Che cos'è l'indagine apprezzativa? (Definizione, esempi

Approfondimenti chiave

• L’indagine valorizzativa si concentra sull’identificazione dei punti di forza
• Si tratta di un processo in quattro fasi: Scoperta, Sogno, Progettazione
• Incoraggiare un focus positivo aiuta a creare motivazione e coinvolgimento

In un ambiente economico globale imprevedibile, è forte la tentazione di approcciare la strategia con obiettivi specifici già in mente.

Nella maggior parte dei casi, questi sono focalizzati sui problemi e mirati a mitigare le minacce.

Le aziende comunemente si concentrano su ciò che non funziona e adottano una mentalità basata sulla “causa principale”, solo per ritrovarsi ad affrontare una serie di domande diverse ma correlate in futuro.

Domande come Come possiamo rimediare alla nostra mancanza di coinvolgimento? Cosa fare in caso di scarsa motivazione? Oppure perché le persone semplicemente non sono a bordo?

Il modello di indagine valorizzativa è uno dei principali approcci organizzativi positivi allo sviluppo e all’apprendimento collettivo. Qui, guardiamo come è sbocciato in uno dei movimenti più influenti per lo sviluppo organizzativo positivo negli ultimi decenni.

Prima di continuare, abbiamo pensato che potrebbe interessarti uporabnapsihologija.com. Questi esercizi dettagliati e basati sulla scienza aiuteranno i tuoi clienti a realizzare il loro potenziale unico e a creare una vita energizzante e autentica.

Che cos'è l'indagine apprezzativa?

L’indagine valorizzativa (AI) è un approccio collaborativo e basato sui punti di forza per il cambiamento nelle organizzazioni e in altri sistemi umani. Il termine “indagine apprezzativa” è quindi utilizzato per riferirsi a entrambi:

• Il paradigma dell’intelligenza artificiale: di per sé, si riferisce ai principi e alla teoria alla base di un approccio al cambiamento basato sui punti di forza; E
• Metodologia e iniziative di intelligenza artificiale: quali sono le tecniche specifiche e le fasi operative utilizzate per apportare cambiamenti positivi in ​​un sistema (Davidcooperrider.com, 2019).

Oppure prendiamo la nostra stessa definizione:

Concetti chiave nell'intelligenza artificiale

L’idea fondamentale alla base dell’intelligenza artificiale è che nel tempo è diventato sempre più comune per le organizzazioni affrontare il cambiamento e la crescita da una prospettiva di risoluzione dei problemi. Mentre le aziende mirano a migliorare l’efficienza, sopravvivere, ottenere risultati migliori e aumentare la competitività, i sostenitori dell’intelligenza artificiale sostengono che si è arrivati ​​a un’enfasi eccessiva e malsana nel correggere ciò che è sbagliato: una approccio basato sul deficit .

L'intelligenza artificiale è nata come una sfida a questi presupposti radicati e ha proposto che le organizzazioni possano invece trarre vantaggio da ciò che viene chiamato a basato sui punti di forza O approccio affermativo (Hammond, 2013). Questo approccio affermativo, a sua volta, presuppone che ogni sistema umano abbia a nucleo positivo dei punti di forza.

Questo nucleo positivo non è molto diverso dal modo in cui vediamo i punti di forza organizzativi nella letteratura manageriale convenzionale. In sostanza (e liberamente parafrasati dagli autori), possono essere considerati comprensivi di (Cooperrider

• I valori, le convinzioni e le capacità della nostra organizzazione quando è “al suo meglio”; E
• Comprensioni collettive su ciò che costituisce il meglio di noi.

Come concetto di psicologia organizzativa positiva, probabilmente l’intelligenza artificiale si comprende meglio osservandone l’evoluzione nel tempo.

Una breve storia

È utile conoscere un po’ la gestione scientifica e il “taylorismo” per vedere come e perché è nata l’intelligenza artificiale.

Gestione scientifica

La maggior parte dei leader e dei manager delle organizzazioni conosce già la gestione scientifica, ma per coloro che non la conoscono, si tratta di una scuola di pensiero che divenne famosa alla fine del XIX secolo. L’obiettivo della gestione scientifica era aumentare l’efficienza dei flussi di lavoro esaminandoli in modo analitico ed eliminando gli sprechi.

A quel tempo, Frederick Taylor, un ingegnere americano, fu ispirato ad applicare rigorose tecniche scientifiche per analizzare e migliorare il modo in cui lavoravano le persone. In generale, ciò è avvenuto attraverso la tempistica, la semplificazione e la standardizzazione dei compiti.

Gli approcci risultanti sono stati pesantemente criticati per aver promosso la visione delle aziende come macchine, piuttosto che come entità composte da persone. Un altro bel parallelo è che ha posto l'accento in modo abbastanza netto su risorse , piuttosto che il umano parte delle risorse umane. Una citazione diretta dell'uomo stesso fornisce un esempio:

Nel nostro schema non chiediamo l'iniziativa dei nostri uomini. Non vogliamo alcuna iniziativa. Tutto ciò che vogliamo da loro è obbedire agli ordini che diamo loro, fare quello che diciamo e farlo velocemente.

(Taylor, 1919)

Riparazione di macchine rotte

Gestione scientifica in its Oiginal fOm has not been popular fO close to a century. However, AI proponents point to lots of evidence thA ‘deficit-centered’ thinking has remained heavily embedded in managerial E OganizAional practice (Cooperrider & Srivastva, 1987).

Cambiare le organizzazioni, in questo senso, significava identificare, stabilire e correggere le cose che non funzionavano, riassunte chiaramente come “indagine sulle esperienze di deficit” di Bushe (2013), un esperto di intelligenza artificiale.

Gli esempi comunemente citati includono analisi delle esigenze organizzative, definizione dei problemi, analisi delle cause profonde e simili.

Verso un approccio basato sui punti di forza

Fonte: Davidcooperrider.com (2011)

In reazione a questa eccessiva enfasi percepita, l’intelligenza artificiale è emersa come un approccio alternativo al cambiamento e allo sviluppo organizzativo; un approccio affermativo che concentra l'indagine su cosa è giusto, cosa funziona e come lavorare per raggiungere la visione desiderata (Davidcooperrider.com, 2019).

Il modello di indagine valorizzativa è, come notato, basato sul principio secondo cui futuri organizzativi positivi possono essere raggiunti attraverso il coinvolgimento collettivo e metodi che affermano, costringono e accelerano l’apprendimento anticipatorio (Cooperrider et al., 2008).

Ben lungi dall’analizzare gli errori del passato e definire un percorso correttivo per il futuro. Un po’ più avanti esaminerò più da vicino il modello e la teoria in modo più dettagliato.

Uno sguardo a David Cooperrider

David Cooperrider è spesso considerato il pioniere del modello di indagine valorizzativa. Tuttavia, il paradigma stesso è stato sviluppato durante gli anni ’80 sia da Cooperrider che da Suresh Srivastva, il suo allora mentore.

Il potere delle domande

Cooperrider descrive il suo Ah-Ha! momento come accaduto quando lui e un collega stavano facendo ricerca-azione per un progetto di sviluppo organizzativo (Bushe, 2013). Nello specifico, il team si è trovato in un clima sempre più ostile e negativo e ha deciso di cambiare approccio.

Invece di indagare su cosa non funzionava, Cooperrider e il suo collega hanno deciso di chiedere cosa funzionava, anche se per un’azienda diversa (Barrett

Dalla ricerca alle interviste allo sviluppo organizzativo

Ciò che Cooperrider aveva effettivamente a questo punto era una visione potenzialmente trasformativa su come migliorare la ricerca qualitativa nelle scienze sociali.

Il cambiamento di paradigma per il cambiamento organizzativo, cioè, non è avvenuto istantaneamente. Bushe (2013), che copre molto di più la storia dell’intelligenza artificiale dettaglio , descrive come l'approccio dell'indagine è stato insegnato per la prima volta ai dipendenti in modo che potessero intervistare a loro volta altro personale con i nuovi metodi. È stato accolto positivamente poiché il vantaggio per la generazione di idee è diventato rapidamente evidente.

David Cooperrider iniziò quindi a lavorare con altri per esplorare come questo “costruzionismo sociale” potesse essere applicato, tra le altre cose, al cambiamento organizzativo. Nel 1997, il “modello 4D” per il quale aveva gettato le basi, era diventato il modello di indagine valorizzativa che conosciamo oggi.

Il modello e la teoria

Qualsiasi professionista dello sviluppo organizzativo saprà che i framework abbondano nel settore. Il modello 4D si riferisce generalmente a una rappresentazione visiva delle quattro fasi di un'iniziativa di intelligenza artificiale:

• Scoperta;
• Sogno;
• Progetto;
• e Destino.

Tuttavia, comunemente vedrai aggiunto un quinto passaggio, per Define, che si riferisce semplicemente a ciò che David Cooperrider descrive come la selezione di un argomento affermativo. Un argomento affermativo, a sua volta, è il fulcro del tuo intervento: potrebbe essercene uno o più focus. Gli esempi possono includere una maggiore soddisfazione del cliente, ambienti di lavoro più sicuri o una fornitura di valore più efficiente (Kessler, 2013).

Di seguito è riportato un esempio del modello AI con Define escluso.

Fonte: Pagina et al. (2016)

Passaggi nel modello 4D

Il passaggio Definisci è una parte importante per determinare il flusso dei passaggi successivi. Kessler (2013) sottolinea l'importanza di utilizzare un linguaggio stimolante per inquadrare il focus del proprio intervento. Quindi, una maggiore soddisfazione del cliente potrebbe diventare ciò che descrive ispirando clienti fanaticamente fedeli .

Argomenti affermativi ormai stabiliti, ecco le fasi (Ludema et al., 2006):

1. Scopri

L'attenzione durante questa fase è la ricerca e l'identificazione di ciò che dà vita all'organizzazione. I successi passati possono essere discussi ed esplorati e, in ogni caso, l'obiettivo è approfondire ciò che li ha resi possibili.

Si tratta di un'indagine attiva e le parti interessate interne possono porsi domande a vicenda per scoprire ciò che Ludema e i colleghi definiscono il meglio di ciò che è. Sebbene questo sia incentrato sulla scoperta dei punti di forza, è anche un modo utile per spostare la mentalità e il vocabolario attuali lontano dal pensiero incentrato sul deficit.

2. Sogna

La fase del sogno consiste nell'immaginare potenziali futuri positivi per l'organizzazione. Poiché un’ampia gamma di partecipanti è stata idealmente coinvolta nel processo di intelligenza artificiale, questi rappresenteranno molteplici prospettive, opinioni e comprensioni.

Le domande positive incondizionate che sono state sviluppate sbloccheranno idealmente visioni e possibilità creative e costruttive. Attraverso linguaggio e immagini positivi, i partecipanti co-creano futuri e risultati positivi.

3. Progettazione

La co-creazione continua durante questa fase, ma l'attenzione si sposta sul dibattito e sulla discussione delle possibilità già generate.

L'obiettivo è raggiungere una visione o un valore condiviso che il team o i partecipanti considerino dotato di un potenziale reale e positivo. Le aspirazioni individuali vengono così condivise, in quello che idealmente è un ambiente inclusivo, sicuro e solidale in cui tutti si sentono ascoltati.

4. Destino

L’obiettivo di questa fase finale (precedentemente chiamata Delivery) è costruire il futuro attraverso l’innovazione e l’azione (Ludema et al., 2006: 158). La visione, il sistema o le strutture che sono state progettate sono impegnate e i mezzi possibili per raggiungerli vengono ulteriormente perfezionati attraverso l'impegno individuale.

Vale la pena ricordare che la fase Destiny del modello 4D non è strettamente definita in termini di come dovrebbe procedere. I singoli professionisti e teorici, sostiene Kessler, varieranno nel loro incoraggiamento alla struttura o all’improvvisazione in questa fase (Kessler, 2013).

Principi di base dell'indagine apprezzativa

Man mano che l’intelligenza artificiale è diventata più ampiamente praticata, abbiamo anche visto molte pratiche contrastanti e conflittuali che presumibilmente ricadono sotto l’ombrello dell’intelligenza artificiale. Questo è qualcosa che Bushe (2013) attribuisce a un’iniziale mancanza di metodologia formale: il professor Cooperrider all’inizio era titubante nel pubblicarne una. Ma verso la prima parte dello scorso decennio, lui e la dottoressa Diana Whitney del Taos Institute hanno sviluppato 5 principi per la pratica dell’intelligenza artificiale.

1. Il principio costruzionista

Ciò presuppone che le nostre convinzioni soggettive su ciò che è vero determinano le nostre azioni, pensieri e comportamenti. Il linguaggio che utilizziamo quotidianamente è fondamentale nel modo in cui co-costruiamo le nostre organizzazioni, e questo include il linguaggio che utilizziamo per le indagini.

L’indagine, di per sé, riguarda la generazione e l’ispirazione di nuove idee, visioni e storie che possono potenzialmente portare all’azione (Cooperrider

2. Il principio di simultaneità

Ciò suggerisce che le nostre indagini sui sistemi umani possono indurli a cambiare. Le prime domande che poniamo possono modellare il modo in cui le persone pensano e discutono le cose; questo, a sua volta, influenza il modo in cui apprendono le cose e scoprono.

Non esiste una questione neutrale, nel senso che indagini appassionate e persistenti in direzioni specifiche porteranno a un cambiamento in quelle direzioni (Cooperrider

3. Il principio poetico

Il terzo principio sostiene che possiamo scegliere – o meno – di studiare la vita organizzativa per fare la differenza. La vita nei sistemi umani, come organizzazioni e team, è creata in collaborazione e raccontata in storie.

La nostra scelta del vocabolario può innescare sentimenti, immagini, concetti e comprensioni, e l’intelligenza artificiale utilizza l’indagine per creare visioni positive e ottimistiche del futuro per ispirare e risvegliare “il meglio delle persone” (Cooperrider

4. Il principio anticipatorio

Il principio anticipatorio suggerisce che le nostre azioni e comportamenti attuali sono modellati dalle nostre visioni per il futuro.

Attraverso l’intelligenza artificiale, possiamo creare immagini e visioni positive del futuro nostro o di un’organizzazione che avranno un impatto su ciò che facciamo nel presente (Goleman, 1987; Cooperrider

5. Il principio positivo

Ciò presuppone che per incoraggiare lo slancio, dobbiamo porre domande positive che enfatizzino il nucleo positivo di un’organizzazione. Il cambiamento duraturo si basa sulle connessioni sociali e sull’affetto positivo tra le persone. Emozioni positive come l’entusiasmo, lo stare insieme, la speranza e la felicità incoraggiano idee creative e l’apertura a idee innovative (Barrett

Questi 5 principi dell’intelligenza artificiale sono quelli citati più comunemente e sono ormai diventati consolidati. Tuttavia, man mano che la pratica dell’indagine valorizzativa diventa sempre più popolare, stiamo assistendo alla proposta di principi emergenti. Tra questi ci sono principi come integrità, messa in atto, consapevolezza, libera scelta, narrativa e sincronicità (Whitney

Esempi di approccio

In questa sezione esamineremo in modo approfondito un esempio di intelligenza artificiale applicata al cambiamento organizzativo e troverai anche alcuni ulteriori collegamenti utili ad altri casi di studio sull'argomento.

Organizzazione globale per il soccorso e lo sviluppo

Organizzazione globale per il soccorso e lo sviluppo (GRDO), as introduced by Ludema E colleagues in their HEbook of Action Research (2006), is a US E CEian NGO thA was involved with over a hundred other OganizAions wOldwide.

Il contesto:

GRDO si è rivolto agli autori esponendo quello che percepiva come un problema con l'attuale sistema di valutazione della capacità organizzativa dei suoi partner. Nel descrivere la situazione ai loro consulenti, hanno menzionato la mancanza di coinvolgimento delle parti interessate (interne ed esterne) nel sistema; le persone non lo supportavano e lo consideravano un’imposizione noiosa.

Già impliciti nella loro descrizione del sistema erano il vocabolario basato sul deficit e i suggerimenti di colpevolizzazione, sia tra le organizzazioni delle parti interessate che tra lo stesso GRDO. Inoltre, notano gli autori, il GRDO non era in grado di considerarsi un partner alla pari in quello che doveva essere intrinsecamente un processo di rafforzamento delle capacità e non veniva visto come tale.

Argomento affermativo:

Il primo passo, in quanto tale, è stato riformulare positivamente il problema percepito e definire un argomento affermativo. A tal fine (o inizio), i consulenti hanno posto domande volte a scoprire il “desiderio più profondo” del GRDO. Secondo Johnson e colleghi, le prime domande chiave erano:

Cosa vuoi veramente da questo processo? Quando esplori le tue speranze più audaci e le tue aspirazioni più alte, cos'è che desideri alla fine?

La fase di definizione ha quindi portato a diversi argomenti; GRDO voleva molte cose positive, che si sono ridotte a (Ludema et al., 2006):

• Imparare gli uni dagli altri su come costruire ONG vivaci, sane e forti; E
• Scoprire nuovi modi di collaborare con i propri partner alla pari.

Scoperta:

È stato formato un team globale composto da stakeholder provenienti dalle diverse regioni di GRDO in tutto il mondo e sono stati organizzati ritiri di grandi gruppi in modo che sia GRDO che i suoi stakeholder potessero acquisire familiarità con l’intelligenza artificiale. Hanno ideato versioni leggermente diverse del protocollo di intervista AI mostrato di seguito.

Fonte: Giocando et al. (2006)

Con le loro domande positive incondizionate per guidare l’indagine, le diverse ONG partner sono tornate nel paese in cui lavoravano per effettuare “tour di ascolto” (Ludema et al., 2006). Si trattava di un’indagine partecipativa con i membri della comunità con cui le ONG stavano lavorando, per includere quante più voci possibili e allo stesso tempo scoprire i punti di forza positivi di GRDO e dei suoi partner.

Migliaia di partecipanti sono stati coinvolti in questa fase, che si è svolta nel corso di un anno.

Sogno:

GRDO e le sue ONG partner si sono incontrati di nuovo durante ritiri di grandi gruppi per condividere i punti di forza e le storie delle loro indagini. Ciò li ha aiutati a esprimere le loro visioni su come potrebbe essere un futuro organizzativo positivo e a iniziare a generare idee per un nuovo approccio strategico. Ludema e colleghi descrivono questa fase come l'inizio della riprogettazione (Ludema et al., 2006: 162):

Si stava condividendo un'esplosione virtuale di storie positive e il modo in cui GRDO e i suoi partner parlavano di se stessi, degli altri e del loro lavoro congiunto stava cominciando a spostarsi da una conversazione sul deficit a una conversazione sulle possibilità.

Progetto:

In collaborazione con i suoi partner, GRDO ha iniziato a esplorare sistematicamente quali strutture sociali potrebbero dare vita a queste visioni. Ciò ha avuto luogo su scala globale, con centinaia di incontri condotti. Durante questi, i partecipanti hanno creato architetture reattive a livello regionale – proposte provocatorie – che potrebbero collegare i punti di forza scoperti con i futuri possibili ideali, o ciò che “potrebbe essere”.

Attraverso un'ulteriore collaborazione, questi si sono sviluppati in potenziali nuovi sistemi di sviluppo delle capacità che erano fondamentalmente diversi dall'approccio precedente utilizzato da GRDO e dai suoi partner. In generale, si trattava di responsabilità più partecipative e devolute in modo che le ONG locali potessero creare soluzioni più rilevanti in diversi paesi.

Gli autori descrivono gli inizi di uno spostamento verso una mentalità più incentrata sulla partnership. L'uguaglianza desiderata, ricordano, cominciava a manifestarsi man mano che il vocabolario cambiava per diventare più simile a quello dei partner.

Destino:

Il terzo e ultimo anno di GRDO e del viaggio delle ONG ha visto iniziative condivise e energia crescere attorno a loro. Dopo la tornata finale di ritiri, sono state avviate attività congiunte in diverse regioni, come il lancio di nuovi progetti locali di raccolta fondi e la riprogettazione organizzativa verso una nuova struttura meno gerarchica.

Maggiori dettagli su questa iniziativa globale di intelligenza artificiale possono essere trovati nel libro di Johnson e Ludema (1997), Collaborare per costruire e misurare la capacità organizzativa: lezioni dalle ONG di tutto il mondo .

Altri esempi di richieste di apprezzamento

Se stai cercando altri esempi di intelligenza artificiale nella pratica, prova questi:

• 4 Strumenti, esercizi e attività di indagine apprezzativa
• Come applicare il processo di indagine valorizzativa (incl. 5 suggerimenti)
• 119 Domande ed esempi di intervista con indagine apprezzativa
• Molti altri scritti e casi di studio da team e organizzazioni, per gentile concessione di Davidcooperrider.com.

Critiche al metodo: pro e contro del quadro

Quindi, quali sono i vantaggi e gli svantaggi del modello di indagine valorizzativa nel suo insieme? Fortunatamente, altri prima di noi hanno esaminato la letteratura, quindi possiamo trarre le nostre conclusioni (Drew

Potenziali vantaggi dell'intelligenza artificiale:

• In primo luogo, l’intelligenza artificiale si concentra sui punti di forza, che probabilmente forniscono alle organizzazioni l’energia per il cambiamento positivo e l’innovazione (Ludema et al., 2006; Bright, 2009);
• L'utilizzo dei punti di forza consente inoltre ai dipendenti di migliorare le proprie competenze (Linley et al., 2010);
• Incoraggia una cultura dell’apprendimento attraverso l’indagine collettiva e fornisce alle persone le competenze per scoprire da sole (Conklin
• In quanto tale, incoraggia il pensiero creativo, l’ideazione e potenzialmente promuove approcci innovativi (Cooperrider
• Questi, a loro volta, facilitano l’adattabilità organizzativa – un vantaggio competitivo fondamentale in ambienti aziendali dinamici (Basadur, 2004);
• Una cultura dell’apprendimento incoraggia anche il cambiamento sostenibile (Boyce, 2003);
• In base alla progettazione, mira a incoraggiare la partecipazione delle parti interessate (Drew
• Attraverso la partecipazione, cerca di promuovere l’impegno piuttosto che la resistenza (Lines, 2004; Drew
• Il quadro 4D, attraverso la sua struttura, consente alle persone di acquisire una visione approfondita delle azioni (Bright, 2009).

Esiste un tema coerente nella stragrande maggioranza di questi potenziali vantaggi; ciò significa che l’indagine valorizzativa affronta il cambiamento a livello culturale, piuttosto che presentare un approccio analitico per “risolvere” problemi specifici. In effetti, l’intelligenza artificiale incoraggia un approccio sistemico olistico, la cui premessa fondamentale non è né “dall’alto verso il basso” né “dal basso verso l’alto” (Davidcooperrider.com, 2019).

In questo senso, diamo un’occhiata ai potenziali svantaggi dell’indagine valorizzativa.

Potenziali svantaggi dell'intelligenza artificiale:

• L’intelligenza artificiale richiede molto tempo: non è una soluzione rapida, neanche con uno sforzo di immaginazione (Drew
• Il cambiamento organizzativo su larga scala attraverso l’intelligenza artificiale può richiedere un uso intensivo di risorse, soprattutto se i partecipanti sono geograficamente dispersi, come nel caso di studio di cui sopra;
• Si basa fortemente sulla misura in cui può essere creato un ambiente positivo, di supporto e aperto per la condivisione (Cooperrider
• Non tutte le parti interessate possono sempre essere realisticamente coinvolte (Schooley, 2012); E
• Se non è possibile coinvolgere tutte le parti interessate, ciò solleva interrogativi sulla moralità etica della strategia con ciò che non è, essenzialmente, un consenso democratico (Schooley, 2012).

Per riassumere i punti deboli, quindi, Drew e Wallis (2014) sostengono che un’attenta pianificazione diventa importante quando consideriamo l’utilizzo dell’IA in contesti specifici. Schooley (2012) sottolinea che le applicazioni dell’IA nel settore governativo e pubblico possono essere particolarmente problematiche.

Cos'è il SOAR?

In breve, SOAR è un quadro strategico basato sui principi dell’intelligenza artificiale. Il parallelo più semplice con un modello più comunemente noto sarebbe SWOT. Entrambi collegano i fattori interni all’impresa con le potenziali esternalità e i futuri per consentire un approccio analitico alla strategia.

Una struttura SOAR

SOAR sta per (Stavros et al., 2003):

• Punti di forza – Simili ai punti di forza SWOT, questi si riferiscono ai fattori interni esistenti. Possono essere risorse interne, dinamiche o anche aspetti della struttura organizzativa che possono essere sfruttati strategicamente per un vantaggio competitivo;
• Opportunità – Si tratta di fattori esterni esistenti nell’ambiente macroeconomico, industriale o di mercato dell’azienda;
• Aspirazioni – Le aspirazioni rappresentano futuri potenziali positivi per l’azienda, compreso il modo in cui un’azienda può creare valore. Questi potrebbero idealmente essere fortemente correlati alla visione strategica di un’azienda e, idealmente, l’impegno collettivo può essere incoraggiato attorno a questa visione; E
• Risultati: possono essere visti come risultati finali e consentono l’implementazione e la valutazione dei progressi di un’azienda mentre si muove verso i suoi obiettivi.

Di seguito è riportata una versione adattata dell’esempio di applicazione SOAR di Stavros et al. (2003). Qui è possibile vedere come Fattori interni E Fattori esterni (da SWOT) sono sostituite come categorie di pianificazione strategica da Inchiesta strategica E Intento riconoscente un volo.

Fonte: adattato da Stavros et al. (2003: 11; 12)

SOAR contro SWOT

Come ci aspetteremmo da un framework AI, il modello SOAR inizia con l’indagine. Questa è la prima delle quattro fasi che i partecipanti possono attraversare in gruppo (Stavros et al., 2003):

1. Indagine: vengono poste domande positive per scoprire i punti di forza e le aspirazioni dell'organizzazione, ed è una buona occasione per una discussione aperta e positiva sulla comprensione condivisa (o meno) di valori e visioni (Stavros et al., 2003). Dove vogliamo essere? Quali punti di forza ci hanno aiutato a raggiungere dove siamo ora? Come e perché?

2. Immaginazione: i partecipanti escogitano potenziali futuri. Visione, valori e missione sono co-creati e l’iterazione può essere un mezzo utile per chiarire o riaffermare la direzione strategica dell’azienda. Il focus della fase di immaginazione sono gli obiettivi a lungo termine per un futuro preferito, piuttosto che la gestione proattiva del rischio con in mente minacce o debolezze.

3. Innovazione: gli obiettivi strategici a lungo termine sono suddivisi in obiettivi a breve termine e metodi per raggiungerli. Per un progetto specifico, ciò potrebbe comportare lo sviluppo di risultati finali e tempistiche; in un senso più generale, si tratta di mettere in atto sistemi per facilitare l’attuazione.

4. Ispirare: Stavros e colleghi introducono Ispirare in sostituzione di ciò che è tradizionalmente visto come sistema di controllo (ad esempio nel web culturale, o nel Total Quality Management). Nella strategia convenzionale, questi possono riferirsi a KPI e incentivi; in SOAR, inspire comprende sistemi che incoraggiano il riconoscimento e la ricompensa autentici.

Applicazione SOAR

Naturalmente, comprendere un quadro non è la stessa cosa che metterlo in pratica. A tal fine, Stavros e Hinrichs (2009) delineano diverse fasi per l’applicazione del framework SOAR nella loro Libro sottile di Soar . I loro 9 passaggi sono i seguenti:

1. Identificare le parti interessate: stabilire chi prenderà parte all'esercizio e decidere come incontrarsi. In linea con l’obiettivo olistico e collaborativo dell’intelligenza artificiale, i partecipanti dovrebbero essere stakeholder interni che rappresentano diverse aree dell’azienda.
2. Progetta la tua intervista AI: pianifica le domande che intendi utilizzare; questi, ovviamente, mireranno a sviluppare una migliore comprensione del nucleo positivo dell’organizzazione. Comprenderne i punti di forza, i successi e le aspirazioni è la motivazione chiave, quindi le tue domande dovrebbero riflettere questi obiettivi.
3. Coinvolgere gli stakeholder: coinvolgeranno sempre gli stakeholder interni e, se ritenuto opportuno, potrebbero includere anche stakeholder esterni come partner, clienti o fornitori. Usa le tue domande per scoprire potenziali futuri e possibilità positive.
4. Problemi di riformulazione: sorgeranno invariabilmente problemi da discutere; L’indagine SOAR riguarda un focus positivo, quindi rimodella le conversazioni per guardare ai risultati desiderati piuttosto che evitare o mitigare le minacce.
5. Riassumere – Si tratta di chiarire e affermare i punti di forza dell’organizzazione, il suo nucleo positivo.
6. Stabilire aspirazioni e identificare risultati – Questa è una parte fondamentale per definire o ridefinire la visione futura dell’organizzazione, che idealmente sfrutterà i punti di forza che avete identificato collettivamente. Come appariranno? Come saranno?
7. Valutare le opportunità: esaminare le opportunità che sono state generate. Quali sono i più desiderabili? Quali sono nuovi, innovativi e pieni di potenziale?
8. Obiettivi artigianali: gli obiettivi dovrebbero derivare dalle opportunità identificate nella fase precedente. Questi possono essere collegati ai risultati in modo che i progressi possano essere monitorati e valutati. Utilizza le dichiarazioni degli obiettivi per maggiore chiarezza.
9. Creare piani d’azione: come lavoreremo per raggiungere questi obiettivi? I piani d’azione dovrebbero consentire l’attuazione e potrebbe esserci un piano specifico per ciascun obiettivo.

Implementato adeguatamente con un gruppo impegnato di stakeholder, il quadro SOAR mira idealmente a incoraggiare l’impegno collettivo verso la visione condivisa che emerge (Stavros

Il Summit dell’Inchiesta Elogiativa

Avrai notato dall'esempio dell'indagine apprezzativa riportato sopra che gli incontri su larga scala (o ritiri o simili) venivano menzionati abbastanza frequentemente. I “ritiri su larga scala” descritti erano Summit di Inchiesta di Apprezzamento (Vertici AI), che in genere durano pochi giorni e riuniscono tutti i partecipanti rilevanti per l’iniziativa 4D. In altre parole:

un grande gruppo di pianificazione, progettazione o riunione di implementazione che riunisce un intero sistema di stakeholder interni ed esterni in modo concentrato per lavorare su un compito di valore strategico e soprattutto creativo.

(Cooperrider, 2019)

Il libro omonimo di Ludema e Mohr (2003) copre la metodologia in maggior dettaglio; le cinque parti riguardano rispettivamente:

1. Comprendere la metodologia, le condizioni essenziali e cosa aspettarsi dall'inizio alla fine;
2. Sponsorizzare, pianificare e creare un AI Summit;
3. Le 4-D durante il Summit e informazioni per i facilitatori;
4. Follow-up e uno sguardo alle organizzazioni riconoscenti; E
5. Un'appendice con note e un esempio di cartella di lavoro.

Puoi ottenere Il Summit dell’Inchiesta Elogiativa: A Practitioner’s Guide A Amazzonia .

75 PowerPoint sull'indagine valorizzativa (PPT)

Ecco alcune risorse scaricabili che potrebbero essere utili se speri di introdurre il modello di indagine valorizzativa nella tua azienda.

1. Inchiesta elogiativa – Qui è un PPT di indagine apprezzativa del David L. Cooperrider Center for Appreciative Inquiry. Spiega la storia evolutiva dell'approccio e fornisce utili confronti con le pratiche tradizionali di risoluzione dei problemi, quindi delinea i principi teorici e alcuni casi di studio.
2. Costruire il futuro più desiderato: indagine valorizzativa sul posto di lavoro – Questo presentazione proviene dall'Università del Wisconsin e spiega sia la teoria dell'IA che le sue applicazioni pratiche, insieme a una panoramica del ciclo 4D dell'IA.
3. World Appreciative Inquiry Conference 2012 Powerpoint – Questo è un intero collezione di 72 presentazioni del WAIC 2012, ed è ricco di casi di studio sull'intelligenza artificiale, su come promuoverne la pratica e altro ancora.

6 TEDTalk e video di YouTube

Se stai cercando un riepilogo o una discussione in formato video, prova uno di questi.

Una rapida introduzione e discussione sul perché dell'intelligenza artificiale, sui suoi vantaggi e su come differisce dagli approcci convenzionali incentrati sui problemi, a cura del direttore accademico del Centro, la dott.ssa Lindsay Godwin.

Un altro video del Dr. Godwin che spiega come avviare conversazioni con l'intelligenza artificiale.

La consulente e relatrice Robyn Stratton-Berkessel parla dei vantaggi in termini di creatività e coinvolgimento dell'intelligenza artificiale.

Se preferisci un buon video esplicativo, questo offre una panoramica concisa del “perché iniziamo con ciò che già funziona”.

David Cooperrider fornisce un breve resoconto su come è nata l'intelligenza artificiale mentre racconta la sua conversazione con il compianto Peter Drucker.

Il professore di management John Hayes parla del background dell'intelligenza artificiale e fornisce esempi del suo impatto sull'impegno e sulla motivazione.

9 citazioni

Viviamo in mondi creati dalle nostre domande.

David Cooperrider

La cosa meravigliosa di una buona domanda è che modella la nostra identità tanto nel chiedere quanto nel rispondere.

David Whyte

L’indagine valorizzativa si basa su una premessa apparentemente semplice: le organizzazioni crescono nella direzione di ciò su cui pongono ripetutamente domande e su cui focalizzano la loro attenzione.

Gervasio Bush

I nostri mondi sono formati dalle domande che poniamo.

David Cooperrider

Il discorso sui problemi crea problemi, il discorso sulle soluzioni crea soluzioni.

Steve de Shazer

Gli studi sull’eccellenza organizzativa hanno dimostrato che l’arte e la scienza di porre potenti domande positive è molto più importante che cercare le lacune, le debolezze e i limiti di un sistema.

Anna Radford

L’immaginazione è più importante della conoscenza.

Albert Einstein

Puoi capire se un uomo è intelligente dalle sue risposte. Puoi capire se un uomo è saggio dalle sue domande.

Naguib Mahfouz

Nessun problema può essere risolto dallo stesso livello di coscienza che lo ha creato.

Albert Einstein

Un messaggio da portare a casa

L'indagine valorizzativa può essere vista praticamente come un nesso tra psicologia positiva e OD, entrambe aree super stimolanti e gratificanti per i professionisti di entrambe. Se ti ritrovi ad annuire saggiamente ogni volta che senti che la cultura mangia strategia a colazione, probabilmente adorerai la promessa dell'intelligenza artificiale.

In tal caso, spero che le risorse contenute in questo articolo siano utili. Mi piacerebbe sentire le tue esperienze di intelligenza artificiale in pratica, quindi per favore condividi i tuoi pensieri con me nei commenti.

Se sei interessato a leggere di più, assicurati di controllare il nostro altro articoli sull'indagine apprezzativa .

Ci auguriamo che ti sia piaciuto leggere questo articolo. Non dimenticare di uporabnapsihologija.com.