Tôi thường yêu cầu người ta làm một bản lý lịch về rủi ro của riêng mình. Với chỉ một chút suy nghĩ,
mỗi người đều biết được các loại rủi ro nào mình sẵn sàng chấp nhận. Họ nhận ra khá nhanh chóng rằng
việc chấp nhận rủi ro sẽ không đồng nhất giữa mọi người. Thật thú vị khi nhận ra rằng hầu hết các doanh
nhân không xem mình là những người chấp nhận rủi ro lớn. Sau khi phân tích bối cảnh, xây dựng một đội
ngũ tuyệt vời,và cùng đặt ra một kế hoạch chi tiết, họ cảm thấy như thể họ đã tống khứ được càng nhiều rủi
ro càng tốt ra khỏi thương vụ của mình. Trong thực tế, họ dành phần lớn các nỗ lực của mình làm việc để
giảm thiểu rủi ro cho doanh nghiệp.
Elisabeth Pate Cornell,chủ nhiệm Khoa học Quản trị Khoa học và Kỹ thuật tại đại học Stanford, là một
chuyên gia trong lĩnh vực quản trị rủi ro. Cô giải thích rằng khi phân tích một tình huống có nhiều nguy cơ,
điều quan trọng là cần phải xác định những kết quả có thể và cố gắng để nhận ra cơ hội của mỗi kết quả.
Một khi điều này được thực hiện, người ta cần phải phát triển một kế hoạch đầy đủ cho mỗi tình huống có
thể xảy ra. Elisabeth nỏi ằng nếu bạn sẵn sàng sống với tất cả các hệ quả có thể xảy ra thì việc chấp nhận
những rủi ro cao đi kèm phần thưởng lớn là điều hợp lý. Bạn nên chuẩn bị đầy đủ cho các tình huống bất
lợi và có một kế hoạch hỗ trợ ngay khi cần. Tôi khuyến khích bạn đọc đi đọc lại một vài câu cuối của đoạn
này. Những chuyên gia quản trị rủi ro tin rằng bạn nên đưa ra quyết định dựa trên xác suất của tất cả các
kết quả, gồm cả các trường hợp kịch bản tốt nhất và xấu nhất, và sẵn sàng chấp nhận rủi ro lớn khi bạn đã
chuẩn bị đầy đủ cho tất cả những tình huống có thể xảy ra.
Điều quan trọng cần nhớ là những quyết định tốt, dựa trên một phân tích chính xác về những rủi ro liên
quan, vẫn có thể dẫn đến các kết quả xấu. Lý do là vẫn còn các nguy cơ khác. Một ví dụ đơn giản: ngay
sau khi ra trường tôi đã được trao cho một công việc mà tôi không biết liệu có phù hợp với mình. Sau vài
ngày xem xét kỹ lưỡng cơ hội này, tôi quyết định không nhận nó và cho rằng ngay sau đó tôi sẽ có thể tìm
thấy một công việc khác phù hợp hơn. Thật không may, nền kinh tế suy thoái khá nhanh chóng và tôi đã
phải dành nhiều tháng để tìm kiếm một công việc khác. Tôi tự trách bản thân không nhận lấy vị trí đó, và
nó bắt đầu trở nên hấp dẫn hơn với tôi. Tôi đã thực hiện một quyết định tốt, dựa trên tất cả những thông tin
tôi đã có vào thời điểm đó, nhưng trong ngắn hạn thì nó không phải là một kết quả tuyệt vời.
Trong tình huống này, cũng như trong hầu hết các trường hợp bạn đều phải đưa ra quyết định với
thông tin không đầy đủ. Điều đó có nghĩa là bạn thực hiện lựa chọn và hành động với tình trạng không
chắc chắn xung quanh mỗi lựa chọn như thế. Vậy làm thế nào để lấp đầy các khoảng trống về kiến thức
của bạn? Tôi gợi ý là hãy nhìn vào “Stanley” để lấy cảm hứng. Các hoạt động bên trong Stanley (chiếc xe
tự hành được Phòng thí nghiệm Trí tuệ nhân tạo Stanford và Phòng thí nghiệm nghiên cứu Điện tử
Volkswagen thiết kế và tạo ra cho cuộc thi DARPA Grand Challenge) cung cấp manh mối để ra quyết định
với thông tin không đầy đủ. DARPA (Defense Advanced Research Projects Agency – Cơ quan Dự án
Nguyên cứu cấp cao của Bộ Quốc phòng) là cơ quan của chính phủ có nhiệm vụ phát triển các công nghệ
tiên tiến nhất phục vụ cho quân đội. Trong cuộc thi DARPA, các xe ô tô không người lái phải băng qua ba
đường hầm hẹp, hơn một trăm khúc quanh khó, và tự tìm ra hướng đi qua núi với những vách đá dốc đứng
ở mỗi bên. Mặc dù có rất ít lợi thế, xe của Stanford đã thắng cuộc đua, phần lớn là do khả năng đưa ra
quyết định nhanh chóng của nó với các thông tin không đầy đủ.
Chiếc Stanley được tích hợp rất nhiều công nghệ tiên tiến, trong đó có các bản đồ địa hình ba chiều,
thiết bị định vị toàn cầu GPS, con quay hồi chuyển, gia tốc kế, máy quay phim, và bộ cảm biến trên bánh
xe. Những phần mềm tích hợp này phân tích và giải thích tất cả các dữ liệu thu thập được, đồng thời kiểm
soát tốc độ và hướng đi của chiếc xe. Nhưng chìa khóa dẫn đến thắng lợi cảu Stanley là kỹ năng cao cấp
của nó trong việc đưa ra quyết định với các thông tin không đầy đủ. Các nhà thiết kế thực hiện được điều
này bằng cách xây dựng cho nó khả năng học hỏi giống cách của con người. Họ tạo ra một cơ sở dữ liệu về
các quyết định của con người mà chiếc xe sẽ dựa theo khi đánh giá về những gì cần làm. Dữ liệu này được
tích hợp vào một chương trình học tập gắn với hệ thống kiểm soát của chiếc xe, và giảm đi rất nhiều sai sót
trong việc đánh giá.
Câu chuyện này làm nổi bật thực tế rằng việc học hỏi từ những người khác có thể giảm đáng kể tỉ lệ
thất bại của bạn. Bạn không cần phải tự mình tìm ra mọi thứ. Giống như Stanley, bạn nên thu thập tất cả
các dữ liệu cần thiết từ môi trường của bạn, và sau đó vận dụng sự khôn ngoan của những người đi trước
để có được lựa chọn tốt nhất. Tất cả những gì bạn cần làm là nhìn xung quanh để thấy hàng trăm, nếu
không nói là hàng ngàn, những tấm gương đi trước cho mọi thứ bạn dự định lựa chọn.
Nếu bạn thực sự gặp một rủi ro và thất bại, hãy nhớ rằng nếu bản thân bạn không phải là một thất bại.
Thất bại là thứ bên ngoài. Cách nhìn này sẽ cho phép bạn đứng dậy và thử lại lần nữa, và lần nữa. Thất bại
có thể là do ý tưởng của bạn còn nghèo nàn, bạn không đủ thời gian để thực hiện, hoặc bạn đã không thể có
các nguồn lực cần thiết để thành công. Theo Jeff Hawkins: “Bạn không phải là công ty của mình. Bạn cũng
không phải là sản phẩm của mình. Rất dễ nghĩ theo hướng đó và cũng rất dễ bị mắc kẹt với nó... Nhưng
