Коллектив авторов - Ситуационные центры развития как интеграторы государственного управления в саморазвивающихся полисубъектных средах

Таким образом, требуется новая парадигма СУ. В этой парадигме экстенсивное совершенствование заменяется интенсивным, многие задачи приобретают обратный характер, субъект становится неотъемлемой частью систем поддержки принятия решений, что, в свою очередь, на упомянутые выше десятки порядков (а в отдельных случаях – до бесконечности) повышает сложность системы управления. Система распределенных ситуационных центров развития становится основной институциональной и цифровой платформой для поддержки коллективных процессов консолидации участников на всех уровнях управления.

Классический подход к ситуационному управлению имеет длинную историю, соизмеримую с историей развития кибернетики, а значит исчисляемую несколькими тысячами лет. Вместе с тем научный разрез этого подхода можно датировать второй половиной прошлого века. Его появление связано, скорее всего, с появлением компьютеров и началом становления дисциплины искусственного интеллекта (ИИ). Сначала все родимые пятна ИИ принадлежали и ситуационному управлению. Акцент в его развитии в основном делался на представлении знаний об объекте управления и способах управления на уровне логико-лингвистических моделей, применении логического вывода в процессах построения многошаговых решений и распознавании ситуаций [34] Поспелов Д. А. Ситуационное управление: теория и практика – М.: Наука, 1986. – 288 с. [35] Попов Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. – М.: Наука, 1987. – 288 с. .

Цифровая трансформация экономики наших дней подразумевает внедрение технологических новшеств, порождающих качественно новую синергию, создающих условия для эмерджентности и дающих прорывной, подрывной (disruptive) эффект. Этот эффект является необходимым условием быстрого роста конкурентоспособности продукции на мировых и отечественных рынках, принципиальным улучшением качества жизни людей, созданием неведомых ранее устройств и утилизацией старых и пр. Новые технологии и бизнес-модели перелицовывают промышленность, сервисы и сектора экономики, сквозные цифровые технологии ломают границы между отраслями и компаниями, научные исследования становится все более междисциплинарными. Сквозные цифровые процессы дают практически неограниченные возможности для развития бизнеса. Например, транспортные компании развивают программные приложения для совместной реализации поездок, системы управления интеллектуальной собственностью делают опору на блокчейн, банки переходят на финтех, прогнозирование рынка делается с учетом его непредсказуемых флюктуирующих изменений, порождаемых девиацией неформализуемой мечты [36] Райков А. Н. Метафизика мечты// Экономические стратегии. – 2006. № 3 (С. 16–23) и № 4 (С. 22–25) .

Явно меняются подходы к проведению научных исследований. Так, все больше проявляются такие явления, как «наука данных», в науку вмешивается краудсорсинг. Весомые научные результаты получаются на основе анализа больших данных в определенной предметной области. Для этого накапливаются соответствующие массивы данных в геологии, здравоохранении, астрономии, физике, энергетике [37] Воропай Н. И., Губко М. В., Ковалев С. П., Массель Л. В., Новиков Д. А., Райков А. Н., Сендеров С. М., Стенников В.А… Проблемы развития цифровой энергетики в России. № 1. 2019, – С. 2–14. doi: http://doi.org/10.25728/pu.2019.1.1 , биоинформатике, мониторинге климата, в исследованиях на основе численного моделирования и др. [38] Зацаринный А. А., Колин К. К. Методологические основы системного подхода к созданию информационных систем в условиях глобализации общества // Стратегические приоритеты. – 2018. – № 1. – С. 38–62. . Вместе с тем есть риск, что анализ больших данных не позволит найти оригинального решения, ведь изобретение является продуктом инсайта человека или группы людей [39] Raikov A. Convergent networked decision-making using group insights. Complex & Intelligent Systems. December 2015, Volume 1, Issue 1, pp 57–68 (DOI 10.1007/s40747-016-0005-9). doi: 10.3182/20080706-5-KR-1001.0644 . А инсайт происходит, как правило, в иной ситуации, даже не смежной. Анализ больших данных загоняет процесс поиска в экстраполяционном направлении, ведь нейронные структуры и статистические подходы свои прогнозы строят на основе предыдущей истории, и, как правило, в шорах сложившегося конечного базиса факторов. На получение же прорывного результата прошлый опыт может накладывать существенные ограничения.

Основные причины проявления таких ограничений лежат в инерционности логического склада мышления, диктате имеющихся нормативов, невозможности устранения междисциплинарных барьеров, потребности формирования новых институтов на основе разрушения старых, необходимости сокращения рабочих мест и набором сотрудников с новыми компетенциями и многом другом. Примерами появления принципиально новых решений служат давние прорывы с созданием радио, самолета и трактора, а сейчас – социальные сети, смартфоны, туманные вычисления, блокчейн, квантовые семантики, оптические компьютеры, голографические процессоры и др. Некоторые из новых технологий пока только очень избирательно обсуждаются в узких научных кругах, а некоторые вообще не обсуждаются и находятся на уровне фантазий середины прошлого века, например, Айзека Азимова.