Lindy-effekten: varför det gamla överlever – och när det ändå är rätt att satsa på det som inte gjort det än

I artikeln om att tänka i scenarier landade vi i kobraeffekten – det tydligaste exemplet på vad som händer när ett beslut inte tänks igenom till sina konsekvenser. Den här artikeln handlar om en besläktad men annorlunda fråga: inte vad som händer när ett incitament slår fel, utan hur du överhuvudtaget bedömer vad som är värt att lita på i första hand. Svaret börjar på ett delikatessdeli i New York.

Ett deli, en observation, en lag

På 1960-talet brukade komiker på Lindy's i Manhattan diskutera vilka kollegors karriärer som skulle hålla. Iakttagelsen var märklig: en komikers förväntade återstående tid på scenen verkade inte krympa med åldern, utan öka i takt med hur länge hen redan varit aktiv. Ju längre karriär bakom sig, desto längre karriär framför sig.

Matematikern Benoit Mandelbrot formaliserade senare tanken, och Nassim Taleb gjorde den känd för en bred publik i Antifragile och Skin in the Game. Idag kallas den Lindy-effekten: för icke-förgängliga fenomen – idéer, institutioner, teknologier, konstverk – ökar förväntad återstående livslängd proportionellt mot hur länge de redan funnits.

Det är motsatsen till hur biologiska varelser åldras. En 90-åring har kortare förväntad återstående livslängd än en 20-åring. Men en text som varit i tryck i tusen år har statistiskt sett längre kvar än en bok som gavs ut förra året. Hjulet, saxen och kniven har funnits i tusentals år och lär bestå. Förra årets hajpade app har det betydligt osäkrare.

Varför det gamla vinner

Logiken är egentligen enkel. Något som överlevt länge har redan testats mot en lång rad chocker, modenycker och konkurrerande alternativ – och klarat sig. Själva överlevnaden är ett bevis på robusthet som ingen enskild analys i nuet kan ge. Det nya har per definition inte genomgått det testet ännu, oavsett hur lovande det ser ut just nu.

Det gäller inte allt gammalt – bara sådant som är informationsbaserat eller kulturellt snarare än fysiskt förgängligt – och det är en sannolikhetsmässig tumregel, inte en garanti. Men som utgångspunkt för att bedöma vad som förtjänar ditt förtroende är den ovanligt träffsäker.

Den uppenbara invändningen

Här är den fråga som faktiskt gör Lindy-effekten intressant snarare än bara en kuriositet: om det beprövade är det man ska lita på, varför satsar då varje välskött teknikorganisation oproportionerligt mycket – uppmärksamhet, utvecklingstid, riskkapital – på just det som inte är beprövat? Varför jagar man snabbare avkastning i det nya istället för att konsekvent vikta mot det som redan bevisat sig hålla?

Svaret är att Lindy-effekten säger något om överlevnadssannolikhet, inte om avkastningspotential. Mogen teknik har redan kammat hem det mesta av sitt ekonomiska värde – den befinner sig långt ute på sin S-kurva. Ny teknik har en betydligt högre sannolikhet att misslyckas helt, men om den slår igenom kan avkastningen bli mångdubbelt större, eftersom den fortfarande befinner sig tidigt på sin egen kurva. Det är inte en motsägelse mot Lindy-logiken. Det är en annan fråga: inte "vad överlever" utan "var finns den asymmetriska uppsidan."

Barbellen: hur man håller båda sanningarna samtidigt

Det är precis den kombinationen Taleb själv förespråkar i Antifragile, under namnet barbell-strategin. Tanken är inte att fördela kapital eller förtroende jämnt efter ålder och beprövad status. Den är att medvetet polarisera: merparten av resurserna i det robusta och beprövade, en liten men verklig andel i högriskspel med kapad nedsida och obegränsad uppsida – aldrig något stort, otestat åtagande i mitten som varken är säkert eller har den konvexa uppsidan.

Kapad nedsida betyder att den maximala förlusten är känd och begränsad redan när du fattar beslutet – du kan förlora exakt det du satsat, aldrig mer. En pilotbudget med tydligt tak, ett litet AI-experiment i en avgränsad process, ett options-liknande engagemang med en ny leverantör: går det åt skogen förlorar du insatsen, och inget annat. Det är motsatsen till en satsning med öppen nedsida, där ett misslyckande kan sprida sig okontrollerat vidare – om hela kunddataflödet byggs om kring en enskild, oprövad leverantör, och den leverantören visar sig opålitlig, är förlusten inte begränsad till vad ni betalat för tjänsten. Den blir vad det kostar att koppla loss hela kärnverksamheten från ett beroende ni inte längre kontrollerar.

Applicerat på en organisations AI-satsning blir principen konkret. Grundläggande maskininlärning som fält har faktiskt funnits sedan 1950–60-talet – det ger själva teknikkategorin viss Lindy-tyngd. Men den specifika modellen, leverantören eller arkitekturen du väljer i år har det inte. Skillnaden spelar roll för var i portföljen ett verktyg hör hemma: experimentera brett och oproportionerligt med det nya, men undvik att göra en enskild, oprövad leverantör till ett odelat kritiskt beroende för kärnverksamheten.

Fördröjd feedback: varför kapad nedsida spelar större roll än man tror

Det finns ett skäl till att kapad nedsida är svårare att respektera i praktiken än den låter i teorin, och det handlar om tid snarare än om vilja. System dynamics-fältet – Jay Forrester, senare Donella Meadows och John Sterman – har i decennier visat att de flesta organisatoriska misstag inte beror på dåliga beslut i stunden, utan på fördröjd feedback: tiden mellan att ett beslut fattas och att dess konsekvenser faktiskt syns.

Ju längre den fördröjningen är, desto mer hinner en exponering växa innan någon inser att den var fel från början. Det är samma mekanism som ligger bakom bullwhip-effekten i en leveranskedja: små, till synes rimliga beslut förstärks genom flera led innan avvikelsen blir synlig längre upp, och då är den redan stor. Överfört till en teknikinvestering: väljer ni en oprövad AI-leverantör som kärna i ett system, syns sällan konsekvensen omedelbart. Den syns när fler processer byggts ovanpå beroendet, fler team anpassat sitt arbetssätt efter det, och fler avtal skrivits som förutsätter att det finns kvar – ofta arton månader senare, inte arton dagar.

Det är just därför kapad nedsida måste bestämmas innan satsningen görs, inte justeras efter hand "när vi ser hur det går." Med en lång fördröjning mellan beslut och konsekvens hinner ni inte se hur det går förrän exponeringen redan vuxit långt förbi vad ni ursprungligen tänkte er. Ett tydligt tak – en pilotbudget, en tidsgräns, ett uttalat kriterium för när ett experiment skalas eller avslutas – är det enda som faktiskt håller nedsidan kapad genom hela den perioden ni inte kan se resultatet ännu.

Var det faktiskt går fel

Den verkliga överträdelsen av Lindy-logiken är alltså inte att lägga oproportionerlig uppmärksamhet på det nya. Det är att satsa kapital utan kapad nedsida på det – att bygga kritisk infrastruktur på en teknik som om den redan hade bevisat sig, för att jaga snabbare ROI, och sedan lita på att fördröjningen mellan beslut och konsekvens ger tid att korrigera i efterhand. Det är då man byter ut en robust kärna mot en skör en, och den fördröjda feedbacken gör att ingen märker det förrän det redan kostar.

Och precis som i Skin in the Game är det sällan den som fattar det beslutet som bär hela nedsidan om det går fel. Den chef som vill visa snabb transformation genom att göra en enda, oprövad AI-leverantör till kärnan i ett kritiskt system riskerar sällan sin egen position lika mycket som organisationen riskerar sin motståndskraft. Frågan att ställa innan beslutet, från The Black Swan: vad förlorar vi, och vem bär den förlusten, om det här specifika valet visar sig vara fel om två år?

Det är samma typ av fråga som scenarioserien ställer om framtiden i stort – bara riktad inåt, mot den egna investeringsportföljen, snarare än utåt mot vilket scenario som faktiskt inträffar. Nästa artikel i serien om konsekvenstänkande tar just det steget: vad händer när flera sådana beslut, var för sig rimliga, förstärker varandra genom en organisation – och varför den effekten sällan syns förrän den redan blivit dyr.