителем в первую очередь показывает, какой силой обладает проверка. Хотя биологи ничего не знали о физике фазового перехода, они сумели разработать более эффективный распылитель, испытывая распылители разной формы, отбраковывая плохо функционирующие модели и изменяя лучший распылитель каждого поколения.
То, что биологи выбрали именно эту стратегию, – вовсе не случайность: она отражает изменения, которые происходят в живой природе. Эволюция – процесс, который проводит "испытания на надежность", называемые в биологии естественным отбором. Более приспособленные организмы чаще выживают и размножаются, и потомство наследует их гены, подверженные изменениям в ходе случайного процесса – мутации. Как и в случае с распылителем Unilever, это система, которая совершенствуется методом проб и ошибок.
В одном аспекте неудачи подобной системы отличаются от неудач, которые мы наблюдали в авиации, здравоохранении и системе уголовного правосудия. Биологи понимали, что потерпят множество неудач, более того, они сознательно пошли на это, чтобы разобраться, какие модели работают, а какие нет. В авиации никто не совершает ошибки сознательно. Там главное – свести число катастроф к минимуму.
Однако, несмотря на разницу, есть и существенное сходство. Неудачи в авиации дают толчок к реформам. Ошибки – неотъемлемая часть процесса изменения, и речь идет не только о настоящих катастрофах и авариях, но и о тех, что случаются в симуляторах, и о ситуациях, близких к аварийным. Аналогичным образом отбракованные распылители помогали усовершенствовать конструкцию. У всех таких ошибок есть важная закономерность: они – часть процесса адаптации, состоящего из распознания неудачи и реакции на нее.
Процесс эволюции так могуч потому, что он имеет нарастающую природу. Ричард Докинз приводит иллюстрацию к понятию нарастающего (кумулятивного) отбора в своей замечательной книге "Слепой часовщик" (The Blind Watchmaker). Он предлагает нам вообразить обезьяну, которая пытается, стуча по клавишам, набрать фразу из "Гамлета": "Methinks it is like a weasel" ("Сдается мне, что оно похоже на горностая"). Шансов на то, что обезьяна случайно наберет эти слова, очень мало.
Если обезьяна бьет по клавишам наугад и у нас есть 27 символов (26 букв латинского алфавита плюс пробел), первый символ она угадает с вероятностью 1/27, второй – тоже с вероятностью 1/27 и т. д. Значит, первые три буквы совпадут с текстом Шекспира с вероятностью 1/27 × 1/27 × 1/27. Это один шанс из 19 683. Вероятность угадать все 27 символов составляет один шанс на 10 тысяч миллионов миллионов миллионов миллионов миллионов миллионов.
Теперь представим себе, что у нас есть механизм отбора (то есть испытание на надежность), причем отбор этот нарастающий. Докинз написал для этого компьютерную программу. Первые несколько попыток набрать правильную фразу абсолютно случайны, точно как в примере с обезьяной. Но после этого компьютер распознает различные бессмысленные сочетания символов, чтобы определить, какое из них ближе прочих, пусть и на малую толику, к фразе, которая должна получиться в финале. Все прочие сочетания компьютер отбрасывает. Затем он произвольным образом меняет сочетание, прошедшее отбор, и распознает новое поколение сочетаний. И так далее.
Первое поколение было таким:
WDLTMNLT DTJBSWIRZREZLMQCO P
После десяти поколений, в ходе которых программа модифицировала исходную фразу так и сяк, Докинз получил такое сочетание:
MDLDMNLSITJISWHRZREZ MECS P
После двадцати поколений фраза выглядит так:
MELDINLS IT ISWPRKE Z WECSEL
После тридцати поколений сходство с искомой фразой можно заметить невооруженным глазом:
METHINGS IT ISWLIKE B WECSEL
К сорок третьему поколению компьютер выдает правильное сочетание символов. Для того чтобы прийти к этому результату, понадобилось несколько секунд.
Таким образом, нарастающий отбор работает, если существует некая форма "памяти", то есть если результаты одного отборочного теста учитываются в ходе следующего и т. д. Это столь мощный процесс, что в природе благодаря ему появляется "иллюзия замысла": животные выглядят так, будто их создал некий сверхразум, хотя на деле они созданы слепым процессом эволюции.
Отголосок этой иллюзии есть и в примере с распылителем. Итоговая модель распылителя столь хорошо приспособлена к созданию порошкообразного моющего средства, что невольно закрадывается мысль: не приложил ли к ней руку некий умелый дизайнер? В действительности, как мы видели, биологи не занимались "дизайном" в принципе. Они просто использовали силу эволюционного процесса.
В мире есть немало систем, по сути своей эволюционных. Не случайно многие величайшие мыслители [152] последних двух веков отдавали предпочтение системе рыночной экономики: она подражает процессу биологического изменения. Это отмечает и Тим Харфорд в своей книге "Через поражения – к победе. Законы Дарвина в жизни и бизнесе" (Adapt: Why Success Always Starts with Failure) [153]. Адаптации системы способствуют различные компании, которые конкурируют между собой, причем одни из них гибнут, а другие выживают. Вот почему рынки – если, конечно, они правильно регулируются – решают проблемы столь эффективно: они воспроизводят беспрерывный процесс отбора методом проб и ошибок.
Эквивалент естественного отбора в системе рынка – банкротство. Прогорая, компания отбраковывается примерно так же, как неэффективная модель распылителя. Оказывается, что какие-то компоненты, будь то продукт, цена, стратегия, маркетинг, менеджмент, производственный процесс или что-то еще, у конкурента были более эффективными. Более слабые идеи и продукты отбрасываются. Успешные идеи тиражируются другими компаниями. Эволюция системы, как и эволюция модели распылителя Unilever, осуществляется благодаря нарастающему отбору.
Следовательно, разорение компаний в условиях свободного рынка – это не дефект системы и не плачевный побочный продукт конкуренции; напротив, это неотъемлемая часть любого эволюционного процесса. По статистике, каждый год банкротятся 10 % американских компаний [154]. Экономист Йозеф Шумпетер назвал данный процесс "созидательным разрушением".
Сравните эту ситуацию с централизованно планируемой экономикой, в которой банкротств почти и не бывает. В такой экономике фирмы защищены от провала государственными субсидиями. Правительство также защищено от провала печатным станком, который может увеличить денежную массу и тем самым уберечь страну от нехватки денег. На первый взгляд может показаться, что столь просвещенная система – шаг вперед на пути решения проблемы экономически выгодного производства, распределения и обмена. Никто никогда не обанкротится, а значит, все по определению успешны.
Но именно поэтому плановая экономика толком не работает. Ею руководят умные планировщики, они решают, сколько зерна производить и сколько стали добывать. Для получения оптимальных результатов они производят сложные расчеты. При этом они сталкиваются с той же проблемой, которая привела к неудаче математиков Unilever: какими бы замечательными ни были их идеи, они недостаточно быстро проходят испытания – и, когда случаются ошибки, реформировать экономику крайне сложно.
Даже если планировщики в десять раз умнее бизнесменов, действующих в условиях рыночной экономики, все равно они останутся позади. Не проходя испытаний на прочность, система становится негибкой. В условиях рынка, напротив, тысячи мелких неудач обеспечивают системе плавное движение вперед и в каком-то смысле направляют ее. Когда одни бизнесмены банкротятся, другие учатся на их ошибках, система порождает новые идеи, а в конечном счете выигрывает потребитель.
Похожим образом катастрофы в авиации – трагедии для пассажиров, которые летели в разбившихся самолетах, – повышают тем не менее безопасность будущих полетов. Неудача дает толчок к осмысленным переменам.
Нельзя сказать, что рынки совершенны. У рыночной экономики немало проблем: монополии, сговоры, неравенство, фиксированные цены, компании, которые слишком велики, чтобы обанкротиться, и потому гарантированно защищены деньгами налогоплательщиков. Все эти явления препятствуют процессу адаптации. Но основной принцип остается прежним: рынки функционируют не вопреки многочисленным неудачам бизнесменов, а благодаря им.
Испытание на прочность и обучение на ошибках идут на пользу не только системам, но и отдельным организациям. Так, немало передовых компаний мира рассматривают разработку стратегии сквозь призму основных уроков эволюционной теории. Впрочем, опыт биологов Unilever, искавших ответ вслепую, используют немногие – искать таким способом решение сложной проблемы слишком долго.
Вместо этого компании проводят серию тщательно продуманных испытаний, проверяют свои допущения и используют извлеченные
уроки для разработки стратегии. Речь о смешении подхода "сверху вниз" (как у математиков) с подходом "снизу вверх" (как у биологов): уже имеющееся знание сочетается со знанием, которое компании получают, обнаруживая слабые места в прежних концепциях. Требуется мужество для того, чтобы иметь убеждения, и смирение, чтобы сразу тестировать их на прочность и быстро адаптироваться к ситуации.
Отголоски этих идей можно наблюдать в процессе изменения технологий. Принято считать, что развитие технологии происходит сверху вниз. Ученые проводят исследование общего плана, из которого рождается научная теория, впоследствии она используется более практичными людьми для создания механизмов, устройств и прочих технологий.
Эту модель, иногда называемую линейной, можно представить в виде простой схемы: Исследования и теория → Технология → Практическое приложение.
Например, традиционно считается, что промышленная революция во многом вдохновлялась произошедшей до нее научной революцией: идеи Бойля, Гука и Локка воплотились в конечном счете в механизмы, которые изменили мир.
Проблема линейной модели в том, что почти во всех сферах человеческой деятельности она очень сильно принижает роль испытаний "снизу вверх", при котором практика влияет на теорию, и обучения того типа, которое практиковали биологи Unilever. Теренс Кили, ученый-практик, в книге "Экономические законы научного исследования" (The Economic Laws of Scientific Research) развенчивает традиционное описание промышленной революции:
В 1733 г. Джон Кей изобрел самолетный челнок, который механизировал ткачество, а в 1770 г. Джеймс Харгривс сконструировал "Дженни", первую прядильную машину периодического действия, которая механизировала прядение. Эти нововведения в текстильной технологии вкупе с изобретениями Уайатта и Пауля (прядильная машина, 1758) и Аркрайта (прядильная машина с водяным двигателем, 1769) предвосхитили индустриальную революцию, однако с наукой у них не имелось ничего общего: это
были эмпирические достижения, основанные на методе проб и ошибок и экспериментах умелых специалистов, пытавшихся увеличить производительность труда, а значит, и прибыль своих фабрик [155].
Обратите внимание на последнее предложение: все эти изменившие мир механизмы, как и распылитель Unilever, разработаны методом проб и ошибок. Дилетанты и ремесленники, люди практического ума, решавшие практические проблемы, разрабатывали конструкцию этих машин, экспериментируя, ошибаясь и учась на своих ошибках. Они не до конца понимали теорию, которая лежала в основе их изобретений. Они не смогли бы рассказать о них на языке науки. Однако им, как и биологам Unilever, это было попросту не нужно.
Здесь схема, отражающая причинно-следственные связи в инновациях, может дать сбой. Возьмем первый паровой двигатель для водяного насоса. Его сконструировал Томас Ньюкомен, не слишком грамотный провинциальный баптистский проповедник и торговец скобяными изделиями. Впоследствии этот двигатель был усовершенствован Джеймсом Уаттом. Оба изобретателя основывались на интуиции и практике. Но успешно работающий двигатель ставил важный вопрос: почему он все-таки работает (вопреки всем известным тогда законам физики)? Эта проблема вдохновила французского физика Николя Леонара Сади Карно, и он сформулировал законы термодинамики. Метод проб и ошибок породил технологию, которая породила теорию. Линейная модель наоборот.
В прекрасной книге "Антихрупкость" Нассим Николас Талеб показывает, что линейная модель неверна (или по меньшей мере вводит нас в заблуждение), чему есть множество примеров – начиная с кибернетики и деривативов (производных финансовых инструментов) и заканчивая медициной и созданием реактивного двигателя. Во всех этих случаях, как показывает история, новшества возникали в результате действий, аналогичных действиям биологов компании Unilever, а затем они оформлялись в эмпирически полученные и практически применимые технологии. Зачастую проблемы были слишком сложны, чтобы их можно было решить на уровне теории или чертежа или на семинаре в аудитории университета. Такие проблемы решались людьми, которые ошибались, учились на своих ошибках и ошибались вновь.
Особенно интересно в этом плане посмотреть на архитектуру: широко распространено убеждение, будто древние сооружения вроде соборов с их необычайными формами и деталями создавались благодаря формальной геометрии Евклида. Как еще могли древние возвести эти величественные здания? На самом деле геометрия не играла тут почти никакой роли. Как показывает Талеб, почти однозначно можно сказать, что, наоборот, практическая мудрость древних зодчих вдохновила Евклида на сочинение "Начал", чтобы формализовать то, что уже было известно строителям.
"Взгляните на трактат Витрувия "Об архитектуре", библию архитекторов, написанную через триста лет после евклидовских "Начал", – пишет Талеб. – В этом трактате почти нет опоры на геометрию и Евклид, само собой, не упоминается. По большей части Витрувий пишет об эвристике, о том типе знания, которое архитектор передает своим ученикам… При этом строители как-то рассчитывали сопротивление материала, которое мы сегодня рассчитываем при помощи уравнений, и старинные здания по большей части стоят до сих пор" [156].
Эти примеры вовсе не доказывают, что теоретические знания бесполезны. Как раз наоборот. Теоретическое обоснование важно даже для чистых практиков, решающих деловые задачи. Очень часто бывает так, что новые теории приводят к важнейшим технологическим прорывам (скажем, атомная бомба – это следствие появления теории относительности).
Главная проблема – скорость. Изменения теории сами по себе происходят благодаря механизму обратной связи, как мы и отметили в третьей главе: наука учится на ошибках. Но когда теория терпит неудачу, скажем, математики Unilever оказываются неспособными создать модель эффективного распылителя, требуется время на то, чтобы создать новую теорию, которая объясняла бы все явления в данной области. Для получения практического знания нужно просто попробовать деталь другой формы. Подстройка, доработка, обучение на практических ошибках хороши тем, что дают быстрый результат. Теоретические прорывы могут быть чудесными, но случаются крайне редко.
В итоге технический прогресс – это сложное взаимодействие между теоретическим и практическим знанием: каждое из них поддерживает другое в восходящей спирали. Однако мы часто не обращаем внимания на беспорядочный, повторяющийся, идущий снизу вверх аспект таких перемен – нам легче рассматривать изменения мира, так сказать, сверху вниз. Мы стараемся понять его сверху, а не постичь снизу.
Эта тенденция достаточно ярко заметна, среди прочего, в истории искусственного интеллекта. Когда в ходе знаменитого матча 1997 г. гроссмейстер Гарри Каспаров проиграл компьютеру Deep Blue, знаменитая "победа машины" вызвала к жизни настоящую бурю. Эта победа сплошь и рядом объяснялась тем, что "компьютеры умнее людей".
Между тем по-настоящему удивительным было то, что Каспаров продержался так долго. Люди способны анализировать три хода в секунду, не более. Deep Blue за то же время просчитывал 200 млн ходов. Он спроектирован так, чтобы изучать множество различных возможностей. Однако, и это самое важное, компьютер не в состоянии анализировать все потенциальные ходы из-за слишком большого количества комбинаций (шахматы характеризуются высоким уровнем сложности). Более того, хотя программа Deep Blue содержала немало шахматной премудрости, она не позволяла компьютеру учиться на собственных ошибках после каждой следующей игры.