Наше общество преклоняется перед экспертами. Пациенты всецело вверяются своим врачам, инвесторы внимательно прислушиваются к мнениям финансовых аналитиков, а восприимчивые телезрители следуют рекомендациям знатоков всех сортов. Но есть ли основания для такой беспрекословной веры в экспертов?

Есть области, где эксперты однозначно и неизменно справляются лучше, чем обычные люди: только представьте, что вы играете в шахматы с гроссмейстером, сражаетесь с обладателем Большого шлема на центральном корте Уимблдона или проводите операцию на головном мозге. Но в других областях от экспертов пользы гораздо меньше, и их мнения обычно уступают в точности коллективным суждениям. Кроме того, в одних областях эксперты склонны соглашаться друг с другом (например, в прогнозировании погоды), тогда как в других зачастую выражают диаметрально противоположные мнения. Почему так происходит?

Давайте сузим нашу дискуссию до когнитивных задач. Один из способов оценить эффективность экспертов основан на характере проблемы, к которой они обращаются. Все проблемы можно рассматривать как расположенные на континууме3 – на одном его конце находятся четкие, понятные проблемы, присущие статическим, линейным или дискретным системам, а на противоположном – динамические, нелинейные и непрерывные проблемы. В приложении 6.1 приведены дополнительные определения для каждой проблемы из двух противоположных категорий.

Несмотря на то что тысячи часов целенаправленной практики позволяют экспертам приобрести многочисленные знания в своей области, иногда это ведет к снижению когнитивной гибкости. А снижение когнитивной гибкости ведет к снижению эффективности экспертов по мере усложнения проблем.

Объяснить такое положение дел помогают две концепции. Первая – так называемая функциональная фиксированность, когда мы привыкаем использовать предмет или думать о чем-либо определенным образом и затрудняемся предложить новое применение или новый взгляд на вещи. Мы стремимся придерживаться устоявшейся точки зрения и неохотно рассматриваем любые альтернативы.

Вторая психологическая концепция – склонность к упрощению – говорит о том, что мы склонны рассматривать нелинейные сложные системы (правая колонка в приложении 6.1) как линейные простые системы. Отсюда вытекает распространенная ошибка – оценка системы на основе качественных признаков без учета обстоятельств. Например, некоторые инвесторы фокусируются на статистически дешевых акциях (качественный признак) и не учитывают, действительно ли этот метод оценки отражает их стоимость (обстоятельства).

Особенно страдают от склонности к упрощению экономисты, которые пытаются моделировать и прогнозировать сложные системы при помощи инструментов и аналогий, взятых из более простых равновесных систем. Эта особенность человеческой психики приводит к ряду концептуальных проблем, включая неспособность рассматривать инновационные подходы и выявлять новые ключевые факторы и изменения системы.

Не хочу сказать, что эксперты похожи на тупые автоматы. В отдельных областях эксперты проявляют несопоставимую с новичками гибкость.

Психологи выделяют два типа гибкости. Первый тип предполагает, что эксперты усваивают многие характерные свойства и признаки, присущие данной области, поэтому правильно выявляют и реагируют на большинство ситуаций и их следствий. Такая гибкость эффективна в относительно устойчивых областях.

Второй тип гибкости более сложен. Он требует, чтобы эксперты осознавали, когда их когнитивные модели не будут работать, и выходили за пределы привычных и устоявшихся рамок для решения проблем. Эта гибкость критически важна для успеха в нелинейных, сложных системах.

Каким образом эксперты могут развить оба типа гибкости? Сторонники теории когнитивной гибкости утверждают, что степень гибкости эксперта в значительной мере зависит от его склонности к упрощению в своей профессиональной практике4. Стремление все упрощать может повышать эффективность, но вредит гибкости. Чтобы уменьшить склонность к упрощению, теория предписывает изучение разнообразных примеров, чтобы осознать важность зависимости от контекста. Так же полезно проводить исследования конкретных случаев, чтобы увидеть, когда правила работают, а когда нет.

Приложение 6.2 суммирует вышеизложенное и предлагает краткую справку по эффективности экспертов в различных типах когнитивных областей. Так же как в приложении 6.1, области перечислены в порядке возрастания сложности слева направо. Как видим, эффективность экспертов в значительной степени зависит от типа проблемы, к которой они обращаются.

В основанных на правилах системах с ограниченной степенью свободы компьютеры неизменно показывают лучшие результаты, чем отдельные люди5. Люди решают задачи хорошо, но компьютеры справляются с ними лучше и часто дешевле. Компьютерные алгоритмы превосходят человеческое мышление по ряду причин, установленных психологами: люди легко подпадают под влияние внушений извне, недавнего опыта и способа предоставления информации. Люди также плохо справляются с оценкой переменных величин6. Поскольку бо́льшая часть решений в этих системах основана на правилах, эксперты обычно сходятся во мнениях. История с чтением ЭКГ наглядный тому пример.

Следующий столбец относится к основанным на правилах системам с высокой степенью свободы. Здесь эффективность экспертов гораздо выше. Например, если Deep Blue удалось с небольшим перевесом выиграть шахматный матч у Гарри Каспарова, то ни один компьютер и близко не сравнится с лучшим игроком в го, которая представляет собой игру с простыми правилами, но с широким полем 19 × 197. Однако развитие вычислительных мощностей в конечном счете лишит экспертов преимущества и в данной категории. В этих областях согласованность мнений экспертов остается весьма высокой.

Далее идут вероятностные области с ограниченной степенью свободы. Здесь значение экспертов уменьшается, потому что исходы подчиняются законам вероятности, но эксперты придерживаются своей точки зрения в противовес компьютерам и коллективному суждению. В этих областях эксперты реже соглашаются друг с другом. Здесь статистика может улучшить принятие решений – идея, которая всесторонне развивается в бестселлере Майкла Льюиса Moneyball на примере отбора профессиональных игроков в бейсболе.

Правый столбец показывает самую сложную категорию: вероятностные области с высокой степенью свободы. Здесь факты свидетельствуют о том, что коллективное суждение неизменно превосходит по точности суждение экспертов8. Наглядный тому пример – фондовый рынок; поэтому неудивительно, что подавляющее большинство инвесторов не извлекают на нем выгоды. В этих областях эксперты часто придерживаются диаметрально противоположных мнений по одному и тому же вопросу9.