Mr. M

讓組織從解決症狀，進化到改變結構

引言

一個問題反覆出現，每次解決完又回來。一個決策看起來合理，幾個月後卻帶來意想不到的後果。一個政策全力推動，各部門卻各行其是，整體卻沒有改變。這些困境有一個共同的特徵：它們的根源不在於執行力不夠，也不在於資訊不足，而在於沒有人看見產生問題的「系統結構」。

系統動力學（System Dynamics）是一套專門為此而生的思考方法。它誕生於 MIT 史隆管理學院，讓人得以看見那些隱藏在現象背後的因果迴路，找到真正有槓桿效果的介入點。而當這套方法論被封裝成 AI 可以引導執行的 Methodology Skill，它的門檻從「需要數月訓練」變成了「一次對話就能完成診斷」。這篇文章說明它是什麼、如何與 AI 結合、以及在真實場景中能帶來什麼改變。

系統動力學是什麼，能解決哪些問題

大多數組織在面對困境時，採取的是同一種策略：找到問題，施加解法，期待改善。這個邏輯在簡單情境裡管用，但在複雜的組織問題裡，它往往只是把問題推遲，或是讓問題以另一種面貌再次出現。系統動力學（System Dynamics）誕生於 1950 年代的 MIT 史隆管理學院，由 Jay Forrester 教授創立，核心主張是：複雜問題的根源不在於某個單一原因，而在於產生問題的「系統結構」 — 那些互相影響、形成迴路、隨時間演化的因果關係。看不見這個結構，再多的努力都只是在治標。

系統動力學的核心工具，是「因果迴路圖」和「時間行為分析」。因果迴路圖讓你把一個組織困境裡的關鍵變數，以及它們之間的影響關係，畫成一張可以被看見、被討論的地圖；時間行為分析則讓你問：這個結構在時間維度上會往哪裡走？是自我強化的惡性循環，還是有自我調節的機制正在運作？這兩個工具組合起來，讓決策者能夠從「解釋現象」轉向「理解模式」 — 從看見問題，進化到看見產生問題的結構。

系統動力學最擅長應對三類問題：反覆發生的困境（每次解決之後還會再來）、延遲顯現的問題（今天的決策要六個月後才看到後果）、以及協調失靈的問題（各部門各自合理，但整體卻持續惡化）。這三類問題的共同特徵，是它們的核心困難不在於資訊不足，而在於「看不見自己正在參與的迴路」。系統動力學提供的，不是更多的資料，而是一副讓結構變得可見的眼鏡。

結合 AI 與 Skill，系統動力學能帶來什麼不同

傳統上，系統動力學是一套需要深度訓練才能運用的方法。要掌握因果迴路圖的繪製、識別增強迴路與調節迴路、判斷槓桿點的位置 — 這些能力的養成，往往需要數月的學習和大量的實踐。這也是為什麼系統動力學長期停留在學術圈和少數顧問公司，而沒有成為一般組織決策者的日常工具。把系統動力學封裝成 Methodology Skill，搭配 AI 的引導能力，改變的正是這個門檻：一個從未接觸過這套方法的人，可以在一次對話中完成系統動力學的核心分析流程，而不需要先讀完一本教科書。

這個 Skill 的設計邏輯，不是「教你系統動力學」，而是「帶你用系統動力學」。它透過一套精心設計的提問序列，引導使用者把模糊的組織困境，逐步轉化為可以被分析的結構：先定義問題的行為曲線，再識別影響這個行為的關鍵變數，然後追問這些變數之間是否形成迴路，最後評估哪個節點是最有效的介入槓桿點。AI 在這個過程中扮演的不是解題者，而是「結構化的思考夥伴」 — 它不給出答案，而是確保使用者在每個關鍵步驟都停下來，完整地思考，而不是過早跳到解法。

結合 AI 之後，系統動力學最重要的效益是「壓縮診斷時間」。一個傳統的系統動力學工作坊，可能需要一到兩天才能完成從問題定義到槓桿點識別的完整流程；透過 Skill 引導的 AI 對話，同樣的分析品質可以在一到兩個小時內達到。更重要的是，這個過程可以在決策發生之前，而不是問題已經嚴重惡化之後。當組織成員能夠在遇到困境的早期就啟動系統性的診斷，而不是等到問題足夠大才開始尋求根本解法，組織的整體決策品質就會系統性地提升。

Skill 的實務應用，從診斷到決策的三個場景

第一個場景是「政策推行受阻」。組織推動一個新政策，執行率始終不理想，主管的感受是「大家不配合」。透過系統動力學 Skill 的引導，使用者被引導去問：不配合的部門有什麼共同特徵？這個問題讓決策者意識到，不配合不是態度問題，而是缺少了一個讓使用效果變得可見的回饋迴路 — 沒有人看見使用結果，也就沒有人感受到不使用的代價。找到這個「缺失的迴路」，比重新設計培訓計畫更有槓桿效果，因為它改變的是系統的結構，而不只是表面的行為。

第二個場景是「人才流失難以遏止」。公司的資深工程師離職率偏高，調薪之後情況沒有改善。Skill 引導使用者問：離職集中在哪個時間點之後發生？這個問題讓一個隱藏的增強迴路浮現：大型專案啟動後，資深工程師被調去救火，自身技術成長停滯，接受外部 offer 離職，更多新人需要帶，剩餘工程師壓力更大，下一個大型專案又觸發同樣的循環。真正的槓桿點不在薪資，而在「保護資深工程師個人成長時間」的制度設計。調薪不在這個迴路上，無法打斷它。

第三個場景是「新業務進入市場前的風險評估」。一家公司準備進入一個新市場，目標是三年內達到五十萬付費用戶。Skill 引導決策者問：支撐這個成長目標的驅動力依賴哪些資源？隨著用戶增加，這些資源會不會開始緊張？三個潛在的調節迴路浮現 — 工程師產能、用戶引導品質、銷售與推廣的資源競爭。Skill 最後把判斷權還給決策者：「如果你只能在前六個月優先解決其中一個限制，你會選哪一個？」這個問題讓會議室從「要不要做」的討論，轉移到「怎麼做才能避開已知陷阱」的討論。這個轉移，正是系統動力學 Skill 對組織決策最核心的貢獻。

結語

系統動力學不是一套複雜的理論，而是一副看問題的眼鏡 — 戴上它，你會開始注意到那些原本看不見的迴路，看見那些在時間延遲後才顯現的後果，也看見那些「好意的決策為什麼帶來壞結果」的結構性原因。這套方法在 MIT 誕生至今超過七十年，始終沒有成為主流組織決策工具的最大原因，是它的學習門檻。

把系統動力學封裝成 Methodology Skill，搭配 AI 的引導能力，讓這個門檻第一次真正降低。不是透過簡化方法，而是透過設計一套正確的提問序列 — 讓每一個使用者，不管有沒有系統動力學的背景，都能在一次對話中完成從現象到結構、從結構到槓桿點的完整診斷流程。工具的價值，從來不在於它有多精緻，而在於有多少人真正用上了它。