“20世纪管理最重要，也是真正独特的贡献是制造业中体力劳动者的生产率提高了五十倍。 via 彼得 · 德鲁克
之前做丁香医生审核系统的时候，最优秀的审核人员，一天只能审核大几百条。但距离业务要求还有很大的距离，于是就坐在她们旁边看他们怎么操作，然后在工具、规则、培训等多个方面进行优化，最终让每个新来的审核人员每天能审核 5000 - 7000 条。
但这没什么值得夸耀的，其实早在几十年前管理学大师泰勒就在其科学管理原则中提到了相关的方法。只不过当时他着重在解决体力劳动的提效，而作为知识管理工作者的我们，能从中学到什么呢？
01是什么导致了 50 倍的体力劳动提效：BOOT
Break：把任务分解成小任务
- 概述：将每个项目分解成原子单元，使用直接观察和运动研究，
- 原因：无形的东西是无法改善的，但大多数工作都是无形的，因为大多数人的想法和行动都是自动的。
Observe：观察任务的长度
- 概述：测量每个任务需要度长时间来获得一个客观的数字。关键是直接观察和运动研究，以便获得更精细的颗粒度。
- 原因：人类不擅长估计完成活动需要多少时间。没有准确的估计就无法从中学习和优化。
Optimize：优化，直到找到最好的方法
- 概述：尝试每一种提高效率及任务任务负荷的方法，以便找到最好的方法。包括重新设计/添加/删除步骤；用工具增强或自动化等
- 原因：「最好」通常比「足够好」要好 N 倍
Train：用最好的方式训练团队
- 概述：培训团队实现最好的方法，而不是从头开发自己的系统。这包括技能、心态、情感支持等。
- 原因：除非被广泛采用，否则更好的方法并不重要。
以挖土为例，这个存在了 7000 年的方法，泰勒质疑了基本的假设，试图回答下面这些问题：
- 铲子的种类（宽度，负重）
- 铲子的技术（距离、重量、高度）
- 管理系统（比如个人奖金而非大锅饭）
然后发现了其实铲子最佳的负重是 21 磅，而最终结果是让人均产出翻倍，平均收入增加了 35%。
为何这些久远的领域，如何还能被如此大幅度的提升，泰勒的观点是：
- 随着一个领域发展，它会发展处最佳实践，然后代代相传。
- 但这些最佳实践未经检验，或者系统的分析或描述。
- 实践之间存在很多差异，一个问题在标准答案之外，其实有 N 个解。
- 基于「经验法则」的实践足够好，但远非最佳，他们之间的差距还有很大。
02关于生产力的误区：
生产力提高并不是因为技术，虽然教科书上都是这么说。真正重要的是生产流程，而技术只是催化剂和助推器。
优化生产流程，才具有更大的杠杆作用。不断使用最新的工具，但是生产流程依旧是老旧古板的，长期来看效果并不理想 —— 这就像在猪身上涂口红 —— 创造了一些漂亮但没有发挥作用的东西，徒劳地掩盖其基本缺陷。
回看今天的知识工作者的日常，确定工作优先级、与他人沟通、做出决策、解决问题、学习、教学、创造等……
许多时候我们都未深入研究如何更高效地完成这些任务，很多都是初入职场被前辈手把手教，或者公司文化「自然而然」学会的。比如没有人分析过一个人一天能忍耐的沟通是多大的强度，我们每天能「消费」掉多少内容，做出决策的框架是什么等。
我们需要设计一套「框架」来提高自己的在知识工作中的效率，比如Lightory 在「可复制的决策」一文中提到他如何建立自己的决策系统的：
决策是昂贵的。
每做一个决策，都需要信息输入、计算量，更可怕的是——还需要心力。
所以，我们要减少决策，这意味着给每个决策分配更多资源，以期获得更高的决策质量。然后，对这少数决策，下重注。
但也未必要将自己如此局限。减少决策还存在另一条路径，即做可复制的决策，提升决策的杠杆率。基于「可复制」维度，决策可分四重境界：一事一决、制定原则、提炼方法、设计系统
| 决策者 | 执行者 | |
| 一事一决 | 一事一决 | 独立工作 |
| 原则 | 制定原则 | 按照原则工作 |
| 方法 | 提炼方法 | 按方法工作 |
| 系统 | 设计系统 | 系统内工作 |
03关注生产方式，而非技术
泰勒其实引入的不仅仅是流程优化，而是一种通用的生产力范式。
| 传统方法 | 新方法 | |
| 顺序 | 技术优先 | 流程优先 |
| 聚焦 | 一些大的改变 | 许多小的优化 |
| 测量 | 用头脑估计 | 尽量用仪器测量 |
| 方法 | 经验法则 | 科学方法 |
| 优化 | 足够好 | 一个最好的方法 |
- 生产力并不是让我们变成机器，最重要的是客观的观察和量化。
- 优化细节并非没有价值，因为系统之间的节点是乘数效应。
- 生产力越高，要求非生产力时间越长，而不是填满所有空间。
- 我们值得投入大量精力来优化我们的生产力 —— 设计生产机器的机器才是最大的竞争优势。
基于同样的思路，我们也可以重新来看我们的学习、创造、共享的过程，来设计属于自己的框架。在这一点上，fonter 和 XDash 对于信息的挖掘都已经进入了工业化的阶段，前者基于 Postman + Clay 组成了自己的跟踪系统，后者基于爬虫和 AI 来完成 web3Q 的内容提取。
而反思自己在信息获取上还是没有达到系统化，充满了随机性和偶然 —— 但更关键的是没有花精力投入在设计系统上。
这便是下一个阶段值得思考的新命题。
推荐阅读：