樹狀圖、平均值與破產

期望值：預設值，而非答案

期望值（EV） 將每個結果按其概率加權並求和：EV = 所有（概率乘以報酬）的總和。決策樹繪製出分支，使你能在每個節點計算 EV，並將樹狀結構回溯至根節點的決策。

實例演練。你可以接受一筆交易：70% 的機率賺取 100，30% 的機率虧損 50。

- EV = 0.70 乘以 100 加上 0.30 乘以（負 50）= 70 減去 15 = +55。結果為正，因此從長期重複來看，這筆交易是獲利的。

何時期望值不是正確的準則

EV 是多次試驗的平均值。它隱含地假設你可以重複下注，且任何單一損失都不會讓你退出遊戲。有兩種情況會破壞這一假設。

- 破產風險：如果某個失敗分支導致你出局（破產、死亡、喪失執照、聲譽毀滅），平均值便毫無意義。你永遠無法獲得長期報酬，因為一次糟糕的結果就會讓你離開牌桌。無論 EV 多高，都絕不要冒你承擔不起的損失風險。

- 非重複下注：對於一次性決策，平均結果可能是一個你從未實際經歷過的情況。一筆 EV 為正但 90% 機率會輸的下注，對於你僅需做出一次的選擇來說，可能仍然是錯誤的。

這就是為什麼，在期望值（EV）上進行博弈時，我們選擇的是小型、可重複且可承受的賭注；而當單一賭注可能導致破產時，我們則優先考慮生存，其次才考慮期望值。自動化系統會毫不猶豫地報告正的期望值；但你的職責是去問：失敗的那個分支是否是可以承受的？

折回樹狀圖

一家訂閱制公司正在考慮是否立即推出一個高風險的功能。如果成功（機率 60%），用戶留存率將上升，價值 200 萬美元。如果失敗（機率 40%），缺陷將引發退款和用戶流失，造成 50 萬美元的損失。這裡有一個複雜之處：創始人個人為公司的運營資金（runway）提供了擔保，因此本季度 50 萬美元的損失將導致公司破產。還有一個第三選項：先進行為期 4 週的測試版（beta），成本為 15 萬美元，這可以在任何全面發布之前揭示該功能是否有效。

你的 90% 置信度真的是 90% 嗎？

一個可以被分數化的機率

一位校準良好的預測者，其聲明的機率必須與現實相符。當你在許多預測中聲稱「90% 置信」時，接近 90% 的預測應該會成真。校準的重點不在於你更常猜對，而在於你的置信度確實代表其所指的意義。

先追蹤，再改進

要確認你的校準程度，唯一的方法是將預測寫下來並標註明確的機率，然後將結果與實際結果進行比對評分。Brier 分數（布萊爾分數）讓這具體化：對於每個預測，取你賦予實際發生事件的機率，並計算其與結果（編碼為 1 表示發生，或 0 表示未發生）之間的平方誤差。

- 預測機率為 0.90，事件發生（結果為 1）：誤差為 (0.90 減去 1) 的平方 = 0.01。誤差很小：表現良好。

- 預測值為 0.90，但事件未發生（結果為 0）：誤差為 (0.90 減去 0) 的平方 = 0.81。分數很高：你非常自信地錯了。

將這些誤差在多次預測中取平均值。Brier 分數越低越好。 該分數對「自信地犯錯」的懲罰最重，這正是最傷害專業人士表現的習慣。

這種紀律是：給出一個數字，記錄下來，核對結果，進行調整。如果系統性地高於實際發生率，意味著你過度自信，應該擴大你的估計區間；如果系統性地低於實際發生率，意味著你信心不足，可以更堅定地做出承諾。自動化預測也可以以同樣的方式進行評分，這正是你學習何時信任它們、何時應覆蓋（override）它們的方法。

評估預測者

一位分析師反覆告訴團隊「我有 90% 的把握這件事會準時完成。」在一個季度內，她以 90% 的信心做出了 40 次這樣的預測。其中 26 次成真了。

單向門與雙向門

並非所有錯誤的代價都相同

當一個決策的「下行風險」（損失）與「上行空間」（收益）並非鏡像對稱時，該決策便具有非對稱風險。限制下行風險同時保留上行空間，正是其中的關鍵。一個「損失有上限、收益無上限」的頭寸，即使大部分時候都是錯的，整體上仍可能獲勝。

選擇權（Optionality） 是一種權利，而非義務，允許你在獲得更多資訊後再採取行動。前兩節提到的四週 Beta 測試就是選擇權：這是一項已知的小成本，讓你在不確定性解決之前，仍能保留那個重大且不可逆的承諾選項。

可逆之事快速決策，不可逆之事緩慢決策

一個實用的框架是根據決策的「可逆性」來區分決策類型：

- 雙向門（Two-way doors） 是可逆的。走進去後，如果你不喜歡看到的結果，可以以很低的成本退回來。這類決策應快速做出並授權給他人。對於一個下午就能反悔的選擇，卻花數週時間深思熟慮，這本身也是一種浪費。

- 單向門（One-way doors） 是不可逆的，或反悔的代價極高。這類決策值得深入審慎、由高層負責，並設置安全機制。

上方的矩陣將「可逆性」與「風險」交叉分析。請根據你所處的象限，匹配相應的決策深度。職業生涯中最昂貴的錯誤，往往源於將「單向門」誤當作「雙向門」，草率地做出不可逆的決定。

最有力的策略通常是將單向門轉化為雙向門：在單一服務上進行試點、對舊系統和新系統進行雙寫、保留舊路徑作為備援、分階段推出。你以此換回可逆性，確保即使決策錯誤，後果也是可承受的。

分類與轉化

一位工程總監本季度面臨兩個選擇。選擇 1：將主要資料庫遷移至新的引擎，這是一個耗時數月的專案，涉及所有服務，且一旦上線便極難回退。選擇 2：採用一款新的內部程式碼審查工具，若團隊覺得不滿意，可以在一週內棄用。

對抗你自身心智的工具

房間裡的集體往往都是錯的

無論是個人還是團體，專業人士都共享著可預測的偏誤：對時間表的樂觀、過度重視眼前的生動敘事，以及向團體已傾向的選項漂移。去偏誤技術是廉價的程序，能在這些偏誤造成代價之前加以抵銷。

- 事前驗屍（Pre-mortem）：假設時間已過，且該決策失敗了。從結果往回推，列出所有導致失敗的原因。這能揭露熱情所掩蓋的風險，並抵銷計畫謬誤與團體迷思。

- 基準率與外部視角：不要僅從本案內部推理，而是詢問類似的努力實際結果如何。如果大多數可比專案都超時 50%，你的專案很可能也會，無論內部敘事如何說。這抵銷了內部視角的樂觀。

- 紅隊演練（Red-teaming）：指派某人認真地論證相反立場，並攻擊該計畫。這抵銷了確認偏誤與達成共識的舒適感。

- 預先決定：在你情感上投入之前，以及在沉沒成本累積之前，設定規則與終止標準。「如果到第 3 個月仍未達到 X，我們就停止。」這抵銷了承諾升級。

每項技術都是一個小儀式，卻有不成比例的報酬，正是因為它對抗的是你從內部無法察覺的偏誤。

為即時決策去偏

你的團隊即將批准一項為期 9 個月的平台重構計畫。會議室裡眾人一致且興奮，高層希望今天就做出承諾。

執行完整工具包

一套協議，應對所有重大決策

現在你已擁有完整的工具包。協議將這些工具串聯成一套可重複執行的順序，供你在任何重大且大多不可逆轉的職業選擇之前使用：

1. 明確陳述你認可的概率。 不是機器的數字，而是你自己的：你認為機率是多少，為什麼？

2. 草擬期望值，然後檢查破產風險。 對結果進行加權，但在行動之前，問問失敗的分支是否可存活，以及這是否是一次性的賭注。

3. 分類可逆性。 是單向門還是雙向門？讓你的深思程度與答案相匹配，並嘗試將單向門轉化為雙向門。

4. 消除偏誤。 針對你自己的熱情，至少執行一次事前演練（pre-mortem）、基準率或紅隊審查。

5. 預先承諾決策規則與終止標準。 在沉沒成本影響你之前，現在就決定什麼樣的證據會讓你停止或反轉。

當自動化系統提供建議或預測時，它對應步驟 1 和步驟 2。你仍然負責步驟 3 至 5，並且擁有覆寫權。

撰寫你的協議

選擇一個具體、重大且大多不可逆的決策，這是你所在領域的專業人士會面臨的：接受一個職位、簽署多年期供應商合約、發布產品、承擔大型財務頭寸。假設一個自動化系統已經為你提供了該決策的建議和預測。

你將帶走的能力

屬於你的技能

你建立了一套在不确定性下進行決策的工具箱：

- 期望值與決策樹，以及在當失敗分支有破產風險或賭注僅發生一次時，超越期望值進行決策的紀律。

- 校準：明確陳述機率、為其評分（Brier 分數，越低越好），並訓練你的信心使其符合實際意義。

- 非對稱風險與選擇權：限制下行風險、區分單向門與雙向門，並將不可逆轉的決策轉化為分階段執行。

- 去偏誤（Debiasing）：事前驗屍（pre-mortems）、基準率（base rates）、紅隊演練（red-teaming），以及預先決策。

- 一套協議（protocol），在做出重大決策之前執行上述所有步驟。

自動化系統在提供建議和預測方面的能力將不斷提升。但這些進展無法消除對人類提供經過校準的判斷力、權衡不對稱風險，並承擔不可逆決策之責任的需求。承擔此責任的，正是專業人士。現在，你已擁有讓這份責任得以落實的工具箱。