Egy tipikus fejlesztési program könnyen elindul abba az irányba, hogy brainstormingot tanítunk, kreatív workshopokat szervezünk, új módszereket mutatunk be, esetleg AI-eszközöket adunk a csapat kezébe. Ettől azonban még nem biztos, hogy a szervezet jobban fog gondolkodni.
A kreatív gondolkodás három eltérő működésmódot foglal magában: a divergens gondolkodás lehetőségeket hoz létre, a konvergens értékeli és finomítja őket, a laterális pedig megkérdőjelezi azt a keretet, amelyben eddig gondolkodtunk.
A vállalati probléma szerintem nem az, hogy ezek közül valamelyik hiányzik, melyiket kellene fejleszteni. Sokkal gyakrabban az, hogy rossz arányban használjuk őket, vagy rossz pillanatban váltunk közöttük.
A legtöbb cég konvergens gépezet
A napi működés erre kényszerít bennünket.
Melyik beruházás térül meg?
Melyik beszállítót válasszuk?
Hol csökkentsünk költséget?
Melyik projektet folytassuk?
Ezek tipikus konvergens kérdések. Adatot gyűjtünk, összehasonlítunk, szűkítünk, majd döntünk.
Fontos megjegyzés, hogy ez nem probléma. Egy jól működő vállalatnak konvergensnek is kell lennie.
A gond akkor kezdődik, amikor ezt a logikát automatikusan rávetítjük olyan helyzetekre is, ahol még nem lenne szabad választ keresni.
Ha például azt kérdezzük, hogyan szerezzünk több ügyfelet, és öt perc múlva már CRM-ről, LinkedInről és új saleses felvételéről beszélünk, akkor valójában nem gondolkodtunk sokat. Gyorsan konvergáltunk az első ismert válaszokra.
James March exploration–exploitation modellje nagyon hasonló mechanizmust ír le: a meglévő tudás kihasználása gyorsabban és kiszámíthatóbban térül meg, ezért a szervezetek természetesen ebbe az irányba húznak, miközben az új lehetőségek feltárása fokozatosan háttérbe szorul.
A divergens mód nem egy újabb brainstormingot jelent
A divergens gondolkodás célja nem egyszerűen az, hogy sok Post-it kerüljön a falra.
Szerintem a valódi funkciója az, hogy ne zárjuk le túl korán a lehetőségteret.
Ha csökken az értékesítés, az lehet árprobléma, célcsoport probléma, bizalmi probléma, rossz ajánlat, megváltozott vásárlási folyamat, új versenytárs vagy egyszerűen az, hogy a korábbi probléma, amelyre a termékünk épült, már kevésbé fontos.
A divergens gondolkodás tehát először nem megoldásokat, hanem alternatív magyarázatokat és lehetőségeket hoz létre.
Itt az AI kifejezetten hasznos lehet.
Ne azt kérdezük tőle:
„Adj húsz innovatív ötletet.”
Hanem inkább:
„Adj nyolc egymástól lényegesen eltérő magyarázatot arra, miért történhet ez.”
vagy:
„Keress öt olyan értelmezést, amelyek közül legalább kettő ellentmond a jelenlegi feltételezésünknek.”
Az AI itt azért értékes, mert gyorsan képes nagy keresési teret bejárni, és olyan perspektívákat is behozni, amelyekre a csapat saját tapasztalati horizontjából nem biztos, hogy gondolna.
De itt jelenik meg az első veszély is az AI ötleteivel kapcsolatban, amit mostanában nagyon sokan elemeznek.
Kutatások szerint az AI támogatásával az egyén több és kidolgozottabb ötlethez juthat, miközben a különböző emberek ötletei egymáshoz hasonlóbbá válhatnak. Ezt nevezik homogenizációs hatásnak.
Ezért a divergens szakaszban én nem az AI-jal kezdenék, előbb rövid egyéni gondolkodás.
Utána csapat.
Csak ezután AI, például ezzel az instrukcióval:
„Most olyan irányokat keress, amelyeket a csapat még nem említett.”
Így az AI nem horgony, hanem igazi tágító eszköz.
A laterális mód a legkönnyebben elfelejtett
A divergens gondolkodás ugyanazon kérdésre keres több választ.
A laterális gondolkodás néha inkább azt kérdezi:
Biztosan ez a kérdés?
Ez óriási különbség.
„Hogyan gyorsítsuk fel a kiszállítást?”
Divergens mód a megoldásra:
több raktár, más fuvarozó, automatizálás, nagyobb készlet.
Laterális mód:
„Mi van, ha az ügyfélnek nem gyorsaság kell, hanem kiszámíthatóság?”
Ilyenkor nem újabb választ adunk ugyanarra a problémára, hanem elmozdítjuk magát a problémakeretet, ez a laterális gondolkodás lényege: azoknak a feltételezéseknek a megkérdőjelezését, amelyeket mindenki adottnak vesz.
Az AI itt különösen érdekes partner lehet, de csak jól instruálva.
Például:
„Milyen feltételezéseket kezelünk tényként ebben a probléma leírásban?”
„Fogalmazd át ezt a problémát öt eltérő absztrakciós szinten.”
„Melyik kérdést nem tesszük fel valószínűleg azért, mert húsz éve ebben az iparágban dolgozunk?”
Ez szerintem az AI egyik legerősebb innovációs felhasználása.
Nem azért, mert jobb laterális gondolkodó lenne az embernél, hanem mert gyorsan képes eltérő nézőpontokat és analógiákat előállítani.
A végső keretváltást azonban nem bíznám rá.
A modell nem él együtt az ügyféllel, nem viseli a döntés kockázatát, és nem érzékeli teljes mélységében azt a szervezeti vagy emberi kontextust, amely miatt egy látszólag jó új keret valójában értelmetlen lehet.
Egy 2026-os, 71 multidiszciplináris csapatot vizsgáló kutatás hasonló feszültséget talált: a generatív AI jól tudta bővíteni a problémateret és gyorsítani az ideációt, de a válaszok gyakran nélkülözték a felhasználói kontextushoz szükséges empatikus mélységet.
Konvergenciában az AI nagyon jó segéd — de rossz bíró lehet
Amikor már van húsz vagy harminc ötletünk, jön a másik probléma:
mit kezdjünk velük?
Itt az AI rendkívül praktikus.
Képes:
ötleteket csoportosítani,
duplikációkat kiszűrni,
kritérium rendszert kialakítani,
feltételezéseket azonosítani,
kockázatokat összegyűjteni,
teszt hipotéziseket megfogalmazni.
Egy workshop után például ezt kérném:
„Csoportosítsd ezeket az ötleteket 5–6 stratégiai témába. Ne rangsorold őket. Jelöld minden csoportnál a legfontosabb feltételezést és azt, milyen bizonyíték alapján lehetne eldönteni, hogy érdemes-e továbbvinni.”
Ez már komoly munkaidőt takarít meg, sok esetben láttam ezt.
Amit nem tennék:
„Válaszd ki a három legjobb ötletet.”
Az AI ugyanis könnyen értékelhetővé alakítja azt, ami valójában bizonytalan.
AI rendezzen.
AI kritizáljon.
AI mutasson vakfoltokat.
De a portfóliódöntést ne az AI-ra bízd.
A fontos készség tehát nem a kreativitás, a váltás.
Ezt nevezhetjük kognitív rugalmasságnak: annak képességének, hogy a helyzethez igazodva tudatosan váltsunk a divergens, konvergens és laterális gondolkodás között.
Szerintem vállalati szinten ez sokkal használhatóbb gondolat, mint általában „kreatív kultúráról” beszélni.
Egy vezetői csapatnak például érdemes időnként feltennie három kérdést:
Túl hamar választ keresünk?
Ha igen, több divergencia kell.
Ugyanazokat a megoldásokat forgatjuk újra és újra?
Ha igen, több lateralitás kell.
Rengeteg ötletünk van, de kevés valós tesztünk?
Ha igen, több konvergencia kell.
Nem kell mindhárom gondolkodásmódot egyformán használni.
Egy termelési hiba kivizsgálásában jóval több konvergencia kell.
Egy új üzleti modell keresésében több divergencia és lateralitás.
Egy stratégiai döntés előtt pedig ismét erőteljes konvergencia.
Ami végig emberi feladat marad: a probléma fontosságának megítélése, a kontextus értelmezése, a váltás pillanatának felismerése és a döntés.
Talán ezért nem az lesz a legerősebb szervezet az AI korszakában, amelyik a legtöbb ötletet generálja.
Hanem az, amelyik tudja, mikor kell kinyitni a gondolkodást, mikor kell oldalra lépni, mikor kell bezárni a teret — és mikor érdemes az AI-t beengedni valamelyik fázisba.
Ez gondolkodási rendszer.
Források
Beaty, R. E., Benedek, M., Silvia, P. J., & Schacter, D. L. (2016). Creative cognition and brain network dynamics. Trends in Cognitive Sciences, 20(2), 87–95.
Beaty, R. E., Chen, Q., Christensen, A. P., Qiu, J., Silvia, P. J., & Schacter, D. L. (2018). Brain networks of the imaginative mind: Dynamic functional connectivity of default and cognitive control networks relates to openness to experience. Human Brain Mapping, 39(2), 811–821.
Csikszentmihalyi, M., & Moneta, G. B. (1996). The effect of perceived challenges and skills on the quality of subjective experience. Journal of Personality, 64(2), 275–310.
de Bono, E. (1969). Information processing and new ideas—Lateral and vertical thinking. The Journal of Creative Behavior, 3(3), 159–171.
Edmondson, A. C. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383.
Guilford, J. P. (1967). Creativity: Yesterday, today and tomorrow. The Journal of Creative Behavior, 1(1), 3–14.
March, J. G. (1991). Exploration and exploitation in organizational learning. Organization Science, 2(1), 71–87.
McKinsey Global Institute. (2023). Generative AI and the future of work in America. McKinsey & Company.
Riley, S. M. (2026). Creativity’s edge: Unleashing humanity’s greatest advantage in the age of AI. Bloomsbury Academic. A könyv megjelenése és bibliográfiai adatai a kiadónál is ellenőrizhetők.
Velázquez, J. A., Segal, N. L., & Horwitz, B. N. (2015). Genetic and environmental influences on applied creativity: A reared-apart twin study. Personality and Individual Differences, 75, 141–146.
World Economic Forum. (2025). The Future of Jobs Report 2025. World Economic Forum.
Megjegyzések
Megjegyzés küldése