打造学习型组织：解决组织混乱＆系统思考的法则

日本在1950年代初期，透过全面品质管制（Total Quality Control，以下简称TQC）快速地发展经济，达到现有的国际地位，也让其他西方国家纷纷效仿。我们将于本篇介绍一些TQC可能无法解决的问题及其原因，以及系统思考的十一大法则，协助我们思考、找到解决途径。

解决组织混乱

尽管TQC看似能够应用于所有事情，从减少缺点、解决存货管理问题、到设计以客户为中心的商品，仍有一些状况是现有的TQC工具与方法是无法应付的。尤其当要解决一个种类的问题时，TQC是有许多不足的，Russell Ackoff将这类的问题形容为「混乱」(a mess)：

了解什么是「混乱」是一件重要的事情——混乱就是一个系统的问题。这件事的重要性在于，传统的管理方式是将混乱的问题进行拆解、一一解决，并假设如果我们解决了它所有的小部分，就解决了整个问题。
但记得⋯⋯如果你将一个系统拆解成小部分，并让每个部分都尽可能地有效独立运作，那么整体而言，它便没办法尽其可能有效地运作了。因此，解决混乱的方法，并不是将构成它的问题的解决方案组合而成，这是绝对基本的。

「组织『混乱』的复杂性与时间延迟」，是为了将「组织混乱」归纳成一个根据组织复杂性（单位的数量及它们互联的复杂程度）及程序的时间延迟（计划的当前周期时间）的模型。「模糊」变数通常伴随着Ackoff口中的「混乱」，因为这种系统通常既不清晰、也无明确定义。组织为了解决那些涉及高度组织复杂性、长时间延迟、及模糊变数的问题所付出的努力，提供了进步的机会，也借由系统的品质管理来提升学习。

组织复杂性

大多数公司在初期能进步得快速且相对轻松，不外乎有两种原因：有可能是因为当时的情况相当糟糕，所以无论什么样的合作，都能立竿见影；或者是因为多数早期的计划，是随着仅要求最小跨功能合作的单一功能单位而进化。这些初期的计划通常是Joe Juran所提倡的「拔靴法」（bootstrapping）策略的一部份，其中，在TQC哲学的价值被证明后，组织内的其他功能单位也慢慢地采纳此理论。而采纳的过程却相当地缓慢，且随着牵涉到的跨功能合作层级越来越多，所需要的时间就越长。

有个研究显示，TQC计划中的进步程度，主要是受到其组织的复杂性影响，而非计划本身。如果你知道Edward Baker，也就是福特的品质管理与统计方法经理，那么这个发现可能并不会令人太过意外。Baker解释了由上而下组织在沟通时的困难：

试想有个组织，在高级主管底下有六个阶层，及各三位的控制幅度（span of control），这便有1,093个人。更重要的是，有586,778个潜在的二人端口，更代表着潜在的内部供应商与消费者关系。这1,093个人依赖着另一方来完成他们的工作，但是他们的相互依存关系并非相当明确。

即使只管理其中少数几个供应商与消费者关系，也可以是个艰钜的任务。如果对此相互依存关系没有完全的认识，可能会采取导致不理想结果的行动。举例来说，采纳即时化（Just-in-Time，简称JIT）生产制度的Xerox经理，要求供应商在他们需要之前，先保留库存，「解决」了他们的库存问题；他们将一个好点子「注入」系统中的一小部分，却没有顾及全局，严重地破坏了过去几年来他们精心维护的供应商关系。在系统品质管理的模型中，建立对于整个系统的共识，是组织学习最核心的议题。

时间延迟

另一个早期TQC计划的归因，在于这些系统之间的时间延迟相对较短。举例来说，减少特定生产步骤的缺点，代表可获得即时的数据，并借由分析数据来查看其背后的含义。这个流程步骤通常仅需要几分钟至小时来完成，而非几天或几个月，因此，根据蒐集到的数据来有信心地立下结论，是相当切实可行的。然而，当计划的时间延迟变得极长，例如某个耗时好几年的产品研发过程，想要操作即时的实验就变得很不切实际，现有的数据有用性也会变得相当地有限。我们或许可以调整过程中的小步骤，但无法从整体中的意涵获得洞见。

例如，某个研究动态软体开发的计划，显示了强调预估计划完成的准确度，会让准确度提升，却需要付出更高的成本与更长的完成时间。研究结果显示，计划的时间规划会大幅度地影响人们的决策。由于特定计划所带来的压力与洞察力不一，不同的预测也会导致不同的计划产生。学者使用系统动力学的模型，跑了两个有不同预测的64,000传送源指令软体。在基础模拟的情况下，方法一计算出了2,359天的估计值，而它实际上消耗了3,795天，有38%的失误率。而方法二得到了5,900天的估计值（比方法一高出了150%），而最终消耗了5,412天，仅有9%的失误率。尽管方法二的准确率较高，却也导致了更高支出的结果——比方法一多耗了43%的天数。有了这样的模拟测试，我们应从计划开始之际，每隔几个月便观察并获得洞见，而非一次性地回顾。

模糊变数

根据Juran的说法，TQC的三个法则分别为「查看数据」、「查看数据」、跟「查看数据」。可测量的结构资料，就像是能够启动TQC的引擎；而就算是以国际认可的机械过程取得的单位，例如每分钟的单位、或是每单位的磅数等，要取得可信的好数据，并不容易。随着要测量的物体变得逐渐不清，取得数据这件事情就变得更加困难。模糊变数所包含的概念，例如时间压力对于生产力的影响、送货延迟对于需求的影响等，或是其他可能只有在直觉上才能获得的资讯。而模糊变数所产生的议题，非常有可能随着服务业试图导入TQC而增加。

在汉诺威保险（一个财产与意外保险公司）的案例中，探讨了管理索赔办公室的动态性，并点出理赔支付的金额与调整品质之间的关联。透过一个建立于系统动力学模型之上的决策游戏，理赔经理体验到他们的决策是如何侵蚀品质，并导致了更高的理赔。尽管没有可测量的结构资料，模型框架让经理人能够视觉化并体验到时间压力、工作强度、时间效率、与品质标准之间的关联性。

系统思考的「法则」

系统思考提供很好的框架，让人理解系统互联的本质，及其长短期间彼此如何相互作用，使混乱显得较有条理。多年来，已经有特定的系统原则提供框架，让人在不用了解各个组成部分的详细知识下，了解整个系统的动态性含义。《第五项修炼：学习型组织的艺术与实务》的作者Peter Senge，表示复杂的系统通常会受下列几项法则影响：

• 今日的问题来自于昨日的「解方」
• 你越用力去推，系统的反弹越大
• 行为常常看似正往好的方向发展——直到它急转直下
• 简单的解决方法通常无效
• 快即是慢
• 解药可能比疾病本身来得更糟
• 因果在时空之中并不是密切相关的
• 小小的改变可能会造成重大的结果，但那些有最高槓杆点的地方，通常也是最不显眼的
• 鱼与熊掌可以兼得，但不是在同时
• 把大象分成两半，并不会让你获得两只小象
• 不要责怪

以上的法则为真，是因为复杂的系统因果关系在时空中通常并不密切相关，然而，我们通常有着相反的假设与行动。我们根据看似明显的罪魁祸首而采取行动，才发现我们的解决方法却加剧了当初试图想要解决的问题。这些无意的后果，是复杂系统拒绝改变它们行为的倾向，所产生的结果。像这样的政策阻力，其最常见的原因是因为有许多的「补偿反馈」关系，尽管有外部的干预，仍试图维持内部原有的平衡。就是这样的反馈，导致了在更不好的行为前，有较好行为产生的规律。举例来说，「把负担转移给干预者」的原则，起因于有意帮助别人的行为。然而，它也制造了破坏个体帮助自己的能力的无意后果。大象的比喻则呈现了「不可分割的整体」的概念，也就是说，将大象一分为二并不会制造两只大象，而是制造了混乱。

上述「法则」在乍看之下显得违反直觉，是它们常见的特征。这不仅仅只是巧合而已，违反直觉的行正为是复杂系统的基本本质。将线性思考与统计工具，应用于解决非线性及动态性的问题，通常只会导致后续遭遇更多困境。而且在一个系统中，有延迟与多个回馈环路的存在，我们立意良好的「治疗」，通常只会制造比我们起初想要治疗还要更糟的疾病。在这种原始意图会导致不理想结果的情况下，我们需要新工具的帮助。

若您对系统思考有兴趣的话，欢迎参考我们的官网：Omplexity系统思考顾问公司

Source: Toward Learning Organizations: Integrating Total Quality Control and Systems Thinking