”Innovoinnin tiede vapauttaa ihmisessä piilevän luovuuden. Se tutkii kompleksista maailmaamme etsiessään kohtia, vipuvarsia, joissa muutos voi alkaa vastuullisesti. Näin tehdessään se nojaa perinteiseen tieteenfilosofiaan ja systeemitieteeseen.”
Innovoinnin tiede tutkii maailmaa kaksidimensioisesti jatkumoina ja holarkoina; jatkumoajattelu ja holarkiarakenne muodostavat napakoordinaatiston. ”Everything is a system. Kaikki kohteet ovat systeemeitä, ja kaikki voidaan mallintaa.”
GoodReason on siihen tähtäävä teknologia. Perusaksioomeja, jotka näkyvät kaikkialla siinä (credo/aksiooma):
- Innovointi ei ole dataa.
Innovointi on luovan järjestyksen syntymistä, ei pelkkää informaatioyksiköiden kasaamista. - Tiede määrittyy tässä ja nyt.
Ei vain vanhojen mallien jatkamisena, vaan grounded theory -periaatteella: käsitteet rakentuvat kokemuksesta ja kontekstista. - Arvo ei synny määrästä, vaan rakenteesta.
Ontologinen selkeys ja systemaattinen viitekehys (esim. α–Ω) erottavat “Innovoinnin tieteen” informaatiotulvasta. - Järki ja ymmärrys täydentävät tiedettä.
Kantin kolmiyhteys (tiede – järki – ymmärrys) nostetaan tieteen rinnalle, ei sen alaisuuteen. - Aliarvostuksen ehkäisy = itse määrittely.
Jos tiede ei nimeä itseään, joku muu tekee sen. Siksi on välttämätöntä rajata ja kuvata tämä uusi tiede niin, ettei se huku netin satunnaiseen “innovaatiokeskusteluun”.
Vapauttamisen historiaa
Miksi tärkeä: Yliopistot
Tämän kysymyksen ydin on vastata haasteeseen ”Miksi nyt?”. Tässä on muutamia lauseita, joita voit käyttää sivustollasi kuvaamaan, miksi systeemisyyteen pohjautuva innovoinnin metodiikka on nyt erityisen tärkeää ja relevanttia yliopistoille.
Miksi juuri nyt?
Globaalien haasteiden, kuten ilmastonmuutoksen ja taloudellisen epävakauden, keskellä perinteiset, erillisiä ongelmia ratkovat lähestymistavat ovat riittämättömiä. Yhteiskunta tarvitsee uudenlaisen ajattelutavan, joka käsittelee näitä ongelmia kokonaisvaltaisesti ja systeemisesti. Systeeminen innovointi auttaa yhdistämään erikoistuneita aloja, kuten tietoteoriaa, tekoälyä ja sosiologiaa, luoden monitieteisiä ratkaisuja. Tämä lähestymistapa on välttämätön, jotta yliopistot voivat kouluttaa uuden sukupolven asiantuntijoita, jotka kykenevät navigoimaan monimutkaisessa ja nopeasti muuttuvassa maailmassa.
Kriisit ja haasteet (SWOT-analyysi)
Systeeminen ja kyberneettinen lähestymistapa innovaatioon tarjoaa työkaluja, joilla voidaan vastata nykyajan suurimpiin haasteisiin.
Vahvuudet (Strengths)
- Holistinen näkemys: Metodiikka yhdistää eri tieteenaloja ja näkökulmia, mikä mahdollistaa monimutkaisten ongelmien syvemmän ymmärtämisen ja kokonaisvaltaisten ratkaisujen kehittämisen.
- Kestävyys: Systeemiset ratkaisut pyrkivät ennaltaehkäisemään ongelmia ja luomaan kestäviä, pitkäaikaisia vaikutuksia, sen sijaan että ne paikkaisivat vain oireita.
- Mukautuvuus: Kyberneettinen näkökulma korostaa itsekorjaavia ja sopeutuvia järjestelmiä, jotka voivat vastata uusiin haasteisiin joustavasti.
Heikkoudet (Weaknesses)
- Kompleksisuus: Systeemisen ajattelun omaksuminen vaatii perusteellista muutosta perinteiseen, erillisiä ongelmia ratkovaan ajatteluun. Sen opettaminen ja soveltaminen voivat olla haastavaa.
- Resurssit: Metodiikan käyttöönotto vaatii usein merkittäviä investointeja aikaan ja resursseihin, sillä se edellyttää eri asiantuntijoiden yhteistyötä ja uusien prosessien luomista.
Mahdollisuudet (Opportunities)
- Johtajuus: Yliopistot, jotka ottavat tämän lähestymistavan käyttöönsä, voivat asettua edelläkävijöiksi ja luoda uusia koulutusohjelmia ja tutkimusaloja.
- Vaikuttavuus: Systeeminen innovointi voi lisätä tutkimuksen ja kehityksen yhteiskunnallista vaikuttavuutta, sillä sen tulokset ovat paremmin sovellettavissa todellisiin, monimutkaisiin ongelmiin.
Uhat (Threats)
- Muutosvastarinta: Akateemisissa piireissä voi olla vastustusta uusien, monitieteisten lähestymistapojen käyttöönotolle, koska ne haastavat perinteisiä tieteenalarajoja.
- Kilpailu: Muut organisaatiot voivat omaksua samankaltaisia lähestymistapoja, mikä luo kilpailua ja vaatii jatkuvaa kehitystä pysyäkseen kärjessä.
Miten se auttaa?
Systeemi- ja kybernetiikkatieteet, jotka muodostavat Innovoinnin tieteen perustan, tarjoavat konkreettisia ratkaisuja näihin haasteisiin. Ne opettavat ymmärtämään, miten eri komponentit ja toimijat vuorovaikuttavat keskenään, mikä on välttämätöntä suunnittelutieteen soveltamisessa monimutkaisissa järjestelmissä. Tämän seurauksena yliopistot voivat siirtyä perinteisestä ongelmanratkaisusta kohti kokonaisvaltaista järjestelmien suunnittelua, joka luo kestäviä ja resilienttejä ratkaisuja tulevaisuuden haasteisiin.
Systeemitieteen perustan luominen
Systeemitieteelle perustan luominen samalla tavalla kuin Alan Turing loi perustan tietokoneelle tarkoittaisi abstraktin perusmallin tai ”koneen” suunnittelemista, joka pystyy kuvaamaan ja ratkaisemaan minkä tahansa systeemin ongelman. Turing-kone oli matemaattinen malli, joka osoitti, mitä tietokone voi periaatteessa tehdä. Vastaavasti, sinun ”systeemikoneesi” tarvitsisi muutamia perusaksioomia.
- Lähtökohta: Vahva aksiomaattinen perusta, joka määrittelee universaalin tavan kuvata systeemejä. Mallisi 7C-arkkitehtuuri tarjoaa hyvän lähtökohdan tällaisille aksioomille.
- Aksioomat: Perusperiaatteet, joita ei tarvitse todistaa. Esimerkiksi: Connection (yhteys) on välttämätön, Conversion (muunnos) mahdollista, ja Control (säätely) vaaditaan. Nämä kolme perusaksioomaa voisivat olla sinun Turing-koneesi perusosat.
- Universaalisuus: Kuten Turingin universaali kone voi simuloida mitä tahansa tietokonetta, sinun mallisi täytyisi kyetä kuvaamaan mitä tahansa systeemiä.
Innovoinnin tiede
Innovoinnin tieteellinen tutkimus on jo olemassa oleva ala, mutta se on hajanainen. Tavoitteesi on yhdistää se systeemitieteeseen, luomalla teoreettinen perusta, joka ennustaa ja kuvaa innovaatioprosessia. Voisit määritellä innovoinnin uudenlaiseksi systeeminä, jossa on:
- Input: Ongelma tai tarve (Connection).
- Prosessointi: Tiedon ja ideoiden muuntaminen (Conversion).
- Output: Uusi ratkaisu tai tuote (Control).
- Palaute: Vaikutus ympäristöön, mikä johtaa uuteen kierrokseen (kuten kronosysteemissä tai VSM:ssä).
Mitä eroa Turing-koneeseen?
Turing-kone oli puhtaasti matemaattinen konstruktio, kun taas sinun mallissasi on sosiaalinen ja inhimillinen ulottuvuus. Tämä ero tekee mallistasi rikkaamman, mutta myös monimutkaisemman.
- Turing-kone oli algoritmi, joka käsitteli symboleja.
- Sinun mallisi käsittelisi paitsi symboleja, myös ihmisten välistä vuorovaikutusta (Conceptualization, Collective).