О Чарльзе Ревлоне, предпринимателе, превратившем Revlon в крупнейшую косметическую компанию, говорили, что он умел различать несколько оттенков черного — это сложно даже для людей, работающих с цветом. Эта способность — метафорическое воплощение принятия любого рода решений. Например, одно дело — сказать, что менеджер «хорошо ладит с людьми». Другое — спросить, замечает ли он, что подчиненного перестала увлекать работа. Если да — то усматривает ли он в этом проблему или новую возможность? Какие предполагаются ответы? Насколько эффективными они представляются и какие из них применимы на практике? Вопрос в том, видеть ли просто черное или различать пять его оттенков, и это срабатывает при оценке людей, ситуаций, предложений, работы, товаров и чего угодно еще. В каждом случае умение видеть незаметные для других различия — еще один способ воспринимать больше.

Обратите внимание, что все эти важные способности — определенно результат практики и тренировки. Но интересная деталь: исследования показывают, что эти способности, как правило, не работают за пределами той отрасли, в которой они приобретаются. Например, у искусного музыканта «хороший слух», то есть он умеет делать тонкие различия. Но, согласно результатам исследования, музыканты, умеющие различать тончайшие оттенки музыкальных тонов, ничем не лучше обычных людей различают интонации речи. Осознанная практика помогает приобрести конкретные навыки, необходимые нам для становления в определенной области.

Очевидно, что успешные люди располагают большим объемом знаний в своей области, нежели рядовые работники. Но когда-то многие исследователи оспаривали этот факт. Они считали, что успешной работе содействует не владение знаниями, а способность к рассуждению. Не нужно много знать в какой-либо сфере, если уметь анализировать проблему и проведенный анализ подкрепить результатами работы на компьютере. Такой образ мыслей был особенно популярен на заре компьютерной эры, в 50-70-е годы, когда ученые искали способ создать разумные машины и все казалось возможным. Их амбиции были столь высоки, что в 1957 году двое ученых, Герберт Саймон и Аллен Ньюэлл, анонсировали появление компьютерной программы, которую назвали «Универсальный решатель задач». Она не знала ничего конкретного ни о чем конкретном, но владела универсальными правилами логики и стратегии решения задач. Программа никогда не решала задач из реальной жизни, но продемонстрировала весьма важный подход: если у вас есть достаточно мощный искусственный интеллект, конкретных знаний не нужно.

В конце концов ученые начали понимать, что не отягощенная знаниями мощь компьютера не позволяет добиться желаемых результатов. Чтобы убедиться в том, что их изначальный подход не работает, давайте рассмотрим одну из самых известных попыток создать искусственный интеллект — успешную компьютерную программу для игры в шахматы. Вот идеальная основа для подхода «знания не имеют значения». Просто объясните компьютеру правила и цель игры, а затем положитесь на его невероятную скорость и умение сопоставлять, недоступные ни одному человеку. Триумф был неизбежен.

Однако же люди по-прежнему побеждали. Казалось бы, нонсенс — по оценкам шахматных специалистов, даже высококлассному игроку нужно около пятнадцати секунд, чтобы продумать все возможные ходы в какой-либо позиции. Ранние же компьютерные программы могли просчитывать тысячи ходов в секунду. Как же человеку удалось выиграть? Когда бывший в то время чемпионом мира Гарри Каспаров впервые сыграл со знаменитой программой IBM Deep Blue в 1996 году, компьютер оценивал 100 миллионов позиций в секунду, но Каспаров тем не менее выиграл. Год спустя компьютер усовершенствовали — он рассматривал 200 миллионов позиций в секунду, и Deep Blue провела матч из шести игр: два выигрыша, один проигрыш, три ничьих.

Но в свете постоянно совершенствующихся возможностей компьютера возникает вопрос — почему машина вообще проиграла или свела вничью хоть одну игру против человека? Ответ: человек обладает чем-то, что компьютеру недоступно. Это основательные знания о шахматах, о том, как мастера прошлого реагировали на различные позиции в различных случаях и какие последствия влечет за собой тот или иной ход. И наконец исследователи поняли, в чем секрет. «Самый важный компонент любой системы искусственного интеллекта — это знание, — писали трое выдающихся ученых, работавших над такими компьютерными системами (Брюс Бьюкенен, Рэндалл Дэвис и Эдвард Фейгенбаум). — Программы, владеющие общими стратегиями вывода — некоторые из них даже не чужды математической логики, — но слабо обученные конкретному знанию в предметной области, практически не способны справляться с каким бы то ни было заданием». Их вывод: «Сила — в знании».

Другие исследователи приходили к тому же выводу другими путями, хотя также занимались шахматами. Голландский психолог Адриан де Гроот сравнил игроков мирового класса с опытными шахматистами-любителями и, к своему удивлению, обнаружил, что высококлассные игроки рассматривали не больше возможных ходов, чем любители, поиск их не отличался большей перспективой и эмпирические приемы при выборе ходов были аналогичными. В целом, казалось, мотор интеллекта профессионалов работает ничуть не быстрее, чем у шахматистов-любителей. Так почему же они лучше?

Отчасти ответ в том, что они больше знали о своей предметной области. Изучая шахматы, исследователи обнаружили (методом, который я опишу чуть позже), что у игроков-экспертов знаний гораздо больше, чем у просто хороших игроков, — в десять раз. Важно и то, что мастера во многих областях умеют лучше скомбинировать и организовать свои знания, что позволяет им выработать более эффективный подход к задачам. Например, опытным физикам и начинающим студентам предложили около двадцати задач по физике, попросив сгруппировать их по определяющему признаку. Начинающие классифицировали задачи по наиболее очевидным параметрам, например по тому, шла ли в них речь о трении или о наклонной плоскости. Более опытные физики опирались на базовые принципы — например, второй закон Ньютона, — которые требовались для решения.

Как показывают исследования, то же касается и других областей. Опытные психотерапевты делят высказывания пациентов на группы согласно факторам, наиболее важным для выбора терапии, тогда как новички опираются на поверхностные детали. Профессиональные рыбаки руководствуются при сортировке улова важными практическими соображениями, например поведением рыб или коммерческой выгодой; неопытные рыбаки смотрят на внешний вид. В целом знания людей успешных всеобъемлющи и основаны на кардинальных принципах.

Аналогичное явление наблюдается и в бизнесе. Многие компании всячески стараются дать своим лучшим сотрудникам как можно больше знаний, переводя их с должности на должность, направляя в разные подразделения, доверяя им различный фронт работ — таким образом лучшие работники могут изучить важнейшие элементы бизнеса.

Особенно важно, что многие успешные компании отчетливо признают необходимость глубоких знаний в своей предметной области в противовес общим менеджерским способностям. Обладание только последними сулит участь «универсального решателя задач». Деловой мир Америки, увы, пошел по этому пути. Лучшие школы бизнеса и многие ведущие компании десятилетиями пытались породить отличных управленцев — людей, способных добиться процветания практически любой компании исключительно с помощью подвластных им технологий. Не нужно много знать о конкретном бизнесе, гласила эта идея; достаточно освоить стратегии решения бизнес-задач.

Но оказалось, что менеджмент во многих успешных компаниях работает иначе. Когда Джефф Иммельт в 2001 году стал генеральным директором GE, он начал изучать лучшие компании мира, рост которых на протяжении многих лет опережал рост экономики, принося завидную прибыль. Что у них общего? Результаты исследования Иммельта показали, что все эти компании ценили в менеджерах знания в предметной области работы. Позже Джефф объяснял журналу Harvard Business Review: «Особенно успешны в GE те подразделения, руководители которых работают в своей области уже давно. Вспомните Брайана Роу с его многолетним опытом в области авиационных двигателей. Четыре или пять принятых им решений — благодаря глубоким познаниям в этой сфере — принесли нам, пожалуй, столько же, сколько принесли бы 50 лет работы в индустрии на передовых позициях. То же относится к GE Capital. В тех отраслях, где мы то и дело меняли людей, например в страховании, мы потерпели неудачу».