Svarta svanar och Cynefin: när metoderna i den här serien inte räcker

Varje metod i den här serien hittills – rotorsaksanalys, loopkartläggning, scenarioplanering, positiv avvikelse – vilar på samma dolda antagande: att verkligheten går att kartlägga väl nog för att förstå eller förutse. Det stämmer överraskande ofta. Det är också därför de här metoderna fungerar. Men antagandet är inte alltid sant, och att inte veta när det slutar gälla är minst lika farligt som att aldrig ha lärt sig metoderna över huvud taget.

Ett ramverk för att veta vilken typ av problem man har

Cynefin-ramverket, utvecklat av Dave Snowden på IBM i slutet av 1990-talet, löser en specifik fråga: innan man väljer metod, vilken typ av situation befinner man sig faktiskt i? Ramverket delar upp problem i fyra domäner, beroende på hur relationen mellan orsak och verkan ser ut:

Tydlig (Clear/Obvious): orsak och verkan är kända och uppenbara för alla inblandade. Här följer man best practice. Inget i den här serien handlar om den här domänen – den är sällan intressant nog för att skriva om.

Komplicerad (Complicated): orsak och verkan finns, men kräver expertis eller analys för att avslöjas. Det här är hemmaplan för nästan allt vi gått igenom hittills: rotorsaksanalys, loopkartläggning, Theory of Constraints. Problemet är svårt, men det går att lösa upp med rätt metod och tillräcklig analys.

Komplex (Complex): orsak och verkan finns, men bara i efterhand – systemet är för sammansatt, med för många återkopplande delar, för att förutses i förväg. Här fungerar inte analys på samma sätt; man måste i stället experimentera i liten skala (safe-to-fail-försök) och se vad som faktiskt händer. Scenarioplanering och positiv avvikelse hör hemma här – båda är, i grunden, sätt att hantera en verklighet man inte kan räkna ut i förväg, bara utforska.

Kaotisk (Chaotic): ingen märkbar relation mellan orsak och verkan går att urskilja alls, i alla fall inte i den takt en beslutsfattare hinner agera. Här hjälper varken analys eller experiment. Det enda rimliga är att agera för att stabilisera situationen först, och försöka förstå den efteråt.

Poängen med ramverket är inte att kategorisera för kategoriseringens skull. Det är att en metod som är utmärkt i en domän kan vara direkt skadlig i en annan – att köra en grundlig rotorsaksanalys mitt i en kaotisk kris, i stället för att agera, är i sig ett misstag, oavsett hur bra analysen är.

Svarta svanen: den fjärde domänens mest extrema form

Nassim Nicholas Taleb myntade begreppet svart svan för händelser som är sällsynta, får enorm påverkan, och som ändå – i efterhand – alltid framstår som om de borde varit förutsägbara. Namnet syftar på att européer i århundraden var övertygade om att alla svanar var vita, tills svarta svanar upptäcktes i Australien: en enda observation som gjorde en tidigare orubblig sanning obsolet över en natt.

Det som gör en svart svan farlig är inte bara att den är osannolik. Det är att den ligger helt utanför den modell av vad som är möjligt som beslutsfattaren använder för att resonera om framtiden. Ingen mängd rotorsaksanalys av tidigare händelser kunde ha förutsagt den, eftersom den per definition inte liknar något som hänt förut. Och efteråt konstruerar vi nästan alltid en förklaring som gör den begriplig, till och med självklar, i efterhand – vad Taleb kallar berättelsefällan (narrative fallacy). Den efterhandskonstruerade förklaringen känns som insikt. Den är i själva verket bevis på att vi behöver en berättelse för att känna oss trygga, inte ett bevis på att händelsen faktiskt gick att se komma.

Det är här Cynefins kaotiska domän och Talebs svarta svan möts: en genuin svart svan är inte bara svårt att analysera sig fram till – den finns i den domän där analys som verktyg helt enkelt inte fungerar, oavsett hur skicklig analytikern är.

Varför vissa system aldrig går att förutse, oavsett hur bra modellen är

Det finns en besläktad, men strikt matematisk, poäng från kaosteorin som är värd att skilja från Cynefins kaotiska domän, även om namnen liknar varandra. Meteorologen Edward Lorenz upptäckte på 1960-talet, delvis av misstag när han avrundade indata i en väderprognosmodell, att extremt små skillnader i utgångsläget för ett system kan leda till radikalt olika utfall längre fram – det som blivit känt som "fjärilseffekten". Poängen är inte att sådana system är slumpmässiga. De följer exakta, deterministiska lagar. Poängen är att man aldrig kan mäta utgångsläget tillräckligt exakt för att förutse utfallet särskilt långt fram i tiden, eftersom varje litet mätfel växer exponentiellt.

Skillnaden mot Cynefins kaotiska domän är subtil men viktig: ett Lorenz-kaotiskt system kan i princip vara fullt begripligt och ändå vara praktiskt omöjligt att förutse mer än en kort stund framåt. En svart svan behöver inte ens vara kaotisk i den matematiska meningen – den kan helt sakna en känd modell över huvud taget. Båda leder dock till samma praktiska slutsats: det finns en gräns för hur mycket analys som hjälper, och den gränsen är inte en brist i metoden, den är inbyggd i själva systemet.

Vad man gör med den här insikten

Att acceptera att vissa problem hör hemma i den kaotiska domänen, eller är genuina svarta svanar, är inte samma sak som att ge upp planering. Det är att flytta målet: från att försöka förutse och kontrollera till att bygga något som klarar sig, eller till och med gynnas av, det man inte kunde förutse. Det är precis vad seriens sista artikel handlar om.

Källor och vidare läsning

• Dave Snowden och Mary Boone presenterade Cynefin-ramverket för en bred ledningspublik i artikeln "A Leader's Framework for Decision Making" (Harvard Business Review, november 2007).
• Nassim Nicholas Taleb introducerade begreppet svart svan i The Black Swan: The Impact of the Highly Improbable (2007), en av de mest inflytelserika böckerna i sin genre om osäkerhet och risk.
• Edward Lorenz beskrev den känsliga känsligheten för utgångsvärden som gett upphov till "fjärilseffekten" i det klassiska föredraget "Does the Flap of a Butterfly's Wings in Brazil Set Off a Tornado in Texas?" (1972).