I tre tidigare avsnitt (länk, länk och länk) har jag beskrivit hur vi helt intuitivt agerar för att lösa problem och hur detta oftast fungerar bra i enkla (jag använde en cykel med punktering som exempel) och komplicerade system (jag använde en bil med motorproblem som exempel) men att det inte fungerar på samma sätt i komplexa system (jag använde en flygtrafikledningscentral med flera separationsunderskridanden som exempel).

I detta avsnitt ska vi se på om det finns andra sätt att lösa problem som kan fungera bättre för komplexa system. Jag börjar med Dave Snowden, mannen bakom ramverket Cynefin (länk). Snowden menar att i komplexa system vet vi aldrig säkert vad våra åtgärder får för effekt. Varje gång vi agerar är det som att vi gör ett experiment. Det betyder att vi hela tiden måste vara beredd på att våra åtgärder kan få resultat som är mer positiva eller mer negativa än vi tänkt oss. Vi måste vara förberedda på båda möjligheterna.

Får vi negativt resultat måste vi ha möjlighet att ”dämpa” effekten. Det kan betyda att avbryta förändringen eller att återgå till ett tidigare läge. Med ett positivt resultat kan vi gå vidare och kanske utöka. Det här liknar de ”micro experiments” som bl.a. Robert de Boer förespråkar. Vi kan läsa om ett sådant exempel då man genomförde förändringar i ett företag som arbetar med flygplansunderhåll – länk.

Snowden menar också att våra traditionella stora förändringsprojekt är dömda att misslyckas. I ett Twitter-inlägg nyligen skrev han:
“The single most fundamental error of the last three decades is to try and design an idealised future state rather than working the evolutionary potential of the here and now, the adjacent possibles – it is impossible to gain consensus in the former, easier in the latter.”

Jag ser detta som en konsekvens av just hur komplexa system fungerar och om att det är omöjligt att förutse effekten av de åtgärder vi sätter in. Ändå hör vi återkommande om beskrivningar av hur vi önskar se framtiden och om stora projekt som ska åstadkomma detta. Snowden verkar istället vilja att vi observerar hur vår verklighet ser ut och vart den är på väg. Den utvecklingen kan vi sedan försiktigt påverka i önskad riktning. Snowden pratar ofta om ”nudging”, ett begrepp som blev populärt genom en bok som kom ut 2008; “Nudge: Improving Decisions about Health, Wealth, and Happiness” av Richard H. Thaler (som senare fick ekonomipris till Nobels minne) och Cass R. Sunstein. Det handlar bl.a. om att utforma valsituationer som gör det lättare för människor att fatta beslut som är bra för dem. Googla gärna på ”nudging” och titta på bilder!

Snowdens ”working the evolutionary potential of the here and now” kan ses som näraliggande till en annan idé för förändringsarbete som kallas ”appreciative inquiry” – ”AI”. Ursprunget är en artikel från 1987 av David Cooperrider och Suresh Srivastva. Det traditionella förändringsarbetet tenderar utgå från att man identifierar problem i nuläget, letar orsaker till problemen och sedan skapar en plan för att åtgärda problemen. Att arbeta med ”AI” innebär att man istället börjar med att fråga sig vad som är bäst med utgångsläget. Vad i organisationen fungerar redan bra? Utifrån det bygger man vidare för att skapa en vision av hur det skulle kunna bli och vad som behövs för att komma dit. Istället för att fokusera på problem bygger man alltså vidare på det som fungerar bra och det finns många exempel på att metoden kan ge goda resultat. Bl.a. har British Airways använt metoden.

Hollnagel är inne på liknande tankebanor som Snowden när det gäller att inte satsa på de stora förändringsprojekten. Han menar förvisso att det fortfarande kan behövas ”stora planer” för att vägleda den långsiktiga utvecklingen men om ”stora planer” blir ”stora projekt” i komplexa system får vi lätt svårigheter. En svårighet är möjligheten att utvärdera. Stora projekt tar lång tid och eftersom komplexa system ständigt förändras är det svårt att veta om resultaten beror på projektet eller på andra förändringar. Därför menar Hollnagel att planer bör implementeras i små steg med separata delmål. Sådana delprojekt tar kortare tid vilket bl.a. innebär att det inte hinner hända så mycket utan systemet kan betraktas som relativt stabilt och det blir därmed lättare att utvärdera. Sådana utvärderingar blir sedan användbara när nästa steg planeras och även för att kontinuerligt utvärdera och omvärdera ”den stora planen”. Hollnagel pekar dock på att just möjligheten att utvärdera också kan tala emot små projekt som är korta i tid. Förändring kan ta väldigt olika lång tid, särskilt i sociotekniska komplexa system. Är projektet för kort kan utvärderingen missa att en del av förändringen inte hunnit sätta sig och ge resultat – positivt eller negativt.

Framförallt menar dock Hollnagel att vi inte kan använda enkla modeller av våra system som ett sätt att förstå dem. Dessa ”genvägar” fungerar inte utan vi måste förstå att vi behöver lägga mer resurser på att faktiskt förstå våra komplexa system. En orsak till att det inte går att förutse effekter av de åtgärder vi vidtar är att vi vet för lite om våra system. Hollnagel menar att detta delvis går att förbättra, genom att använda modeller som bättre återspeglar verkligheten. En väg framåt är det system han själv utvecklat och som kallas FRAM. Jag går inte in på detaljerna i detta men det handlar om ett sätt att beskriva hur olika funktioner hänger ihop och påverkar varandra. Därmed ökar möjligheterna att faktiskt förstå vilka effekter som kan bli resultatet av våra åtgärder. Det här kan ses som ett sätt att göra klyftan mellan ”work-as-imagined” och ”work-as-done” mindre.

Det finns säkert anledning att återkomma till diskussioner kring komplexa system och till hur vi kan bli bättre på att hantera dem. Just nu väljer jag att avsluta min lilla genomgång och hoppas på att ni vill reflektera och gärna kommentera…

I två tidigare avsnitt (länk och länk) har vi tittat på enkla och komplicerade system och den metod vi använder för att lösa problem i dessa system. Vi tittade även på hur vi ofta använder samma metod för komplexa system. Nu ska vi titta på några av skillnaderna mellan enkla eller komplicerade system å ena sidan och komplexa system å andra sidan. Dessa skillnader kan hjälpa oss förstå varför vår metod för problemlösning inte alltid fungerar i komplexa system.

Stabilitet
Vi har tittat på ett enkelt system; en cykel med punktering och ett komplicerat system; en bil med motorproblem. För båda dessa system gäller att de är stabila. Gör vi inget åt problemet så har vi problemet kvar. Vi tittade också på ett komplext system – en flygtrafikledningscentral – där vi fått in rapporter om separationsunderskridande för flygplan under inflygning till en flygplats.
Ett komplext system är inte stabilt på samma sätt. Tänk er t.ex. att vi inte gör något åt vårt problem. De flygledare som arbetar med dessa situationer och kanske varit delaktiga i incidenterna diskuterar med sina kollegor. Alla tycker att incidenterna är olustiga och vill förstå varför de skett så att de kan undgå att de upprepas. Efter ett tag växer det kanske fram en förståelse och ett sätt att undvika problemet. Människor i arbete fungerar så att man ständigt anpassar sitt arbete efter aktuella omständigheter. Det är fullt möjligt att separationsunderskridanden upphör och inte längre återkommer – utan att vi som arbetsledning gjort något. Det finns naturligtvis ett otal andra tänkbara scenarier, där några är mer negativa med ännu fler incidenter. Min poäng här är att ett komplext system är ”levande” och ständigt utvecklas och anpassas. Det är inte stabilt.

Självständighet
Våra enkla och komplicerade system – cykeln och bilen – är stabila även på ett annat sätt. De är självständiga i betydelsen att de sällan påverkas av andra system. Att vi lagar punkteringen får inte någon verkan på bilens motorproblem.
Komplexa system är däremot oftast system bestående av andra system. Dessa olika delsystem är så tätt ihopkopplade att när vi gör ändringar som bara är riktade mot ett delsystem så påverkar vi även andra system. I vår flygtrafikledningscentral är luften vi ansvarar för uppdelad i ett antal sektorer – säg tio olika sektorer. De incidenter vi såg inträffade bara i en av dessa sektorer. Det betyder emellertid inte att de andra sektorerna kommer att vara opåverkade av åtgärder. Vi kan tänka oss att flygledarna väljer ökad försiktighet med ökade marginaler för att undvika nya incidenter. Det kommer att påverka även hur de arbetar mot kringliggande sektorer.
På ett liknande sätt som vårt system består av delsystem är vårt system också del av ett större system och det gränsar till andra delar. Vår central lever inte isolerat utan gränsar till andra luftrum, hanterade av andra centraler varav flera hanteras av andra länder. En förändring i en sektor kan få påverkan i flera andra länder.

Samband mellan orsak och verkan
För våra enkla och komplicerade system finns ett samband mellan orsak och verkan. Genom våra hypoteser och experiment (Plan, Do och Check) kan vi t.ex. fastställa att cykelns punktering berodde på ett hål i slangen och att bilens motorproblem berodde på gamla tändstift.
I vårt komplexa system – flygtrafikledningscentralen – kan vi uppfatta att det finns liknande samband. Målet med incidentutredningen är ofta att finna just orsaken. Utredningen – som ju utgår från en verkan – hittar också ofta en tydlig tidslinje bakåt i tiden tills vi väljer att stanna och peka ut orsaken. I vårt exempel var det en otydlig metodbeskrivning, som gjorde jobbet svårare för flygledarna och ledde till att de underskred separationen. Detta är emellertid något av en illusion.
För cykeln och bilen i våra exempel är sambandet mellan orsak och verkan tydligt även i förväg. Vi kan t.ex. utan tvekan fastslå att om vi får ett hål i slangen kommer vi att få en punktering. Vi vet också att om vi inte byter tändstift med viss regelbundenhet kommer vi förr eller senare att få problem med motorn.
Den möjligheten saknas för komplexa system. I bästa fall hade vi före implementeringen av vår nya metod kunnat peka på en ökad risk för att den skulle kunna missförstås och att en av följderna skulle kunna vara en ökad risk för separationsunderskridanden. Detta är emellertid inte självklara och oundvikliga följder. Det är t.ex. fullt möjligt att flygledarna förstått trots otydlighet eller att de anpassat sitt sätt att arbeta så att inga incidenter skett.
Det är naturligtvis inte så att händelser sker slumpvis i ett komplext system men verkan inte något självklart resultat av en grundläggande orsak. Istället pratar man om ”framväxande effekter” där en mängd faktorer samverkar på ett sätt som inte går att säkert förutspå och skapar effekter som i efterhand kan ses som självklara och baserade på orsaker men som inte var möjliga att säkert förutse i förväg.

Slutresultatet
När vi gör förändringar i enkla och komplicerade system kan vi vara tämligen förvissade om att förändringen är bestående, åtminstone en viss tid. Vårt däck kommer att fungera till vi får en ny skada och vår motor kommer att fungera till tändstiften åter behöver bytas, med reservation för att en bil är tillräckligt komplicerad för att det kan finnas en lång rad andra delar som kan orsaka problem.
När vi förändrar i komplexa system kan vi inte vara lika säkra. Ett förändringsprojekt kan se lyckat ut och utvärderingen kan vara positiv men ytterligare några månader senare kan vi ha en återgång utan uppenbara skäl. Ofta har det med att göra hur människan ständigt anpassar sig – kanske återgår till ett tidigare arbetssätt som upplevdes enklare eller effektivare, eller gör en ny anpassning baserat på en helt annan förändring, men på ett sätt som upplevs som en återgång.
Ett komplext system är aldrig helt stabilt. Det ändras under tiden vi planerar en förändring, under tiden vi genomför en förändring och det ändras efter att vi slutfört en förändring.

Sammanfattning
Även om det finns mer att säga om komplexa system så hoppas jag ändå ha visat varför traditionella metoder för problemlösning som fungerar bra i enkla och komplicerade system inte alltid fungerar i komplexa system. En faktor är att vi inte har stabilitet utan redan medan vi följer upp och analyserar systemet förändras det. Den nya metoden vi infört var inte den enda förändringen i systemet. I ett komplext system sker ständiga förändringar och systemet anpassar sig hela tiden efter dessa. Vilka effekter dessa förändringar och anpassningar får är mycket svåra, kanske omöjliga, att förutse. För en flygtrafikledningscentral är ingen dag helt lik den andra. Flygbolagen ändrar sina destinationer, byter flygplanstyper och ändrar färdplanering. Vädret varierar, med ändrade vindar, åska och isbildning. Flygbolagen ändrar sitt sätt att flyga utifrån förändrat väder. Även på centralen sker förändringar och variationer. Alla flygledare jobbar inte på exakt samma sätt. Flygledare kan bli sjuka så att man får jobba med färre resurser. Förutsättningarna för angränsande centraler förändras också vilket förändrar deras arbetssätt mot vår central o.s.v.

Den självklara frågan är ju hur vi, med dessa svårigheter, alls kan hantera problem i komplexa system. Jag ska visa några olika idéer som finns kring detta – i nästa avsnitt!

I förra avsnittet (länk) tittade vi på de metoder vi – intuitivt eller inlärt – använder för att lösa problem. Jag använde en cykel och en bil som exempel. I båda fallen noterar vi ett fel, tar fram en plan/hypotes för vad felet beror på (kanske efter att ha rådfrågat någon som kan mer), genomför planen och sedan utvärderar resultatet.

Vi tar nu ännu ett exempel där vi sitter i ledningen för en flygtrafikledningscentral. Det är naturligtvis en välorganiserad arbetsplats med välutbildad personal, avancerad teknik, många specialiserade supportfunktioner och etablerade processer för allehanda åtgärder som kan behöva utföras. Hur det går i verksamheten följs hela tiden upp på olika sätt och ett av dessa är att personalen lämnar in rapporter om avvikelser, en del obligatoriska och andra frivilliga. På sistone har det kommit in ett antal rapporter om att det varit för liten separation mellan ankommande flygplan, till en av de flygplatser som betjänas.

Vi har alltså ett problem att lösa och använder vår ”standardmetod”. Vi utgår från att det finns en orsak till problemen och vi förstår att för att verkligen kunna hitta orsaken behövs expertis. I det här fallet har vi experter som utrett de incidentrapporter som kommit in och i utredningarna finns en analys och förslag till avhjälpande åtgärder.

Det visar det sig att strax innan de nya incidenterna inträffade, implementerades en ny metod för att hantera ankommande trafik till aktuell flygplats. Vår hypotes, baserad på experters uttalande, är att den nya metoden var otydligt beskriven. Flygledarna har missuppfattat den nya metoden, eller haft svårt att tillämpa den och resultatet har blivit ett antal separationsunderskridanden.

Nu har vi en hypotes och kan ta fram vår plan. Den går ut på att revidera, förtydliga och förbättra metoden. Denna kan sedan implementeras och resultatet utvärderas. Förhoppningsvis får vi efter implementeringen inte några nya separationsunderskridande och därmed har vår metod åter visat sig fungera. Vi har löst problemet!

En flygtrafikledning är emellertid inte ett vare sig enkelt eller komplicerat system. Det är istället ett exempel på ett komplext system. Vårt exempel ovan beskriver ju en lyckad problemlösning och vi kan tycka att den bekräftar metodens giltighet. Det finns dock några frågor att ställa; Hittade vi verkligen orsaken? Var det våra åtgärder som löste problemet? Har vi verkligen löst problemet? För att verkligen kunna lösa problem i komplexa system behöver vi förstå mycket mer. I nästa avsnitt dyker vi lite djupare i komplexa system.

I några inlägg ska jag försöka tydliggöra begrepp som enkla, komplicerade och komplexa system och hur det har betydelse när vi ska lösa problem och göra förändringar. Det här bygger delvis på Cynefin – ett ramverk skapat av Dave Snowden och något vi tagit upp tidigare här på TFHS-bloggen – Hanterar du organisationsproblem på rätt sätt?. Det bygger också på tankar som Erik Hollnagel för fram i sin senaste bok om ”Synesis” där han bl.a. tar upp idéer om att vi måste förena metoder för att hantera produktivitet, kvalitet, säkerhet (safety) och pålitlighet.

Hollnagel skriver att det finns en mängd olika modeller/metoder för att arbeta med förändring och att flera av dem har stora likheter. En av dessa är det så kallade PDCA-hjulet där bokstäverna står för Plan, Do, Check och Act. Den kan i sin tur anses bygga på den vetenskapliga metoden som beskrevs av Francis Bacon redan 1620 och som bygger på tre steg; formulera en hypotes, gör ett experiment och utvärdera resultatet. Även om vi inte funderat kring dessa och andra modeller så tror jag att vi använder dem rent intuitivt.

Man kan tänka sig att vi ska cykla till affären och handla och upptäcker att cykeln saknar luft i ett däck. Vi funderar på vad orsaken kan vara och tar fram en hypotes (Plan) som kan gå ut på att det är ett hål i slangen som behöver lagas. Vi fortsätter med att sätta planen i verket (experiment/Do) genom att montera av slangen, hitta hålet och laga det. Sedan utvärderar vi resultatet (Check) genom att pumpa däcket och kontrollerar att den behåller trycket. Beroende på utfallet kan vi sedan antingen cykla till affären eller ta fram en ny hypotes/plan.

En cykel är ett enkelt system (se Cynefin). Det kan ses som ett väl avgränsat system (det påverkas inte i hög grad av andra system) och det är ett ordnat system. Det innebär att det finns tydliga samband mellan orsak och verkan. De allra flesta förstår cykelns olika funktioner och när vi får ett problem kan vi kategorisera det och åtgärda det. Som med punkteringen; även om felkällan också skulle kunna vara en trasig ventil. För att åtgärda problem i sådana enkla system finns det välkända, fungerande lösningar. Har vi väl lärt oss dessa kan vi också använda dem.

Man kan sedan tänka sig att vi ska köra till jobbet och har en enkel, flera år gammal bil som vi aldrig ger någon service. Så länge den startar, tar oss till jobbet och klarar besiktningen är vi nöjda. De senaste dagarna har det dock blivit allt svårare att starta bilen och motorn går inte alls så bra som den brukade. För en händig, bilintresserad person kanske en bil fortfarande kan ses som ett enkelt system. För en annan person känns bilen komplicerad och svår att förstå sig på. Gränsen mellan enkla och komplicerade system är inte alltid självklar.

Ett komplicerat system är fortfarande ordnat, med tydliga samband mellan orsak och verkan (se Cynefin) men det är inte lika uppenbart vad problemet beror på. För att kunna ta fram en plan/hypotes för vår trilskande bil behöver vi göra en analys och kanske även tillkalla en expert för att kunna fatta beslut om rätt åtgärd. I ett komplicerat system kan det ibland finnas olika lösningar på problemet. Vår bilintresserade granne kanske undrar om vi bytt tändstift nyligen och vi ser ut som ett levande frågetecken… Grannen förklarar att vi nu har en hypotes och plan och efter att ha inhandlat nya tändstift kan vi sätta planen i verket genom att ersätta gamla tändstift med nya. Utvärderingen är enkel och med lite tur så var detta rätt åtgärd. Bilen startar direkt och motorn spinner som en katt.

Jag tror att vi alla känner igen oss i de här historierna. Ungefär så gör vi med de flesta problem vi ställs inför i livet. Vi lägger märke till ett problem, funderar på möjliga orsaker, rådfrågar kanske någon som kan mer, tar fram en plan, sätter den i verket och hoppas att vi hittat rätt lösning. Vi uppfattar nog att metoden har en allmän giltighet och att det är rätt självklart att vi kan behöva hjälp när det blir komplicerat. Vad händer då när det blir ännu lite mer komplicerat? Fortsättning följer i nästa avsnitt!