چرا با استخدام «بهترین» افراد، کمترین خلاقیت نصیبتان خواهد شد؟

وب‌سایت ترجمان - ترجمه محمد معماریان: آیا برای حل مشکل ترافیک از دست یک زیست‌شناس کاری برمی‌آید؟ یک ریاضی‌دان می‌تواند پیشنهادی برای کاهش مصرف سیگار داشته باشد؟ اگر معتقد به شایسته‌سالاری باشید، احتمالاً خواهید گفت «نه‌چندان». اما واقعیت این است که مسائل جوامع امروزی چنان پیچیده و چندوجهی هستند که هیچ‌کس نمی‌تواند آن‌ها را به‌تنهایی حل‌وفصل کند. ما نیاز به تیم‌هایی با تخصص‌های متنوع و چه‌بسا «غیرمرتبط» داریم تا بتوانیم مسائل را از منظرهایی پیش‌بینی‌نشده بنگریم.

اسکات ای. پیج، ایان: وقتی دانشجوی تحصیلات تکمیلی ریاضی در دانشگاه ویسکانسین-مدیسون بودم، در یکی از کلاس‌های منطق دیوید گریفیت شرکت کردم. کلاس مفرّحی بود. برخورد گریفیت با مسأله‌ها، شوخ و شنگ و باز بود. حدود یک دهه بعد، در همایشی دربارۀ الگوهای ترافیکی، به او برخوردم که بسیار خوش‌وقت شدم. در ارائه‌ای دربارۀ الگوهای رایانشی گره‌های ترافیکی، دستش را بالا بُرد. برایم سؤال بود گریفیت، این منطق‌دان ریاضی، چه حرفی دربارۀ گره‌های ترافیکی دارد. ناامیدم نکرد. بدون اینکه ذره‌ای هیجان در صدایش باشد، گفت: «اگر می‌خواهید یک گرۀ ترافیکی را مدل‌سازی کنید، باید فقط غیرخودروها را رصد کنید».

واکنش جمع، تابع همان الگوی آشنا بود: کسی ایده‌ای غیرمنتظره را مطرح کرده است که پس از طرح آن، بدیهی به نظر می‌آید. سکوت در تحیر، که جای خود را به سر تکان دادن‌های تحسین‌آمیز و لبخندهای حاضرین در اتاق می‌دهد. لازم نبود حرف دیگری زده شود.

نکته‌ای که گریفیت دیده بود، بسیار هوشمندانه بود. در یک گرۀ ترافیکی، خودروها اکثر فضاهای جاده را پُر می‌کنند. مدل‌سازی هر خودرو، حافظۀ زیادی نیاز دارد. رصد کردن فضاهای خالی، حافظۀ کمتری می‌خواهد؛ یعنی تقریباً هیچ. به‌علاوه، دینامیک غیرخودروها شاید ساده‌تر قابل تحلیل باشد.

نسخه‌های مختلف این ماجرا مرتباً در همایش‌های دانشگاهی، آزمایشگاه‌های پژوهشی یا جلسات سیاست‌گذاری، گروه‌های طراحی، و جلسه‌های طوفان فکریِ استراتژیک رُخ می‌دهند. همۀ آن‌ها در سه مشخصه مشترک‌اند. اول، مسأله‌ها پیچیده‌اند: این مسأله‌ها ناظر به بافت‌های چندبُعدی‌اند که تبیین، مهندسی، تحول یا پیش‌بینی‌شان دشوار است.

دوم، ایده‌های راه‌گشا نه جادویی‌اند و نه سراسر نوآورانه. آن‌ها یک ایده، بصیرت، لِم یا قاعدۀ موجود را به شیوه‌ای تازه به کار می‌گیرند یا ایده‌ها را ترکیب می‌کنند؛ مثل اپل که با کاربری جدید فناوری صفحه لمسی، راهی جدید گشود.

در مورد گریفیت، او مفهومی از نظریۀ اطلاعات را به کار بست: «حداقل طول توصیف». به جای اب‌پ‌ت‌ث‌ج‌چ‌ح‌خ‌دذرزس‌ص‌ض‌ط‌ظ‌ع‌غ‌ف‌ق‌ک‌گ‌ل‌م‌ن‌وه‌ی، با حروف کمتری می‌شود گفت: «بدون-ش». باید اضافه کنم که این ایده‌های جدید نوعاً بهرۀ متوسطی دارند. اما سرجمع می‌توانند اثری بزرگ داشته باشند. پیشرفت همان‌قدر که با جهش‌های بزرگ رُخ می‌دهد، با گام‌های کوچک نیز به دست می‌آید.

سوم، این ایده‌ها در گروه زاده می‌شوند. یک نفر دیدگاهش دربارۀ مسأله‌ای را ارائه می‌کند، رویکردی را برای یافتن راه‌حل توضیح می‌دهد یا مانعی را شناسایی می‌کند، و نفر دوم پیشنهادی می‌دهد یا راه عبور از مانع را بلد است. جان هالند، دانشمند فقید علوم رایانه، معمولاً می‌پرسید: «آیا در این باره به شیوۀ مارکوف فکر کرده‌اید، یعنی مجموعه‌ای از حالت و گذار بین آن حالت‌ها؟» این سؤال، ارائه‌دهنده را مجبور می‌کرد حالت‌ها را تعریف کند. همین کار ساده اغلب به یافتنِ بصیرت‌هایی می‌انجامید.

رونق یافتن تیم‌ها (امروزه اکثر پژوهش‌های دانشگاهی به صورت تیمی انجام می‌شود، مانند حوزۀ سرمایه‌گذاری یا حتی اکثر ترانه‌نویسی‌ها، حداقل برای ترانه‌های خوب) هم‌پای رشد پیچیدگی دنیای ماست. قدیم‌تر عادت داشتیم جاده‌ای را از نقطۀ الف به نقطۀ ب بسازیم. اکنون زیرساخت حمل‌ونقلی می‌سازیم که اثرات زیست‌محیطی، اجتماعی، اقتصادی و سیاسی دارد.

پیچیدگی مسائل مدرن غالباً مانع آن می‌شود که یک‌نفر به‌تنهایی بتواند آن‌ها را به طور کامل درک کند. مثلاً عواملی که در افزایش سطح چاقی سهیم‌اند شامل این موارد می‌شود: سیستم‌ها و زیرساخت‌های حمل‌ونقل، رسانه، غذاهای آماده، تغییر هنجارهای اجتماعی، زیست‌شناسی انسان و عوامل روان‌شناختی. یا در یک مثال دیگر، طراحی یک ناو هواپیمابر به دانش مهندسی هسته‌ای، معماری ناو، متالورژی، هیدرودینامیک، سیستم‌های اطلاع‌رسانی، پروتکل‌های نظامی، مشق جنگ‌افزارهای مدرن، و (عطف به زمان طولانی ساخت یک ناو) توانایی پیش‌بینی روندها در سیستم‌های تسلیحاتی نیاز دارد.

به‌علاوه، ماهیت چندبُعدی یا چندلایۀ مسائل پیچیده، تیشه به ریشۀ اصل شایسته‌سالاری می‌زند: این ایده که «بهترین فرد» باید استخدام شود. هیچ بهترین فردی در کار نیست. هنگام راه‌اندازی یک تیم پژوهشی تومورشناسی، شیوۀ کار یک شرکت زیست‌فناوری مثل جیلید یا جین‌تک آن نیست که یک آزمون چندگزینه‌ای طراحی کند و کسانی را استخدام کند که بیشترین امتیاز را بیاورند، یا کسانی را استخدام کند که رزومه‌هایشان بیشترین امتیاز را بر حسب یک معیار عملکرد داشته باشد.

در عوض، این شرکت‌ها دنبال تنوع‌اند. آن‌ها تیمی از افرادی می‌سازند که پایه‌های دانش، ابزارها و مهارت‌های تحلیلی متنوعی را به تیم بیاورند. محتمل است که در این تیم ریاضیدان‌ها هم باشند (البته نه منطق‌دان‌هایی مثل گریفیت). و آن ریاضیدان‌ها احتمالاً سیستم‌های دینامیکی و معادلات دیفرانسیل را مطالعه می‌کنند.

معتقدان به شایسته‌سالاری شاید بپذیرند که تیم‌ها باید متنوع باشند، اما بعد می‌گویند که اصول شایسته‌سالاری باید در هر دسته پیاده شود. لذا تیم باید از «بهترین» ریاضیدان‌ها، «بهترین» تومورشناس‌ها و «بهترین» زیست‌آماردان‌های مجموعۀ داوطلبان تشکیل شود.

این موضع نیز همان نقص قبلی را دارد. حتی در یک حوزۀ دانش هم هیچ آزمون یا معیاری وجود ندارد که روی افراد به کار گرفته شود تا بهترین تیم را تشکیل دهد. هر یک از این حوزه‌ها چنان عمق و دامنه‌ای دارند که آزمون‌بردار نیستند. مثلاً حوزۀ عصب‌شناسی را در نظر بگیرید. پارسال بیش از پنجاه هزار مقاله منتشر شد که تکنیک‌ها، قلمروهای پژوهش و سطوح تحلیلی مختلف را پوشش می‌داد: از مولکول‌ها و سیناپس‌ها تا شبکۀ نورون‌ها. نظر به این پیچیدگی، هرگونه تلاشی برای رده‌بندی عصب‌شناسان از بهترین تا بدترین، انگار که مسابقۀ شنای پنجاه‌متر پروانه است، محکوم به شکست خواهد بود. آنچه می‌تواند درست باشد این است که عطف به یک کار خاص و ترکیب یک تیم خاص، یک دانشمند احتمالاً بهتر نقش‌آفرینی کند. استخدام بهینه، وابسته به بافت است. تیم‌های بهینه هم تنوع دارند.

شواهد این ادعا را می‌توان در آن دید که مقاله‌ها و ثبت‌اختراع‌هایی که ایده‌های متنوع را ترکیب می‌کنند، معمولاً بیشترین ضریب تأثیر را دارند. همچنین این شواهد را می‌توان در ساختارِ به‌اصطلاح «جنگل تصمیم‌گیری تصادفی» دید که یک الگوریتم پیشرفتۀ یادگیری ماشین است. جنگل تصادفی شامل مجموعه‌ای از درخت‌های تصمیم‌گیری است.

مثلاً در دسته‌بندی عکس‌ها، هر درخت یک رأی می‌دهد: آیا این عکس یک روباه است یا سگ؟ قاعدۀ حاکم، اکثریت وزنی است. جنگل‌های تصادفی می‌توانند به کارهای مختلفی بیایند. آن‌ها می‌توانند کلاه‌برداری بانکی و بیماری‌ها را شناسایی کنند، نصبِ پنکه‌های سقفی را توصیه نمایند، یا رفتار زوج‌یابی آنلاین را پیش‌بینی کنند.

هنگام ساختن یک جنگل، بهترین درخت‌ها را انتخاب نمی‌کنید چون این بهترین‌ها دسته‌بندی‌های مشابهی انجام می‌دهند. شما دنبال تنوع هستید. برنامه‌نویس‌ها برای دست‌یابی به این تنوع، هر درخت را با داده‌های متفاوتی تمرین می‌دهند، که این تکنیک به bagging موسوم است. همچنین با تمرین دادن درخت‌ها در سخت‌ترین نمونه‌ها (آن نمونه‌هایی که جنگل موجود درباره‌شان اشتباه می‌کند)، جنگل را از لحاظ «شناختی» تقویت می‌کنند. این هم مطمئناً به تنوع بیشتر و جنگل‌های دقیق‌تر می‌رسد.

با این حال، سفسطۀ شایسته‌سالاری کماکان پابرجاست. بنگاه‌ها، مؤسسات غیرانتفاعی، حکومت‌ها، دانشگاه‌ها و حتی پیش‌دبستانی‌ها اقدام به آزمون، امتیازدهی و استخدام «بهترین‌ها» می‌کنند. این روش لاجرم تضمین می‌کند که بهترین تیم خلق نشود. رتبه‌بندی افراد بر اساس معیارهای مشترک، همگونی می‌آفریند.

و وقتی سوگیری‌ها رخنه کنند، افرادی به دست می‌آیند که مثل تصمیم‌گیرهای فرآیند استخدام هستند. این روند بعید است به نوآوری‌های راه‌گشا منجر شود. به تعبیر استرو تلر (مدیرعامل شرکت ایکس، یعنی «کارخانۀ ماه‌نورد» در شرکت آلفابت که شرکت والد گوگل است): «آنچه مهم است، داشتن افرادی است که دیدگاه‌های ذهنی متفاوتی داشته باشند. اگر می‌خواهید چیزهایی را کاوش کنید که قبلاً کاوش نکرده‌اید، داشتن افرادی که دقیقاً شکل شمایند و مثل شما فکر می‌کنند، بهترین راه نیست.» ما باید جنگل را ببینیم.

منبع: aeon