Γιατί η πρόσληψη των “καλύτερων” εργαζομένων αποφέρει τα λιγότερο παραγωγικά αποτελέσματα

* Το άρθρο του συγγραφέα και καθηγητή πολιτικών επιστημών και οικονομικών στο πανεπιστήμιο του Μίσιγκαν Scott E Page δημοσιεύτηκε στο Aeon. Τo Αeon, είναι διαδικτυακό περιοδικό, που θέτει μεγάλα ερωτήματα, αναζητώντας φρέσκες απαντήσεις και μια νέα οπτική στην κοινωνική πραγματικότητα, την επιστήμη, τη φιλοσοφία και τον πολιτισμό. Το NEWS 24/7 αναδημοσιεύει κάθε εβδομάδα μια ιστορία για όσους λατρεύουν την πρωτότυπη σκέψη πάνω σε παλιά και νέα ζητήματα.

Ενώ ήμουν στο μεταπτυχιακό στα μαθηματικά στο Πανεπιστήμιο του Ουισκόνσιν στο Μάντισον, παρακολούθησα ένα μάθημα λογικής από τον David Griffeath. Το μάθημα ήταν διασκεδαστικό. Ο Griffeath έφερε μια παιχνιδιάρικη διάθεση και δεκτικότητα για τα προβλήματα. Προς μεγάλη μου χαρά, περίπου μια δεκαετία αργότερα, τον συνάντησα σε ένα συνέδριο για μοντέλα κυκλοφορίας. Κατά τη διάρκεια μιας παρουσίασης για υπολογιστικά μοντέλα κυκλοφοριακής συμφόρησης, σήκωσε το χέρι του. Αναρωτήθηκα τι θα είχε να πει ο Griffeath – ένας μαθηματικός λογικός – για την κυκλοφοριακή συμφόρηση. Δεν απογοήτευσε. Χωρίς ούτε ένα υπαινιγμό ενθουσιασμού στη φωνή του, είπε: “Αν κάνεις μοντέλο για το μποτιλιάρισμα, θα πρέπει απλώς να παρακολουθείς τα μη αυτοκίνητα”.

Η συλλογική απάντηση ακολούθησε το γνωστό μοτίβο όταν κάποιος ρίχνει μια απροσδόκητη, αλλά κάποτε διατυπωμένη, προφανή ιδέα: μια μπερδεμένη σιωπή, που δίνει τη θέση της σε ένα δωμάτιο γεμάτο με νεύματα κεφαλιών και χαμόγελα. Τίποτα άλλο δεν χρειαζόταν να ειπωθεί.

Ο Griffeath είχε κάνει μια λαμπρή παρατήρηση. Κατά τη διάρκεια της κυκλοφοριακής συμφόρησης, οι περισσότεροι χώροι στο δρόμο γεμίζουν με αυτοκίνητα. Η μοντελοποίηση κάθε αυτοκινήτου καταλαμβάνει τεράστια ποσότητα μνήμης. Αντίθετα, η παρακολούθηση των κενών χώρων θα χρησιμοποιούσε λιγότερη μνήμη – στην πραγματικότητα σχεδόν καμία. Επιπλέον, η δυναμική των μη αυτοκινήτων μπορεί να είναι πιο επιδεκτική ανάλυσης.

Εκδόσεις αυτής της ιστορίας εμφανίζονται συνήθως σε ακαδημαϊκά συνέδρια, σε ερευνητικά εργαστήρια ή σε πολιτικές συσκέψεις, σε σχεδιαστικές ομάδες και σε συνεδρίες στρατηγικής ανταλλαγής ιδεών. Μοιράζονται τρία χαρακτηριστικά. Πρώτον, τα προβλήματα είναι πολύπλοκα: αφορούν περιβάλλοντα υψηλών διαστάσεων που είναι δύσκολο να εξηγηθούν, να σχεδιαστούν, να εξελιχθούν ή να προβλεφθούν. Δεύτερον, οι πρωτοποριακές ιδέες δεν προκύπτουν δια μαγείας, ούτε είναι εξ ολοκλήρου αποκύημα φαντασίας. Παίρνουν μια υπάρχουσα ιδέα, διορατικότητα, τέχνασμα ή κανόνα και την εφαρμόζουν με νέο τρόπο ή συνδυάζουν ιδέες – όπως ο επαναστατικός επαναπροσδιορισμός της τεχνολογίας της οθόνης αφής από την Apple. Στην περίπτωση του Griffeath, εφάρμοσε μια έννοια από τη θεωρία πληροφορίας: ελάχιστο μήκος περιγραφής. Απαιτούνται λιγότερες λέξεις για να πούμε “No-L” από ό,τι για να αναφέρουμε “ABCDEFGHIJKMNOPQRSTUVWXYZ” (σ.σ. ρέμπους). Πρέπει να προσθέσω ότι αυτές οι νέες ιδέες συνήθως παράγουν μέτρια κέρδη. Αλλά, συλλογικά, μπορούν να έχουν μεγάλα αποτελέσματα. Η πρόοδος συμβαίνει τόσο μέσα από ακολουθίες μικρών βημάτων όσο και μέσα από γιγάντια άλματα.

Τρίτον, αυτές οι ιδέες γεννιούνται σε ομάδες. Ένα άτομο παρουσιάζει την άποψή του για ένα πρόβλημα, περιγράφει μια προσέγγιση για την εξεύρεση λύσης ή εντοπίζει ένα δύσκολο σημείο και ένα δεύτερο άτομο κάνει μια πρόταση ή γνωρίζει μια εναλλακτική λύση. Ο αείμνηστος επιστήμονας υπολογιστών Τζον Χόλαντ συνήθως ρωτούσε: “Έχετε σκεφτεί αυτό ως αλυσίδα Μαρκόφ, με ένα σύνολο καταστάσεων και μετάβαση μεταξύ αυτών των καταστάσεων;”. Αυτό το ερώτημα θα ανάγκαζε αυτόν που παρέδιδε να ορίσει καταστάσεις. Αυτή η απλή πράξη θα οδηγούσε συχνά σε διορατικότητα.

Η άνθηση των ομάδων – η περισσότερη ακαδημαϊκή έρευνα γίνεται πλέον σε ομάδες, όπως και οι περισσότερες επενδύσεις και ακόμα και οι περισσότερες συνθέσεις (τουλάχιστον για τα καλά τραγούδια) – παρακολουθεί την αυξανόμενη πολυπλοκότητα του κόσμου μας. Κάποτε φτιάχναμε δρόμους από το Α έως το Β. Τώρα κατασκευάζουμε υποδομές μεταφορών με περιβαλλοντικές, κοινωνικές, οικονομικές και πολιτικές επιπτώσεις.

Η πολυπλοκότητα των σύγχρονων προβλημάτων συχνά αποκλείει οποιοδήποτε άτομο να τα κατανοήσει πλήρως. Παράγοντες που συμβάλλουν στην αύξηση των επιπέδων παχυσαρκίας, για παράδειγμα, περιλαμβάνουν τα συστήματα μεταφοράς και τις υποδομές, τα μέσα μαζικής ενημέρωσης, τα πρόχειρα φαγητά, την αλλαγή των κοινωνικών κανόνων, την ανθρώπινη βιολογία και ψυχολογικούς παράγοντες. Ο σχεδιασμός ενός αεροπλανοφόρου, για να πάρουμε ένα άλλο παράδειγμα, απαιτεί γνώση της πυρηνικής μηχανικής, της ναυτικής αρχιτεκτονικής, της μεταλλουργίας, της υδροδυναμικής, των συστημάτων πληροφοριών, των στρατιωτικών πρωτοκόλλων, της άσκησης σύγχρονου πολέμου και, δεδομένου του μεγάλου χρόνου κατασκευής, της ικανότητας πρόβλεψης τάσεων στα οπλικά συστήματα.

Ο πολυδιάστατος ή πολυεπίπεδος χαρακτήρας των πολύπλοκων προβλημάτων υπονομεύει επίσης την αρχή της αξιοκρατίας: την ιδέα ότι πρέπει να προσλαμβάνεται ο “καλύτερος εργαζόμενος”. Δεν υπάρχει καλύτερος εργαζόμενος. Όταν συγκροτείται μια ογκολογική ερευνητική ομάδα, μια εταιρεία βιοτεχνολογίας όπως η Gilead ή η Genentech δεν θα έφτιαχνε τεστ πολλαπλής επιλογής και δεν θα προσλάμβανε αυτούς που θα είχαν την καλύτερη βαθμολογία ή άτομα των οποίων τα βιογραφικά σημειώνουν την υψηλότερη βαθμολογία σύμφωνα με ορισμένα κριτήρια απόδοσης. Αντιθέτως, θα αναζητούσε τη διαφορετικότητα. Θα έφτιαχνε μια ομάδα εργαζομένων που φέρει διαφορετικές βάσεις γνώσεων, εργαλείων και αναλυτικών δεξιοτήτων. Αυτή η ομάδα πιθανότατα θα περιλαμβάνει μαθηματικούς (αν και όχι λογικούς όπως ο Griffeath). Και οι μαθηματικοί πιθανότατα θα μελετούσαν δυναμικά συστήματα και διαφορικές εξισώσεις.

Οι πιστοί στην αξιοκρατία μπορεί να αναγνωρίσουν ότι οι ομάδες πρέπει να είναι διαφορετικές, αλλά στη συνέχεια να υποστηρίξουν ότι οι αξιοκρατικές αρχές πρέπει να ισχύουν σε κάθε κατηγορία. Επομένως, η ομάδα θα πρέπει να αποτελείται από τους “καλύτερους” μαθηματικούς, τους “καλύτερους” ογκολόγους και τους “καλύτερους” βιοστατιστικούς.

Η θέση αυτή πάσχει από ένα παρόμοιο ελάττωμα. Ακόμα και με έναν τομέα γνώσης, κανένα τεστ ή κριτήριο που εφαρμόζεται σε μονάδα δεν θα δημιουργήσει την καλύτερη ομάδα. Κάθε ένα από αυτά τα πεδία έχει τέτοιο βάθος και εύρος, που δεν μπορεί να υπάρξει καμία δοκιμή. Εξετάστε το πεδίο της νευροεπιστήμης. Πάνω από 50.000 μελέτες δημοσιεύθηκαν το 2017 που καλύπτουν διάφορες τεχνικές, τομείς έρευνας και επίπεδα ανάλυσης, που κυμαίνονται από μόρια και συνάψεις μέχρι δίκτυα νευρώνων. Δεδομένης αυτής της πολυπλοκότητας, κάθε προσπάθεια κατάταξης μιας συλλογής νευροεπιστημόνων από τον καλύτερο στον χειρότερο, σαν να ήταν ανταγωνιστές στα 50 μέτρα πεταλούδα, πρέπει να αποτύχει. Αυτό που θα μπορούσε να ισχύει είναι ότι δεδομένου ενός συγκεκριμένου έργου και της σύνθεσης μιας συγκεκριμένης ομάδας, ένας επιστήμονας θα ήταν πιο πιθανό να συνεισφέρει από έναν άλλον. Η καλύτερη πρόσληψη εξαρτάται από το πλαίσιο. Οι καλύτερες ομάδες θα είναι ποικιλόμορφες.

Απόδειξη αυτού του ισχυρισμού μπορεί να φανεί στον τρόπο που οι μελέτες και οι πατέντες που συνδυάζουν διαφορετικές ιδέες τείνουν να κατατάσσονται ως υψηλού αντίκτυπου. Μπορεί επίσης να βρεθεί στη δομή του λεγόμενου δάσους τυχαίων αποφάσεων, ενός υπερσύγχρονου αλγόριθμου μηχανικής μάθησης. Τα τυχαία δάση αποτελούνται από σύνολα δέντρων απόφασης. Εάν ταξινομηθούν οι εικόνες, κάθε δέντρο αποτελεί δίλημμα: είναι η εικόνα μιας αλεπούς ή ενός σκύλου; Η σταθμισμένη πλειοψηφία επικρατεί. Τα τυχαία δάση μπορούν να εξυπηρετήσουν πολλούς σκοπούς. Μπορούν να εντοπίσουν τραπεζικές απάτες και ασθένειες, να συστήσουν ανεμιστήρες οροφής και να προβλέψουν τη συμπεριφορά διαδικτυακών γνωριμιών.

Όταν χτίζεις ένα δάσος, δεν επιλέγεις τα καλύτερα δέντρα, καθώς τείνουν να κάνουν παρόμοιες ταξινομήσεις. Θέλεις διαφορετικότητα. Οι προγραμματιστές επιτυγχάνουν αυτή την ποικιλομορφία εκπαιδεύοντας κάθε δέντρο σε διαφορετικά δεδομένα, μια τεχνική γνωστή ως bagging. Ενισχύουν επίσης το δάσος “γνωστικά” εκπαιδεύοντας τα δέντρα στις πιο δύσκολες περιπτώσεις – εκείνες που το τρέχον δάσος κάνει λάθος. Αυτό εξασφαλίζει ακόμα μεγαλύτερη ποικιλομορφία και ακριβή δάση.

Ωστόσο, η πλάνη της αξιοκρατίας παραμένει. Εταιρείες, μη κερδοσκοπικοί οργανισμοί, κυβερνήσεις, πανεπιστήμια, ακόμη και τεστ στα νηπιαγωγεία, βαθμολογούν και προσλαμβάνουν τους “καλύτερους”. Αυτό εγγυάται ότι δεν θα δημιουργηθεί η καλύτερη ομάδα. Η κατάταξη των εργαζομένων με κοινά κριτήρια παράγει ομοιογένεια. Και όταν εισχωρούν προκαταλήψεις, αυτό οδηγεί σε εργαζομένους που μοιάζουν με αυτούς που παίρνουν τις αποφάσεις. Αυτό δεν είναι πιθανό να οδηγήσει σε ανακαλύψεις. Όπως έχει πει ο Άστρο Τέλερ, διευθύνων σύμβουλος του X, του “εργαστηρίου moonshot” (σ.σ. η διεπαφή μεταξύ ενός μεγάλου προβλήματος, μίας ριζικής λύσης και μίας πρωτοποριακής τεχνολογίας κατά την εταιρία) στην Alphabet, τη μητρική εταιρεία της Google: “Το να έχουμε ανθρώπους με διαφορετικές νοητικές προοπτικές είναι αυτό που είναι σημαντικό. Αν θέλετε να εξερευνήσετε πράγματα που δεν έχετε εξερευνήσει, το να έχετε ανθρώπους που σας μοιάζουν και σκέφτονται όπως εσείς δεν είναι ο καλύτερος τρόπος”. Πρέπει να δούμε το δάσος.