We zagen in de eerdere blokken van deze cursus dat systeemdenken misschien wel de belangrijkste vaardigheid van de futuroloog is, maar dat het ook een moeilijk te ontwikkelen vaardigheid is. In een systeem beïnvloedt A bijvoorbeeld B en ook weer F en Z, en F beïnvloedt dan weer A, en zo verder. In de meeste systemen die wij bestuderen zijn heel veel terugkoppelingen aanwezig en dat levert dan voortdurend allerlei onverwachte effecten op. Als je daar geen rekening mee houdt, is de kans groot dat je te simpel bepaalde ontwikkelingen extrapoleert en trends doortrekt.
Systeemdenken is dus bij toekomstonderzoek onmisbaar. Het is de lens waardoor de futuroloog voortdurend naar de toekomst kijkt. Het probleem van systeemdenken is echter dat je dit jezelf eerst eigen moet maken. Dat leer je alleen door het te doen, of zoals de bekende filosoof J.C. uit Betondorp ooit zei; “Je ziet het pas als je het doorhebt”. Je moet het dus oefenen, oefenen en nog eens oefenen, maar daarna levert het je heel veel op. Als je de wereld kunt zien als een systeem dan kun je daarmee echt beter voorspellen wat er mogelijkerwijs gaat gebeuren.
In dit blok gaan we het hebben over de complexe adaptieve systemen. Wat is bijvoorbeeld de overeenkomst tussen de Waddenzee, Amsterdam, Staphorst, jouw hersenen, een ei, de aandelenbeurs en het weer? Het antwoord is dan dat dit allemaal complexe adaptieve systemen zijn, afgekort CAS.
Complexe adaptieve systemen zijn in de jaren ‘70 van de vorige eeuw bekend geworden mede dankzij de club van Rome. Hierboven zie je het model dat zij toen publiceerde. Een vrij simpel model, met daarin aandacht voor de uitputting van grondstoffen, de groei van de bevolking, de vervuiling en milieuproblematiek en zo nog wat grootheden, en de terugkoppelingen tussen al deze grootheden.
Dit model leverde verschillende mogelijke scenario’s op afhankelijk van hoe wij als mensheid zouden reageren op de verschillende ontwikkelingen. In het scenario ‘Doorgaan zoals Gewoonlijk’ zou de mondiale welvaart blijven stijgen tot pakweg 2025, maar er zou daarna een plotselinge en onomkeerbare verslechtering van de leefomstandigheden optreden door instortende ecosystemen, klimaatveranderingen en tekorten aan bepaalde essentiële grondstoffen. Helaas is dit het pad dat wij als mensheid tot op heden volgen. Ik ben dan ook benieuwd of hun voorspellingen na 2025 ook echt gaan uitkomen.
Alle CAS-sen hebben een aantal kenmerken gemeen. Wat kunnen we nu doen met die kennis van de complexe actieve systemen? We bespreken hier tien eigenschappen die we in alle complexe adaptieve systemen tegenkomen. Om deze ook te kunnen gebruiken, moet je ze wel eerst leren herkennen.
1. Complexiteit Allereerst zijn ze complex. Dat lijkt een open deur, maar complex is niet hetzelfde als gecompliceerd. Een Zwitsers uurwerk is gecompliceerd. Dat is heel ingewikkeld maar dat kun je uit elkaar halen en weer in elkaar zetten en dan functioneert het gewoon weer (Op voorwaarde dat je er wel een beetje verstand van hebt natuurlijk). Dat geldt ook voor bijvoorbeeld een Boeing 747. Ook die kun je uit elkaar halen en weer in elkaar zetten en dan functioneert deze gewoon weer. Dat geldt niet voor complexe systemen. In een complex systeem lijkt het wel of alles met alles samenhangt. Je kunt er niet eenvoudig een klein onderdeeltje uit halen en weer terugzetten. Als je bijvoorbeeld een ei breekt dan kun je dat ei niet weer zomaar in elkaar zetten. Als je in een ecosysteem een belangrijk onderdeel weghaalt of toevoegt, bijvoorbeeld de introductie van een exoot, komt dat ecosysteem in een pad terecht, waardoor het niet meer kan terugkeren naar de oude situatie.
2. Emergentie
Dat heeft te maken met de tweede eigenschap van dit soort systemen; emergentie, het proces waarbij spontaan van onderop iets nieuws ontstaat. Dat staat ook wel bekend als het zelf organiserend vermogen van zulke systemen. Complexe systemen vertonen altijd een vorm van zelforganisatie.
Denk bijvoorbeeld aan de processen in de natuur. We denken vaak dat alles daar verloopt volgens een vast neerwaarts patroon. Alles wordt ouder, het verrot, beschimmelt, stort in, kortom alles wordt minder. Maar we vergeten dan dat er ook nog een tweede proces in de natuur werkzaam is, een opwaarts proces.
Dit opwaartse proces staat bekend als emergentie. Het leven op aarde begon waarschijnlijk ooit vanuit hele simpele moleculen die zich verenigden tot ingewikkelder moleculen en uiteindelijk is daaruit het leven ontstaan. Uit die eerst levende wezentjes zijn vervolgens alle planten en dieren ontstaan in de mooiste vorm- en kleurenrijkdom.
Overal waar je om je heen kijkt, kun je emergentie waarnemen. Bijvoorbeeld in het voetbalstadion waar soms spontaan de wave ontstaat, als mensen op elkaar reageren. Je kunt het ook terugzien bij het ontstaan van een stad of dorp. Er is niemand geweest die van tevoren heeft bedacht, hoe bijvoorbeeld een stad als Amsterdam is geworden tot de stad die het nu is. Ook in onze hersenen is sprake van emergentie, namelijk als de neuronen, de hersencellen, voortdurend in contact staan met elkaar. In dat proces reageren ze op elkaar en we weten nog steeds niet hoe, maar zo is er op een gegeven moment intelligentie en zelfs bewustzijn ontstaan. Een emergent proces ontstaat dus van onderop. Spontaan werken er van onderop krachten die uiteindelijk leiden tot het ontstaan van nieuwe vormen en systemen.
Dit wordt ook duidelijk als kijken naar een relatief simpel complex adaptief systeem; een zwerm vogels. Zo’n zwerm vogels is een prachtig gezicht. Tienduizenden vogels die gecoördineerd bewegen zonder leider. Er is geen oppervogel die roept: ‘Nu allemaal naar links of allemaal naar rechts’. Zo’n zwerm organiseert zichzelf zonder leider. We noemen dit ook wel zwermintelligentie of zelforganisatie. Dat zwermen ziet er vanaf de grond heel ingewikkeld uit, bijna magisch. Hoe kunnen zoveel vogels opeens met z’n allen naar links of naar rechts zwenken zonder leider?
Onderzoekers hebben ontdekt dat achter de complexiteit van een zwerm een aantal simpele regels schuilgaat. Ze ontdekten dat er drie simpele regels achter die schijnbare chaos zitten. Ze hebben in de computer diertjes volgens die drie regels geprogrammeerd en die gingen toen inderdaad zwermgedrag vertonen. Ze organiseerden daarna zichzelf. Ze ontweken dan vanzelf roofvogels en roofvissen (bij een school vissen werkt dat op dezelfde manier) en eventuele andere obstakels.
Drie simpele regels blijken dus voldoende om zo’n zwerm te programmeren. We noemen dat wel de zwermregels of ook wel triple A, van Align, Avoid, en Attract. Align: volg de gemiddelde koers van de vogeltjes vlak om je heen. Avoid: zorg dat je nergens tegenop botst en Attract: zoek het midden op van de vogeltjes vlak om je heen. Met die drie regels ontstaan dus vanzelf een zekere orde. Of zoals ze dat zo mooi in het Engels zeggen, er ontstaat: ‘large scale order out of small scale interactions’.
3. Adaptie
Een derde eigenschap van complexe adaptieve systemen is dat ze adaptief zijn. Dat wil zeggen dat ze zich aanpassen aan veranderingen in hun omgeving, dus aan invloeden van buitenaf. Daarbij probeert een CAS door voortdurende kleine aanpassingen in de buffers de bestaande situatie zo veel mogelijk in stand te houden. Het lijkt daardoor soms wel of zo’n systeem zich verzet tegen veranderingen. Dat verklaart ook waarom het zo moeilijk is om een systeem echt te veranderen.
4. Non-lineair
Ook de vierde eigenschap hangt samen met die stabilisatoren, buffers en de feedback loops. De onderdelen van een complex adaptief systeem gedragen zich regelmatig onvoorspelbaar. Zoals we al eerder zagen, kan verandering A in zo’n systeem gevolgen hebben voor B en C en daarmee soms ook weer voor zichzelf. Deze vierde eigenschap heeft ook te maken met de aard van de interne terugkoppelingen. Meestal is er sprake van negatieve terugkoppelingen waardoor de verandering als het ware uitdooft. Maar soms is er sprake van positieve, zichzelf versterkende terugkoppelingen. Deze kunnen ertoe leiden dat er binnen zo’n systeem toch een grote verandering plaatsvindt en dat brengt ons bij de volgende eigenschap.
5. Kantelpunten
Een CAS weet zich heel lang aan te passen aan zijn omgeving. Hij blijft al die tijd in een stabiel evenwicht en dan opeens komt er soms toch een fase van instabiliteit. Op zo’n moment vinden er in een CAS soms grote veranderingen plaats. De economie van Turkije stort bijvoorbeeld opeens compleet in, of alle vissen in de Kager plassen gaan opeens dood. Er ontstaat dan een nieuw evenwicht, maar op een ander niveau. We spreken dan ook wel over een omslagpunt met een faseverandering. Een omslagpunt, of kantelpunt is een punt waar een klein duwtje of een heel zwakke prikkel een groot gevolg kan hebben. Denk aan dat ene laatste sneeuwvlokje dat de lawine veroorzaakte.
6. Vlindereffect
Hele kleine veranderingen kunnen in een complex adaptief systeem dus na verloop van tijd toch hele grote gevolgen hebben. Wat voor invloed zou een tweede kopje koffie nou helemaal kunnen hebben? Maar wacht eens, ik denk nu aan een extra kopje koffie in hetzelfde restaurant waar ik nu deze tekst zit te typen. Omdat ik vijf jaar terug nog een tweede kop koffie nam, liep ik wellicht de vrachtwagen mis die vlak daarna in volle vaart door het rode licht reed, waar ik nu niet aan het oversteken was. Hierdoor was er nog tijd van leven om dit boek te schrijven. Dit is natuurlijk een verzonnen voorbeeld, maar er zijn zo veel meer ketens van oorzaak en gevolg te bedenken. Bijvoorbeeld, door die tweede kop koffie kwam ik iets later bij de bibliotheek en daardoor was het boek over Obama al uitgeleend aan de vrouw van de bekende politicus, die daardoor anders ging stemmen over inclusiviteit en zo verder.
Deze eigenschap staat ook wel bekend als het vlindereffect. Er was eens een vlinder in het Amazonegebied die met zijn vleugeltjes heen en weer ging en daardoor een werveling in de lucht veroorzaakte. Die werveling werd weer opgepakt en versterkt door andere wervelingen en was uiteindelijk de oorzaak van een tornado die weken later de Verenigde Staten trof.
Kleine oorzaken met grote gevolgen komen dus voort uit de omslagpunten in een systeem. Kritische punten, ofwel kantelpunten, waar een heel klein duwtje hele grote gevolgen kan hebben. Deze zesde eigenschap heeft vaak ook te maken met positieve, zichzelf versterkende terugkoppelingen.
7. Flikkeren
Het onderzoek naar CAS-sen heeft geleid tot de ontdekking dat bij kantelingen binnen het systeem vooraf meestal waarschuwingssignalen zichtbaar waren. Een bepaalde grootheid vertoont dan opeens felle schommelingen. De waarde van het Turkse pond gaat snel schommelen voordat de economie van Turkije instort. Of het zuurstofgehalte van de Kager plassen gaat snel op en neer en vervolgens gaan dan alle vissen dood. Dit verschijnsel staat bekend als ‘flikkeren’, net als een lamp die nog een aantal malen opflikkert, voordat hij doorbrandt. Op de beurs zien we ook vaak heftige koersschommelingen, vlak voor een beurscrash. Medici zien dit ook vlak voor een epileptische aanval in de hersenen. Maar soms worden kantelingen juist voorafgegaan door aanpassingen in het systeem die steeds trager gaan verlopen, waardoor het steeds langer duurt voordat het oude evenwicht is hersteld.
8. Rafelranden
Grote veranderingen binnen een CAS ontstaan zelden of nooit in het centrum van een systeem, maar (bijna) altijd aan de rand van een systeem. Op plekken waar nog vrijheid bestaat, waar dissidente denkers, creativo’s en “onbesmette” jongeren de ruimte hebben om te experimenteren met nieuw gedrag en nieuwe ideeën. Dat betekent dat je de komende veranderingen vooral moet zoeken in de ‘rafelranden’ van het systeem. Het christendom begon ergens in Judea aan de rand van het Romeinse rijk. De herkerstening na de ineenstorting van datzelfde rijk begon ook vanaf de rand, vanuit Ierland waar nog een rijk kloosterleven was blijven voortbestaan. Startups beginnen ook altijd ergens in een niche waar de gevestigde bedrijven geen aandacht aan wilden besteden. Het was Tesla (een buitenstaander) die de automobielbranche op zijn kop zette met de doorbraak van de elektrische auto.
9. Leren
Complexe adaptieve systemen blijken ook te kunnen leren van eerdere ervaringen. Stel dat een slimme handelaar bedenkt dat in de winter de prijs van olie telkens een stuk hoger ligt dan tijdens de zomer. Hij zal dan misschien bedenken om komend najaar een extra grote voorraad olie in te slaan. Maar stel nu dat meer handelaren een flinke voorraad olie inkopen. Wat zal er dan in die winter met de prijs van olie gebeuren? Dat leren van eerdere ervaringen geldt ook voor niet-menselijke sociale systemen. Ook een bos, een vogelkolonie, bijenvolkeren, ecosystemen, zelfs samenwerkende bacteriën blijken over leervermogen te beschikken.
10. Beeld en perceptie
In de complexiteitswetenschap gaat men ervan uit dat de mensen in een CAS hun beslissingen niet baseren op de realiteit, maar op hun perceptie van de realiteit. Het gedrag dat het gevolg is van deze percepties heeft daarna weer gevolgen voor de realiteit. Daardoor kunnen ook beelden de eigenschappen van een systeem veranderen. We noemen zulke aanpassingen als gevolg van nieuwe beelden of inzichten, reflexieve aanpassingen, ofwel reflexiviteit. Reflexiviteit speelt onderzoekers in de sociale wetenschappen voortdurend parten, omdat die juist op zoek zijn naar vaste waarden.
Laat ik weer een voorbeeld geven om dit te illustreren. In de jaren 2005-2006 waren de stijgende huizenprijzen aanleiding voor de banken om meer en hogere hypotheekleningen te verstrekken. Dat dreef op zijn beurt weer de huizenprijzen op. Zo ontstond een zelfversterkend proces waardoor de huizenprijzen steeds meer loskwamen van de realiteit. Uiteindelijk stortte de huizenmarkt in toen de bubbel barstte.
In complexe adaptieve systemen zien we dus vaak dit soort ontwikkelingen en dat helpt om mogelijke kantelpunten, zwakke signalen en andere veranderingen te spotten. Maar zoals ik al eerder schreef is dat wel een vaardigheid die je moet ontwikkelen en door van je fouten te leren.
Het Cynefin model
Een handig hulpmiddel om complexe systemen te leren herkennen en begrijpen is het Cynefin model11. Hierbij deel je problemen in vier typen in: eenvoudig, gecompliceerd, complex en chaotisch.
- Bij de eenvoudige problemen bestaat een duidelijke relatie tussen oorzaak en gevolg. Er zijn eenvoudige oplossingen die routinematig kunnen worden toegepast. We kunnen werken met protocollen, best practices, draaiboeken, etc.
- Bij gecompliceerde problemen is sprake van meerdere variabelen en vaak ook meerdere oplossingen. Maar deze problemen zijn wel te analyseren. Hier helpt expertise en analyse om tot een oplossing te komen.
- In het complexe domein zijn er geen eenduidige oorzaken of effecten aan te wijzen. Hier is sprake van dynamische systemen met (deels) onvoorspelbare uitkomsten. In zulke complexe situaties is het nodig om te experimenteren om werkenderwijs tot een oplossing te komen.
- In het chaotische domein is er sprake van een crisis. In zo’n situatie is het nodig om snel te handelen, met improvisatie en crisismanagement.
Door het probleem te categoriseren, kun je de juiste aanpak kiezen en kun je de juiste middelen inzetten om het probleem op te lossen. Het Cynefin-model helpt je daarbij om de aard van het probleem te bepalen, wat op zijn beurt helpt bij het nemen van de juiste beslissingen om het probleem op te lossen.
Het PACE Layers model
Een tweede hulpmiddel is het zogenaamde PACE Layers model van Stewart Brand. Dit model verdeelt de sociale werkelijkheid in verschillende lagen, met per laag een verschillende ontwikkelingssnelheid. De onderste en traagst veranderende laag in dit model is de natuur. Daarbij moet je denken aan trage veranderingen in vele duizenden jaren. Daarboven ligt een sneller veranderende laag, de laag van de cultuur, daarbij moet je denken aan duizenden jaren. Daar ligt weer een laag boven, de institutionele laag. Hierbij moet je denken aan veranderingen in honderden jaren. Daarboven ligt de laag van de infrastructuur. Daarbij moet je denken aan veranderingen in tientallen jaren. Dan hebben we de laag van de bedrijvigheid, de commercie. Dan moet je denken aan 5 tot 10 jaar. De bovenste en de snelst veranderende laag, is de mode-laag, dan moet je denken aan veranderingen in enkele jaren of nog korter.
Het interessante is nu dat elke laag niet alleen een ander tempo van veranderingen heeft, maar ook een relatie heeft met de lagen eronder en erboven. De snelle lagen innoveren, de langzame lage stabiliseren en samen zorgen ze dan voor de aanpassing en de continuïteit in complexe adaptieve systemen. Snel innoveert, langzaam herinnert. Snel trekt de aandacht, langzaam heeft de macht. Snel breekt en maakt zaken kapot, langzaam continueert en stabiliseert. Snel bedenkt nieuwe zaken, langzaam verwerkt de nieuwe ontwikkelingen. Dit model beschrijft zo hoe complexe adaptieve systemen leren en blijven leren. Elk duurzaam complex adaptief systeem kent zulke verschillen in aanpassingssnelheid. Deze verschillen maken zulke systemen adaptief, duurzaam en robuust.
Neem een boom in een bos. De bladeren veranderen elk jaar. De boom in een eeuw. Het bos in duizenden jaren, het bioom in 10.000 en jaren. Of neem landen en staten. De mens, het individu is dan de kleinste eenheid. De familie is een langer durende eenheid, de stam of de natie is een eenheid in eeuwen. De cultuur duurt dan millennia. En de mens als soort leeft honderdduizenden jaren.
Les 67: Leren denken in complexe adaptieve systemen (het systeemdenken) is iets dat je leert door het te doen.
Les 68: Een CAS is niet alleen complex en adaptief, maar ook emergent, non-lineair en heeft kritische kantelpunten.
Les 69: Een CAS is ook zelf organiserend en lerend.
Les 70: Kennis van de kenmerken van de complexe adaptieve systemen helpt om te begrijpen hoe systemen zullen reageren op prikkels van buiten het systeem.
Les 71: Helaas is dat een vaardigheid die je alleen kunt ontwikkelen door het vaker te doen en van je fouten te leren.
Les 72: In een systeem hebben kleine oorzaken soms grote gevolgen. Dit staat wel bekend als het ‘vlindereffect’.
[1] https://jods.mitpress.mit.edu/pub/issue3-brand/release/2