cynefin-skill

Cynefin 框架 · 思维工具

"The framework is designed to help decision makers understand that there are different types of systems, and each requires a different type of decision-making and sense-making process." -- David J. Snowden, Cynefin: A Sense-Making Framework (2010)

激活条件与触发词

• 直接调用：「用 Cynefin 框架分析...」「用 5 域分类...」「把这个问题放进 Cynefin...」
• 语义触发：用户面对不确定性问题，不确定该「分析」还是「实验」；用户将复杂社会问题当作工程问题处理；用户使用了大量最佳实践但效果不佳
• 组合调用：「先用 Cynefin 分类问题域，再选对应方法」；「Cynefin 分类 + 系统思维分析」

方法框架概览

Cynefin 框架的核心是将问题按因果清晰度分为 5 个域（清晰/繁杂/复杂/混沌/失序），每个域有不同的因果结构和对应的决策策略。它不是一个分类标签工具，而是一个要求持续「意义建构」（sense-making）的动态框架，旨在防止将复杂问题误当作繁杂问题处理的灾难性失败。

核心原理（3-7个，每个须附 ≥2 个跨域证据）

原理 1: 5 域分类 —— 不同问题域有本质不同的因果结构

一句话定义：问题不是同一个量级的——有的因果关系直观可见（清晰域），有的需要专家分析（繁杂域），有的只能事后回溯（复杂域），有的根本不存在可辨识的因果（混沌域），有的你甚至不知道是哪一类（失序域）。

跨域证据：

1. 公共卫生领域：普通的流感诊断（清晰域——已知症状对应已知疗法）与 COVID-19 初期应对（复杂域——未知传播机制、未知致死率、未知有效干预）是本质不同的决策情境。将 COVID 早期当作繁杂域（召集专家组制定方案然后执行）导致了多国第一波防控失败。来源：Snowden, "Managing Complexity (and Chaos) in Times of Crisis," EU Commission Joint Research Centre (2020)
2. 软件开发领域：为已知需求做一个标准的 CRUD 后台（清晰域——已有成熟的框架和模式）vs. 从零构建一个无先例的 AI 产品（复杂域——用户会怎么用不可预知）需要完全不同的组织方式。前者适合 Waterfall/Plan-driven，后者必须 Agile/Probe-driven。来源：Kurtz & Snowden, "The New Dynamics of Strategy," IBM Systems Journal (2003)

应用方式：面对任何问题时，首先判断其因果清晰度——已知的因果关系有多少？这些关系是稳定的还是变化的？是否存在「答案在行动中涌现」的特征？

局限：同一个问题在不同层次（个体/组织/社会）可能落在不同域，需要明确分析的层次和边界。

原理 2: 有序域逻辑 —— 清晰域与繁杂域使用「感知-分类/分析-响应」

一句话定义：在因果清晰的有序域中，正确的方法是先收集信息（感知），然后根据信息匹配已知框架或进行专家分析（分类/分析），最后执行确定的方案（响应）。这两个域共享「因果先行」的前提，区别在于是否需要专家介入。

跨域证据：

1. 金融风控领域：信用卡反欺诈系统（繁杂域）——系统感知交易模式，专家/模型分析异常信号，然后做出拦截决策。这是一个感知-分析-响应的典型循环。来源：Bolton & Hand, "Statistical Fraud Detection: A Review," Statistical Science (2002)
2. 军事后勤领域：标准弹药补给（清晰域）——感知弹药存量，按标准分类属于「低-中-高-紧急」哪一级，按既定 SOP 响应补充。不需要分析，只需要分类。来源：Van Creveld, M., Supplying War: Logistics from Wallenstein to Patton (1977)，展示标准补给流程与战场不确定性的对比

应用方式：判断问题是清晰还是繁杂的关键是——这个问题有无已知的良好实践（Good Practice）还是只有最佳实践（Best Practice）？清晰域适用良好实践（可标准化的），繁杂域需要最佳实践（依赖专家判断的）。