Wszyscy mieli poprawne dane.
A mimo to nikt nie potrafił wyjaśnić, co się działo.
Przez wiele godzin kilka osób próbowało zrozumieć, dlaczego system generował niespodziewane wyniki.
Każda z nich przychodziła z rejestrami, metrykami i dowodami, które wyglądały na ważne.
Najdziwniejsze było to, że wyjaśnienia się nie wykluczały.
W wielu przypadkach wszystkie wydawały się poprawne jednocześnie.
Wtedy pojawiło się niewygodne pytanie.
Jak może zawieść decyzja, gdy nikt nie korzysta z błędnych informacji?
Podczas przeglądania nowych dowodów problem wciąż rósł.
Każdy uczestnik bronił rozsądnej interpretacji.
Jednak decyzja wciąż nie została podjęta.
Nie dlatego, że brakowało danych.
Lecz dlatego, że brakowało kontekstu.
Sytuacje takie jak ta pomagają zrozumieć, dlaczego projekty jak @OpenLedger #OpenLedger $OPEN poświęcają tyle uwagi zachowaniu kontekstu i pochodzenia wkładów, które są częścią systemu.
Bo kiedy wielu uczestników generuje informacje niezależnie, problem przestaje być tylko zbieraniem danych.
Prawdziwe wyzwanie polega na zrozumieniu, skąd pochodzi każdy wkład, jak się odnosi do innych i w jakich okolicznościach został wygenerowany.
W tej dyskusji jedna osoba zauważyła niedawne zmiany.
Inna analizowała rejestry operacyjne.
Inna przeglądała historyczne metryki.
A inna kontynuowała zachowania pozornie odłączone od głównego problemu.
Każda z nich widziała coś rzeczywistego.
Ale żadna nie mogła całkowicie powiązać swoich informacji z informacjami innych.
Wtedy problem przestał wydawać się techniczny.
I zaczęło to wyglądać na coś strukturalnego.
Złożone problemy rzadko pojawiają się, ponieważ informacji nie ma.
Wielokrotnie pojawiają się, ponieważ informacje są fragmentaryczne w wielu źródłach bez wystarczającego kontekstu, by połączyć różne kawałki.
Dwie drużyny mogą obserwować dokładnie te same dane i dojść do różnych wniosków.
Nie dlatego, że ktoś się myli.
Lecz dlatego, że każdy interpretuje dane z różnych relacji.
Dlatego pochodzenie staje się tak ważne.
Gdy wkład może być poprawnie skontekstualizowany, łatwiej zrozumieć, co wyjaśnia, co ogranicza i jak pasuje do reszty systemu.
Gdy ta zdolność znika, zaczynają pojawiać się trudne do rozwiązania sprzeczności.
Dyskusje się przedłużają.
Weryfikacje rosną.
A decyzje, które powinny być podjęte szybko, zaczynają się opóźniać.
Najciekawsze jest to, że żadne z tych opóźnień nie pojawia się z powodu braku informacji.
Pojawiają się właśnie wtedy, gdy za dużo informacji nie ma wystarczającego wspólnego kontekstu do jej interpretacji.
I tu właśnie weryfikowalne pochodzenie przestaje być technicznym szczegółem.
Staje się to warunkiem koniecznym do skoordynowania rozproszonej wiedzy z zaufaniem.
Bo gdy kontekst znika, dane przestają przyspieszać decyzje i zaczynają je opóźniać.
