一个内容平台把"日活跃用户"设为所有团队的核心指标，按周进行排名。平台又把日活目标逐级拆成签到人数、内容更新频次、拉新人数等团队指标。

第一周，日活上升。领导很高兴，觉得自己管理很有成效。

一个月后，奖励成本翻倍，真实互动反而在降。

发生了什么？

运营团队加了签到奖励，用户来了，但大部分用户只领奖励不看内容。创作者把长视频拆成几十秒的短片，更新频次上去了，但用户满意度和总观看时长在降。渠道团队买了更便宜但留存更差的流量，日活数字好看，但七日留存跌了。

总部发现问题，收紧作弊规则。团队又把资源转向规则尚未覆盖的行为。

再收紧。再转向。

每一轮治理，都触发了新一轮的策略更新。

管理层的判断是："执行不彻底。"真的是这样的吗？

问题出在一个更早的假设上：领导把会学习的人，当成了不会反应的齿轮。

运营团队在学，学怎么用最小成本凑够日活。创作者在学，学怎么用最少的制作成本完成更多次更新。用户在学，学怎么只在有奖励时出现。渠道在学，学怎么买到最便宜的"人头"。

每个人都在根据结果调整做法，他们的调整又会改变别人的选择条件。

领导以为自己面对的是一套可以拆解、控制的机器。但他们面对的是会观察规则、调整行为的人。

管理者在观察团队，团队和用户也在研究规则，如果推荐算法也会根据新数据更新，它也会加入这场彼此调整共同适应的游戏。

要理解这个差别，先做一个对比。

一块机械表，零件几百个，关系精密得惊人。但齿轮不会因为昨天转得快，今天就自己调整转速。零件坏了，换一个新的，系统恢复原样。

这叫繁杂，零件多，关系精密，但关系相对固定，可以拆开，可以分别设计，可以修。

再看一个市场。交易者可能不多，但每个人都在盯着价格变动作判断。你买了，价格动了，别人看到新价格改变了判断，他的买卖又推动价格再变。

这样的市场就可能成为复杂适应系统。人数未必很多，但每个人都会观察结果、调整策略，而且他们的做法，会改变别人面对的环境。

差别就在这里：齿轮不会学习，交易者会。而且交易者的做法会改变别人面对的环境——你一买，价格就变了，别人看到的价格已经不是刚才那个了。

不过，光有"会学习"还不够。复杂适应系统里，通常有多个不同的参与者，他们掌握的信息有限，追求的目标也不完全相同。这些人持续互动，根据结果调整做法。局部选择汇聚成整体结果，整体结果又反过来改变他们下一轮的行为。

所以复杂不取决于零件多少。参与者不算多也没关系，只要他们持续观察、调整并相互影响，系统就可能进入共同适应。反过来，一个系统看起来很难理解，不等于它就是复杂适应系统。

回到开篇的KPI场景。运营加奖励，改变了用户面对的条件。用户、创作者、算法各自的调整碰到一起，又改变了每个人下一轮面对的条件。这就是共同适应。

这类系统可以有管理者，但没有任何一个中心能完全规定它的演化路径。当参与者互相适应时，没有任何一方能提前知道最终结果会走向哪里。

这类系统的标准名称叫做：复杂适应系统，是指包含许多在互动中适应或学习的成分的系统。原文：Complex adaptive systems (cas) — systems that involve many components that adapt or learn as they interact，简称CAS。这个定义由密歇根大学教授约翰·霍兰德在2006年提出。霍兰德是现代复杂适应系统理论的核心奠基者之一，1990年代在圣塔菲研究所对适应、规则发现和涌现进行了系统研究。

我们用一句大白话来讲：棋子会自己动，你走一步，棋盘也跟着变。

复杂适应系统很容易和另外三个概念混在一起。分清它们，才知道什么时候真的需要调用CAS。

古德哈特定律回答的是：指标一旦成为目标，为什么容易失真。CAS关心的范围更大：参与者怎样学习、相互应对，以及这些反应怎样改变下一轮局面。不是所有古德哈特现象，都需要动用完整的CAS框架。

反馈回路回答的是：结果怎样返回并影响下一轮行动。CAS进一步追问：接收反馈的主体会不会学习、调整策略，使下一轮的因果关系本身也发生变化。反馈回路是一种机制，CAS内部通常就包含反馈回路。

复杂系统科学的另外一个重要概念涌现回答的是：比如一群鸟没有领队，但飞起来像一架飞机一样整齐；堵车时会出现"幽灵堵车"——前面没有事故，车流却突然停下来。这些没人指挥却自发出现的整体现象，就叫涌现。但涌现不等于CAS。一群鸟的飞行规则可能是固定的，它们并没有在"学习"。只有当参与者还会根据结果调整自己的策略或改变跟谁连接，这才是CAS真正关心的变化。

复杂适应系统可以存在中央规则和管理者，但没有任何一个中心能够完全规定系统的演化路径和最终结果。

为什么？

因为每个参与者都在做一件事：根据局部信息和既有规则行动；大家的行动叠加在一起，改变了整体环境；环境的变化又反馈给每个参与者，参与者调整策略或改变连接，在新环境中再次互动。

开篇的KPI案例就完美的契合了上述的逻辑：运营团队看到"日活"指标，决定加签到奖励。这是第一步，参与者根据局部信息行动。但同一时刻，创作者在拆内容，渠道在买流量，用户在学会薅羊毛。这些行动碰到一起，这是第二步。日活数字上升了，但真实互动在降，奖励成本在涨。平台上的用户行为、内容结构和留存一起变了，这是第三步。运营团队看到日活涨了很高兴，但留存下降还没有及时反映到当周排名里。等他们看到留存掉了，用户已经养成了"只领奖励"的习惯。反馈不完整而且延迟，这是第四步。参与者根据反馈调整策略，在新环境中再次互动。这是第五步。

第五步是关键。参与者不是在同一张棋盘上反复找最优解。他们每走一步，棋盘就在变形。

你再收紧。他们再找新空间。理解了棋盘会变形，就能理解一个常见现象：同一项政策，放在不同地方，为什么结果会完全不同。

做一个简化的思想实验。假设三座城市用相同补贴鼓励新能源配送车。每辆车补两万，条件一样，规则一样。

城市A的充电网络已经密集。司机拿到补贴换了电车，充电方便，运营成本立刻降下来，车队很快转型。补贴在这里只是推了一把，因为充电桩早就够了，司机缺的只是一个换车的理由。

城市B的充电桩不够。司机拿到补贴也换了电车，但很快发现排队充电要等四十分钟。这四十分钟的等待，吃掉了电费省下来的钱。司机算了一笔账：补贴到手两万，但每天少送四单，一个月就亏回来了。于是有人换回燃油车，有人干脆把电车闲置。补贴发了，充电桩没跟上，瓶颈不在车辆，在基础设施。

城市C一开始充电桩也不够。但城市C多了一类参与者：充电服务商。服务商看到补贴带来的需求上升，判断新能源车队会扩大，抢先扩建充电点。充电点多了以后，司机发现排队时间短了，换电开始划算，车队采用新能源车的速度加快。司机越多，充电站每天的流水越高，继续扩建新站点就越划算。服务商扩建，司机换车，站点更赚钱，继续扩建。参与者的适应还在改写这些条件本身。

补贴金额相同，三座城市走出了三条路。

为什么？

城市A的参与者只做了一件事：拿到补贴换车。系统条件没有因为补贴而改变；城市B的参与者也只做了一件事：发现充电桩不够，换回去。补贴碰到了瓶颈，但瓶颈没有被解决；城市C的参与者做了更多：服务商先动了，他们的行动改变了司机面对的环境；司机的行动又反过来加速了服务商的收益。行动改变环境，环境又改变行动，这才是复杂适应系统真正运转的样子。

同一项政策，进入不同的关系网络，参与者会作出不同反应，后面的路径也会不同。这种差异不能只归因于执行，系统条件和参与者反应同样重要。

不同系统会走向不同结果。但还有一个更麻烦的问题：参与者越来越会适应，系统就一定会越来越好吗？

说到"适应"，大多数人会想到进化——适者生存，越适应越好。

但适应不等于进步。

想想导航软件。一条路堵了，导航把一部分车导到备选路线。备选路线也堵了。导航再把车导到第三条路。每辆车都选了当下最快的路，所有车加在一起，却可能让整张路网更慢。问题恰恰在这里：每个人的选择都很合理，合在一起却可能伤害整体。

参与者可能为争夺相对优势不断加码，形成资源争夺或监管套利。每个人都在适应环境，合在一起却可能损害环境本身。

适应是事实。适应的方向好不好，是另一个问题。

理解了"适应不等于进步"，就能理解一个管理者经常遇到的现象：第一次干预有效，第二次就不管用了。

你收紧了签到奖励规则。第一周，作弊行为下降，日活"水分"挤掉了。一个月后，负责日活指标的团队发现签到奖励受限以后，还可以把奖励条件改成"浏览满30秒"。用户很快学会了挂机。

这不是原来的规则失效了——原来的规则确实堵住了签到作弊。问题是堵住一个出口，参与者会找到下一个出口。

你在做调整，他们再找新空间。

为什么？

因为参与者在学习。你第一轮的干预，对他们来说是新的环境信息。他们收到信息，分析规则边界，找到新的行动空间。你的干预改变了他们的环境，他们的适应又改变了你面对的环境。

第一轮看上去有效，有时只是因为参与者还没来得及适应。等他们摸清规则，原来的效果就可能衰减、转移，甚至反过来。原来的问题可能减轻，也可能换个地方出现，甚至产生反效果。

所以"第一次有效"不能得出"长期有效"结论。每次干预以后，都要继续观察：参与者怎样应对了？效果是衰减、转移还是反向？

既然结果由许多参与者共同生成，管理者真正能动的，就不只是最终指标，而是参与者在什么条件下学习和行动。

管理者真正能动的，通常有五个地方。回到开篇的内容平台，具体可以这样做：

第一，边界。哪些地方可以试，哪些红线不能碰？允许团队试验，但设定奖励成本、虚假活跃和用户骚扰的红线。

第二，信号。团队看到的是日活，还是用户真实留下来的结果？不只看日活，同时快速反馈留存、有效观看、互动和成本。

第三，激励。一个团队把数字做高以后，代价是不是被别人承担了？运营团队的日活指标达标了，但留存指标塌了，因为激励设计鼓励了"把成本转移出去"的行为。

第四，连接。一个环节发生变化，其他受影响的团队能不能及时看见？让运营、内容、渠道共同看到同一次干预的连锁结果。经验不流动，同一个坑会被踩一遍。

第五，记忆。上一次规则调整后发生了什么，下一次还会不会从头再来？记录规则修改后，参与者第一轮、第二轮分别如何反应。

管理没有消失，只是重点变了：从直接命令结果，转向设置试错边界、改善反馈，并把错误限制在可承受范围内。

如果你遇到一个管理问题，想用CAS视角来分析，可以走五步：

1. 找出谁会根据干预改变行为；

2. 看清每个参与者追求什么；

3. 推演第一轮和第二轮反应；

4. 用小范围、可逆的试验获取反馈；

5. 根据新的行为继续调整规则。

这是思维模型系列的第92篇。