Złożoność jest wszędzie wokół nas. W naszym życiu codziennym zauważamy złożoność w ruchu ulicznym, zmianach pogody, zmianach w populacji, zachowaniach organizacji, zmianach opinii publicznej, rynkach papierów wartościowych, w rozwoju miast, a nawet w występowaniu epidemii. Podobnie jak wszystkie systemy w naszym życiu, biznes też jest złożonym systemem, w większości przypadków powstałym w wyniku połączenia kilku innych złożonych systemów. Tradycyjne podejście do analizowania złożonych systemów nosi nazwę „redukcjonizmu”, co oznacza, że duże systemy zostają podzielone na wybrane elementy składowe, z których każy jest badany osobno. Podejście to jest używane regularnie, gdy przedsiębiorstwo szuka wydajności w swoich wewnętrznych procesach, zwykle działając niewydajnie z wielu różnych powodów. Rozmiar złożonych systemów zwykle uniemożliwia przeprowadzenie analizy. O ile wskazanie pozczególnych składników systemu może być bardzo proste, o tyle zrozumienie szczegółowych powiązań i interakcji między komponentami jest bardzo trudne. Redukcjonizm zwykle wymaga dokonania wielu założeń i przybliżeń. Te przybliżone modele systemu muszą być zawężone, żeby dobrze odwzorować świat rzeczywisty. Modele te stają się nieprzydatne przy podejmowaniu decyzji, jeśli którekolwiek z założeń okaże się błędne.

Złożone systemy charakteryzują się nieaddytywną naturą. W świecie biznesu staje się oczywiste, że „całość jest czymś więcej, niż tylko sumą jej elementów”. Konsekwentnie, nawet jeśli udałoby się zrozumieć pojedyncze składniki złożonego systemu w każdym szczególe, to zrozumienie złożonego systemu jako całości nie byłoby prostym złożeniem wiedzy o pojedynczych elementach. Bardziej naukowy sposób wyjaśnienia natury nieaddytywności, to przedstawienie złożonych systemów jako wysoce nieliniowych.

Systemy nieliniowe nie reagują, jak się zwykle przypuszcza, przez wzrost. Fenomen ten udało się zaobserwować wielokrotnie, gdy przedsiębiorstwa próbowały rozszerzyć swoją działalność. Całkowita wydajność nie jest prostą funkcją liczby ludzi i dostępnych zasobów. Jeśli firma produkuje 10000 jednostek dziennie wykorzystując 100 pracowników, to niekoniecznie podwoi ona swoją produkcję zatrudniając dodatkowe 100 osób. Produkcja zwykle reaguje w sposób nieliniowy przyjmując wartość dużo większą albo dużo mniejszą niż zakładana. Silne i rentowne firmy często narażają się na ten efekt przy próbach zbyt szybkiego wzrostu.

Skoro zatem redukcjonizm jest nieefektywną metodą analizowania złożonych systemów, to jakie metody są efektywne?

W ciągu kilku ostatnich dziesięcioleci powstała nowa nauka pozwalająca lepiej zrozumieć funkcjonowanie złożonych systemów. Nauka złożoności, to nauka o systemach złożonych z wielu skomplikowanych elementów, które oddziałują na siebie wzajemnie w sposób nieliniowy. Nauka złożoności pokazała nam, że dynamika wszystkich złożonych systemów, zarówno biologicznych, jak i stworzonych przez człowieka jest bardzo podobna. To zapoczątkowało stworzenie nowych metod i narzędzi analizowania tych systemów.

Skoro złożone systemy zachowują się w sposób nieliniowy, konieczne staje się wykrycie kiedy i jak pojawiają się zmiany. Bazując na wcześniejszym przykładzie, jeśli wydajność nie jest prosto skorelowana z liczbą pracowników i zasobami, skąd możemy się dowiedzieć jakie zasoby są niezbędne do sprostania danemu poziomowi wydajności. Te niezbędne poziomy lub zwyżki w zasobach nazywane są fazami przejściowymi, zaś nauka złożoności dała nam sposoby zidentyfikowania kiedy i gdzie się one pojawią. Kiedy już znajdziemy taką fazę przejściową, wiemy jakich zmian należy dokonać, aby pożądana produkcja mogła mieć miejsce.

Jednym z przełomowych odkryć w nauce złożoności jest tak zwane „wyłonieniem” lub inaczej fenomen, w którym ogólne zachowania powstały z kilku prostych reguł. W przedsiębiorstwie reguły te można określić jako: „wypełnij całkowicie ciężarówkę zanim ją wyślesz”, „jedno pudło powinno zawierać 25 sztuk” lub „zmiana trwa dokładnie 8 godzin”. Zachowanie wynikające z tego może być takie, że transport zawsze będą miały tendencję do nadejścia zbyt późno. Klasyczny przykład „wyłonienia” pochodzi z badania stad ptaków. Stado wygląda na grę „podążaj za przywódcą”, w której każdy z ptaków ma wyznaczone miejsce zgodnie z rangą. W rzeczywistości każdy ptak zwyczajnie stosuje kilka prostych reguł. Reguły te to na przykład: „unikaj zderzeń z innymi ptakami”, „leć w tym samym kierunku co reszta stada” i „leć z ptakami swojego gatunku” . Z tych reguł wyłania się zachowanie stada.

Modelowanie wieloagentowe jest techniką wywodzącą się z nauki złożoności, która pozwala znaleźć zachowania wyłaniające się ze złożonych systemów. Agent w oprogramowaniu replikuje swój rzeczywisty świat kierując się kilkoma prostymi zasadami. Są one potem badane w symulowanym środowisku, gdzie wyłaniające się zachowania są generowane. Wieloagentowy model może być później użyty do określenia, które z reguł powinny zostać zmienione, by stworzyć nowe wyłaniające się zachowanie. Na przykład taki wieloagentowy model może być użyty do rozwiązywania problemów biznesowych. Wyobraź sobie firmę, która zawsze spóźnia się z dostawami. Można zbudować prosty model, który odtwarzałby system ze świata rzeczywistego. W tym przykładzie, ciężarówki, fabryki, magazyny i linie montażowe mogą być wymodelowane jako niezależni agenci oprogramowania, każdy ze swoim własnym zestawem prostych reguł. Następnie agentom tym pozwala się działać dowolnie w symulowanym środowisku. Symulacja powinna szybko odtworzyć opóźnienia w dostawach, które mają miejsce w rzeczywistości.

Następnie pozwala się modelowi dokonać zmian w zestawie reguł. Na przykład ciężarówki będą mogły opuszczać fabrykę napełnione tylko do połowy lub pracownicy będą pracować mniej lub więcej. Kolejny krok to ocena działania przez symulację, przy której zakłada się brak opóźnień w dostawach. Model potrafi szybko znaleźć zestaw reguł, który maksymalizuje nasz cel. W podobny sposób model wieloagentowy może być użyty do określenia faz przejściowych lub punktów, gdzie minimalne zasoby rzeczowe lub godziny pracy pozwolą osiągnąć najlepsze rezultaty. Określenie tych punktów jest kluczem do podejmowania najlepszych decyzji biznesowych.

Przez następną dekadę, wnioski wyciągnięte z nauki złożoności pozwolą na osiągnięcie zadziwiających postępów w biznesie, działaniu rządów i operacjach wojskowych. Pierwsi, którzy zastosowali tą technologię już osiągnęli znaczące rezultaty. Nowe produkty mogą gwałtownie przeniknąć w głąb rynków konsumenckich dzięki zrozumieniu w jaki sposób informacje zawarte w kampaniach marketingowych przekazywane są w ramach sieci powiązań społecznych. Zarówno ruch uliczny jak i pieszy został tak przeanalizowany, że autostrady nie mają tendencji do „korkowania się”, zaś parki rozrywki mają zapewnione przepływy nawet jeśli niektóre z atrakcji są nieczynne. Scenariusze bitewne mogą być symulowane, tak aby znaleźć najbardziej efektywną strategię przeciwko danemu wrogowi, zaś handel narkotykami można zredukować określając, które części sieci są najbardziej istotne. Niezwykle emocjonujące może okazać się zobaczenie, jakie niewiarygodne efekty czekają tuż za rogiem.