Ringkasan
Banyak keputusan buruk bukan lahir dari kurangnya data, tetapi dari cara membaca data yang berhenti terlalu cepat. Dari pembahasan ini, terlihat bahwa manusia bisa bergerak dari menangkap sinyal, lalu simbol, lalu konsep abstrak, lalu sistem, lalu meta-system, hingga ontologi.
Insight utama
Framework ini erat kaitannya dengan Systems Thinking — kemampuan melihat sistem secara keseluruhan, bukan hanya gejala di permukaan. Dalam Decision Intelligence, semakin tinggi level abstraksi seseorang, semakin baik kualitas keputusan yang dihasilkan.
1. Simbolik belum tentu cukup
Di level simbolik, kita melihat objek dan kejadian yang tampak: angka, candle, traffic, error, atau gejala lain. Level ini penting, tetapi sering membuat kita berhenti pada permukaan.
2. Abstrak membantu melihat prinsip
Level abstrak tidak lagi fokus pada benda, melainkan pada prinsip yang bekerja di balik benda itu. Contohnya bukan sekadar “harga naik”, melainkan “ada ketidakseimbangan positioning” atau “likuiditas sedang berpindah”.
3. Sistem menjelaskan hubungan
Setelah konsep ditemukan, langkah berikutnya adalah melihat bagaimana konsep itu saling memengaruhi. Di sini kita mulai membaca sebab-akibat, alur, dan feedback loop.
4. Meta-system melihat aturan main
Meta-system muncul saat kita mulai melihat sistem yang mengatur sistem lain. Misalnya, bukan hanya traffic atau sales, tetapi juga mekanisme yang menentukan bagaimana traffic, sales, dan finance saling berinteraksi.
5. Ontologi memeriksa apa yang benar-benar ada
Ontologi bukan sekadar pertanyaan filsafat yang jauh. Dalam praktik, ini adalah pemeriksaan apakah entitas yang kita pakai dalam model benar-benar jelas definisinya. Banyak bug strategis muncul karena kita salah mendefinisikan apa yang sedang diamati.
Mengapa ini penting
Kalau kita hanya berhenti di simbolik, kita mudah reaktif. Kalau sudah naik ke abstrak, kita mulai bisa mengenali pola. Kalau sudah masuk sistem dan meta-system, kita bisa merancang intervensi yang lebih tepat. Dan kalau sampai ontologi, kita bisa menguji apakah model yang dipakai memang layak dipercaya.
Ini relevan untuk banyak bidang:
- dalam observabilitas sistem, membedakan sinyal dari noise data,
- dalam bisnis, membedakan traffic dari demand,
- dalam engineering, membedakan error teknis dari kesalahan definisi model.
Checklist
- Tanyakan dulu: saya sedang melihat gejala, konsep, atau sistem?
- Jangan berhenti pada angka jika prinsipnya belum jelas.
- Cari hubungan antar komponen sebelum memberi kesimpulan.
- Audit asumsi dasar yang dipakai model.
- Periksa ulang definisi entitas yang dianggap “nyata” di dalam sistem.
Penutup
Naik level berpikir bukan soal terdengar lebih filosofis. Tujuannya lebih praktis: melihat realitas dengan lebih jernih, memilih intervensi yang lebih tepat, dan mengurangi kesalahan akibat model yang terlalu dangkal. Semakin tinggi kualitas peta mental yang dipakai, semakin kecil peluang kita tersesat oleh permukaan data.
Prinsip Observation Before Interpretation dan State Uncertainty Explicitly menjadi panduan praktis dalam menaiki tangga berpikir ini. Baca juga Data Tidak Memberikan Keputusan untuk melihat bagaimana level berpikir yang dangkal menghasilkan keputusan yang buruk.