آیندهپژوهی و آیندهنگاری بیش از آنکه به پیشبینی آینده مربوط باشند، به درک و تفسیر تغییرات مرتبطاند. پژوهشگران و تحلیلگران آینده با حجم زیادی از دادهها، روندها، پیشرانهای تغییر، سیگنالهای ضعیف و عدمقطعیتها مواجهاند و باید از میان آنها بینشهایی معنادار برای تصمیمگیری استخراج کنند. در این میان، استدلال نقش محوری دارد. اینکه چگونه از دادهها به الگو، از الگو به فرضیه و از فرضیه به سناریو برسیم، به نوع استدلالی بستگی دارد که به کار میگیریم.
ابزارهای ذهنی برای فرآوری دادههای آیندهپژوهانه
برای تبدیل دادهها و مشاهدات به بینشهای آیندهنگرانه، آیندهپژوهان و آیندهنگاران از شیوههای مختلف استدلال استفاده میکنند. سه رویکرد اصلی در این زمینه شامل استدلال قیاسی، استدلال استقرایی و استدلال ربایشی است. هر یک از این رویکردها مسیر متفاوتی برای تحلیل اطلاعات و رسیدن به نتیجه طی میکنند. همانگونه که شکل ۱ جزئیات ساختاری این سه شیوه را به تصویر میکشد، تفاوت این سه رویکرد در نحوه حرکت میان دادهها، الگوها، فرضیات و تبیینهاست. این نوشتار در ادامه، ابعاد و کاربردهای عملیاتی هر یک از این شیوهها را در حوزه آیندهپژوهی واکاوی میکند.

استدلال قیاسی(آزمودن فرضیات درباره آینده)
استدلال قیاسی (Deductive Reasoning) از یک گزاره یا فرض کلی آغاز میشود و به نتایج مشخص میرسد. در این شیوه، تحلیلگر ابتدا یک فرضیه، مدل یا چارچوب مفهومی در اختیار دارد و سپس دادهها را برای ارزیابی درستی آن بررسی میکند.
کاربرد قیاس در تحلیل پیشرانهای شناختهشده
این نوع استدلال در آیندهپژوهی، زمانی کاربرد دارد که بخواهیم پیامدهای یک روند یا پیشران شناختهشده را تحلیل کنیم. برای مثال، اگر فرض کنیم گسترش هوش مصنوعی بسیاری از فعالیتهای تکراری را خودکار خواهد کرد، میتوانیم آثار این تحول را بر بازار کار، مهارتهای موردنیاز و ساختار سازمانها بررسی کنیم. در اینجا تحلیل از یک فرض اولیه آغاز شده و به نتایج مشخصی منتهی میشود.
محدودیتهای اتکا به فرضیات پیشفرض
استدلال قیاسی به آیندهنگاران کمک میکند سناریوها، فرضیات و گزارههای راهبردی خود را محک بزنند. با این حال، از آنجا که آینده همواره با عدمقطعیت همراه است، اتکا به فرضیات از پیش تعیینشده ممکن است برخی تغییرات نوظهور یا تحولات غیرمنتظره را از دید تحلیلگر پنهان کند. به همین دلیل، تحلیلگران این روش را معمولاً در تلفیق با سایر رویکردهای استدلالی پیش میبرند.
استدلال استقرایی (کشف روندها و الگوهای نوظهور)
برخلاف استدلال قیاسی، استدلال استقرایی (Inductive Reasoning) از مشاهده جزئیات آغاز میشود و به نتایج کلی میرسد. در این رویکرد، تحلیلگر بدون تکیه بر فرضیات از پیش تعیینشده، دادهها را بررسی میکند تا الگوها و روندهای معنادار را شناسایی کند.
نقش پویش محیطی در استخراج سیگنالهای ضعیف
بخش قابل توجهی از فعالیتهای آیندهپژوهی بر همین منطق استوار است. رصد روندها، شناسایی پیشرانهای تغییر، تحلیل سیگنالهای ضعیف و پایش محیط همگی تلاش میکنند از میان انبوه دادهها، الگوهایی را آشکار سازند که میتوانند بر آینده اثرگذار باشند.
نقش پویش محیطی در استخراج سیگنالهای ضعیف
برای مثال، افزایش سرمایهگذاری در انرژیهای تجدیدپذیر، رشد خودروهای برقی، سیاستهای کربنزدایی و تغییر ترجیحات مصرفکنندگان، مجموعهای از نشانهها هستند که میتوانند به یک نتیجه کلی منجر شوند: حرکت نظام انرژی جهان به سمت منابع کمکربن. تحلیلگران، این نتیجه را از ارزیابی همگرای مجموعهای از مشاهدات به دست میآورند.
استدلال استقرایی به آیندهنگاران کمک میکند روندهای نوظهور را شناسایی کرده و تصویری مبتنی بر شواهد از مسیرهای احتمالی آینده ترسیم کنند. متخصصان از این شیوه به عنوان یکی از ارکان محوری در تحلیل روند یاد میکنند.
استدلال ربایشی (پلی میان امروز و آیندههای ناشناخته)
درحالی که استدلال قیاسی برای آزمون فرضیات و استدلال استقرایی برای کشف الگوها مناسب است؛ استدلال ربایشی (Abductive Reasoning) ابزاری برای مواجهه با ناشناختهها به شمار میرود.
این نوع استدلال زمانی به کار میآید که اطلاعات موجود ناقص باشد و هنوز توضیح روشنی برای پدیدههای مشاهدهشده وجود نداشته باشد. در چنین شرایطی، تحلیلگر تلاش میکند محتملترین تبیین را برای دادههای موجود ارائه دهد و بر اساس آن فرضیههای جدیدی درباره آینده شکل دهد.
جایگاه روایتسازی در تبیین آیندههای ناشناخته
اهمیت استدلال ربایشی در آیندهنگاری از آنجا ناشی میشود که آینده هنوز رخ نداده است و در بسیاری از موارد شواهد کافی برای تحلیل قطعی وجود ندارد. آیندهنگاران ناچارند از میان نشانههای پراکنده، روایتهایی درباره آینده بسازند و امکانهای جدید را تصور کنند.
کشف روندهای کلان از سیگنالهای خرد
برای مثال، ظهور فناوریهایی مانند هوش مصنوعی مولد، رایانش کوانتومی یا رابطهای مغز و رایانه، پرسشهای متعددی درباره آینده کسبوکارها، اشتغال و سبک زندگی ایجاد کردهاند. هنوز پاسخ قطعی برای این پرسشها وجود ندارد، اما میتوان با استفاده از استدلال ربایشی، سناریوهای مختلفی را درباره پیامدهای احتمالی این تحولات طراحی کرد.
به همین دلیل، بسیاری از متخصصان آیندهپژوهی، استدلال ربایشی را مهمترین مهارت در سناریونویسی، خلق آیندههای جایگزین و توسعه تفکر آیندهنگرانه میدانند.
ترکیب سه نوع استدلال در آیندهپژوهی
در عمل، آیندهپژوهی بر یک شیوه استدلال تکیه نمیکند. تحلیلگران آینده معمولاً میان استدلال استقرایی، قیاسی و ربایشی در حرکت هستند.
آنها ابتدا با رصد محیط و تحلیل دادهها، روندها و پیشرانهای تغییر را شناسایی میکنند؛ مرحلهای که عمدتاً مبتنی بر استدلال استقرایی است. سپس با استفاده از استدلال ربایشی، سناریوهای مختلف و روایتهای بدیل از آینده را توسعه میدهند. در نهایت، از استدلال قیاسی برای ارزیابی انسجام سناریوها و آزمون فرضیات راهبردی استفاده میکنند.
فرضیهسازی ربایشی در مواجهه با فناوریهای نوظهور
این جابهجایی مستمر میان استدلال استقرایی، قیاسی و ربایشی یکی از ویژگیهای اصلی تفکر آیندهنگرانه است. آیندهنگاران از استدلال استقرایی برای شناسایی روندها و پیشرانهای تغییر، از استدلال ربایشی برای توسعه سناریوها و تصور آیندههای جایگزین و از استدلال قیاسی برای آزمون فرضیات و ارزیابی انسجام سناریوها استفاده میکنند. ترکیب این سه رویکرد به سازمانها کمک میکند درک عمیقتری از عدمقطعیتها، فرصتها و تهدیدهای پیش رو به دست آورند. به همین دلیل، تسلط بر این سه شیوه استدلال را میتوان یکی از مهارتهای بنیادین هر آیندهپژوه، تحلیلگر روند، سناریونویس و متخصص آیندهنگاری دانست؛ مهارتی که به تبدیل دادهها و نشانههای پراکنده به بینشهای راهبردی و تصمیمهای آگاهانه کمک میکند.
منبع: medium
