为什么再牛的企业家也有判断失误的时候

　　本文转自作者 | 周琪
　　哪里有判断，哪里就有噪声。噪声是＂本该相同的判断中存在的变异性＂。诺贝尔经济学奖得主丹尼尔·卡尼曼用体重秤打比方：你放在浴室的体重秤，每次测出来都偏重一斤，这就是＂偏差＂，也很容易纠正，只要每次在显示的体重的基础上减去一斤就可以了。但假如有一台秤，你连续三次站上去结果都不一样，三个数值之间存在微小的差别，且这个差别是随机的，这就是＂噪声＂。 在有关人类判断失误的公开讨论中，偏差是台上的主角，噪声只是幕后一个不起眼的参与者。而在现实的决策中，噪声的数量往往高得惊人。
　　诺贝尔经济学奖得主丹尼尔·卡尼曼在畅销书《思考，快与慢》中指出了人类思考过程中的诸多缺陷，向我们展示了，我们并没有自己想象的那么理性。
　　在卡尼曼与奥利维耶·西博尼、卡斯·R·桑斯坦合著的新书《噪声》中，作者通过对人类判断、决策和选择的研究，指出偏差与噪声是人类判断的两类错误。
　　哪里有判断，哪里就有噪声。噪声是＂本该相同的判断中存在的变异性＂。
　　比如，医生中的噪声水平远超我们的想象。在诊断癌症和心脏病，甚至在看X光片时，专家们也会出现意见不一致的情况。这意味着病人得到的治疗可能是碰运气的结果。再比如，医生往往会认为，无论是星期一还是星期五，清晨还是傍晚，他们都会做出同样的决策。但事实证明，医生的言行可能完全取决于他们的疲劳程度。
　　＂即使是依据简单规则搭建的算法模型，在做决策时也往往比人类更可靠。＂卡尼曼在专访中直言，算法没有噪声，因此比人类决策更有优势，＂当然，这不是说我们要用算法替代人类，关键是，我们该如何减少噪声，提高决策的准确性＂。
　　卡尼曼将这项重任寄托于组织身上，这位＂悲观的心理学家＂相信，在决策的时候避免噪声，实在不是个体十分擅长的事情。＂如果说，可以抱有什么信念的话，我其实把它放在组织身上。＂
　　《噪声》中为组织的决策者们提供了减少噪声的策略——作者称之为＂决策卫生＂。他们还重点介绍了＂降噪＂中组织可能面临的挑战，以及有时需要做出的利弊权衡。
　　以下是记者与《噪声》作者的对话。
　　记者：以全人类正在共同经历的疫情为例，在您看来，哪些我们此刻正在承担的后果是由于＂我们对噪声视而不见＂导致的？
　　《噪声》作者： 这场疫情有一个显著的特点，那就是，尽管存在微小的差异，许多国家需要处理的问题类似，它们追求共同的目标，拥有的数据也是一致的。
　　然而，这些国家却做出了各自不同的决策。例如，一款疫苗是否因副作用而被撤出市场，哪一类人群需要注射疫苗，这些问题应该有理想的正确答案，然而不同国家给出的答案有时存在明显的不同。
　　我们总是用＂隐藏的议程＂或＂不同的偏好＂来解释这种不同，但实际情况是，这种不同是由噪声导致的：本该相同的判断中，不同的人无法做出一致的决策。
　　记者：人们对＂偏差＂的敏感程度日益加深，也理解偏差对判断带来的影响，基于纠正偏差、消除歧视也产生了一系列的法规和机制，但对于非统计学专业人士而言，很少有人会将判断错误归因于＂噪声＂，甚至要严格区分＂偏差＂与＂噪声＂也十分困难，对于企业管理者而言，承认＂噪声＂的存在有什么意义？
　　《噪声》作者： 偏差是一种可以预见的方向错误。不是所有错误都源自偏差。当人们被期望就某个目标达成一致，而到头来他们却产生了严重的分歧，此时这些判断就存在噪声。
　　一个测量的例子可以最好地说明＂偏差＂与＂噪声＂的区别。比如，你放在浴室的体重秤，每次测出来都偏重一斤，这就是＂偏差＂，也很容易纠正，只要每次在显示的体重的基础上减去一斤就可以了。但假如有一台秤，你连续三次站上去结果都不一样，三个数值之间存在微小的差别，且这个差别是随机的，这就是＂噪声＂。
　　偏差和噪声，即系统偏差和随机离散，是误差的不同组成部分，为了做出正确的决策，组织需要同时与偏差和噪声作斗争。
　　记者：在您日常接触的硅谷科技公司的创始人和高管中，他们通常采取什么样的措施减少决策过程中的噪声？
　　《噪声》作者： 我们日常不会接触硅谷公司，不过，通常而言，认真对待噪声的组织倾向于制定决策流程，以减少噪声对个人决策的影响。一种减少噪声的方法我们称之为决策卫生，另一种方法是用算法代替人类做决策。
　　记者：算法在其中发挥着怎样的作用？
　　《噪声》作者： 无论算法的质量如何，相对于人类判断，算法还是具有巨大的优势的——算法消除了噪声。算法在做出决策时，不存在心情好坏，也不受客观环境的影响。这也是为什么人工智能算法在许多应用程序中发挥着举足轻重的作用。即使是依据简单规则搭建的算法模型，在做决策时也往往比人类更可靠。
　　当然，这不是说我们要用算法替代人类。首先，这不可能。其次，算法有时会产生偏见和歧视，这将导致运用算法减少噪声得不偿失。第三，哲学意义上，即使一种算法在多重指标上的表现都优于人类判断，我们可能还是想要人来负责算法。
　　基于以上三个原因，《噪声》一书并非倡导＂人类决策是糟糕的，必须用算法取代它＂，这本书研究的是，＂人类决策是有缺陷的，我们该如何提高决策的准确性？＂为了实现这个目标，我们应该尝试模仿没有噪声的机器决策。
　　记者：有判断的地方，就有噪声，尤其当涉及到个人对个人的判断，比如面试、绩效评估、人才选拔/淘汰上，噪声数量和危害尤甚，对管理者而言，如何跨出解决问题的第一步，您有什么好的建议？
　　《噪声》作者： 第一步是正视噪声问题。也许迄今为止，你都没有思考过噪声对决策的负面影响，是时候研究一下噪声问题有多严重，存在多大的风险。我们可以通过噪声审查来评估系统中的噪声。在噪声审查过程中，几名专业人员对同一案例做出独立判断，我们可以在不知道真实值的情况下测量噪声。
　　以人事决策为例，我们可以询问几名专业人员对某个应聘者的看法，或他们对某位员工表现的评价，由此评估人事系统的噪声，前提是，我们必须确保专业人员独立做判断，且结果互不干扰。
　　毫无意外地，我们会发现每个人的结论都不同——这就是人类决策——并且很有可能，专业人员之间的差异之大超出我们的想象。这意味着，一项决策一旦换了负责人，结果就会迥然不同。对于任何组织来说，这都是一个令人不安的结论。
　　记者：对于组织而言，最佳的噪声水平意味着什么？如何找到最佳的噪声水平？
　　《噪声》作者： 我们把噪声定义为＂本该相同的判断中存在的不受欢迎的变异性＂，根据定义，噪声有害无益，然而，每当我们建议人们消除噪声时，他们可能会以成本过高为由进行反对。
　　例如，当给学生评分时，老师本身存在噪声。假如每篇论文都由三位老师打分，再取平均值，噪声就会小得多，但是否每一次打分都要劳师动众？也未必，只有当打分结果对学生有重大影响时，我们才会考虑这么做。
　　我们在《噪声》一书中提出＂最佳的噪声水平＂，它指的是我们需要权衡减少噪声的成本与益处。但不可能彻底消除噪声不应该成为无视噪声的借口，恰恰相反，只有正视噪声的存在，我们才有可能权衡每一个具体情境下减少噪声的ROI。
　　记者：有一种观点认为，减少噪声的策略和流程助长了组织中的＂官僚主义＂？
　　《噪声》作者： 这是个很重要的问题。我们在《噪声》一书中介绍了几种决策卫生策略：对信息进行排序；将决策过程结构化并进行独立评估；使用基于外部视角的共同参考框架，以及汇总多个独立判断。
　　毫无疑问，这种强调过程而不是决策内容的做法可能会引起一些人的质疑和不满。内容是具体的，而流程是通用的，运用直觉和判断生动有趣，遵循流程则沉闷无趣。传统观点认为，好的决策来自伟大领袖的洞察力和创造力，当我们是领导者时，我们尤其愿意相信这一点。对于许多人来说，流程这个词意味着官僚主义、繁文缛节和拖延。
　　官僚主义固然不可取，但噪声同样不受欢迎。再次重申，一切在于权衡。以医学指南为例，尽管一些医生认为医学指南是官僚主义的化身，但绝大多数医生更愿意使用医学指南，因为医学指南在减少偏差和噪声方面非常成功。
　　所以，关键是找到一种减少噪声的方法，既不让专业人士认为是官僚主义，又可以帮助他们做出更好的决策。
　　记者：您曾在接受采访时说，＂在决策的时候避免噪声，实在不是个体十分擅长的事情。如果说，可以抱有什么信念的话，我其实把它放在组织身上＂。您对组织的这种信念来自何处？
　　《噪声》作者： 噪声是＂本该相同的判断中存在的变异性＂，这意味着它很难在个体决策中暴露出来。当我在做一个判断的时候，我十分确信这个判断是准确的。我不会去想，如果换一个人是否会得出不同的结论，或者说，如果换一个时间思考，结论是否会不同。
　　因此，在组织中更容易发现、测量并且减少噪声，当然，除非组织采取具体的行动，否则，这一切不会自动发生。
　　记者：有一种观点认为，算法时代加剧了人们活在各自的＂信息茧房＂，这是否意味着系统和组织在减少噪声时将面临更大的挑战？
　　《噪声》作者： 如果人们接触不同的信息并形成不同的信念，他们的判断可能会更加不同，这意味着会有更多的噪声。这并不一定会使减少噪声变得更加困难，但会使它变得更加重要。
　　记者：除了减少噪声，今天的企业管理者还需要关注及应对哪些组织变革的挑战？
　　《噪声》作者： 近年来，管理者必须应对许多挑战。减少噪声不应被视为需要处理的额外问题，而应该被视为更好地应对挑战的一种方式。例如，为了应对疫情，管理者需要做出很多决策。如果你能让这些决策的噪声更小，效果自然会更好。