概括本能

Lead： 分類有用，但一個類別從來不是它裡面每一個人的真實樣子。

我們為什麼需要分類

沒有分類，人腦根本無法處理世界。國家、產業、世代、職業、消費者類型都是必要的認知捷徑。問題不是分類本身，而是忘記分類只是壓縮資訊。當我們說『科技公司』『東南亞國家』『Z 世代』時，實際上把很多內部差異很大的個體放到同一個盒子裡。盒子方便整理，不代表盒內都一樣。

少數案例最容易被放大

社群媒體偏好極端成功、極端失敗、極端荒謬的案例，因為它們最值得分享。看到三個年輕人靠短影音創業成功，不代表年輕人普遍都能靠短影音致富；看到幾個海外房產踩雷，也不能直接推論某國所有房產都不能買。最鮮明的案例往往正因為不典型才值得傳播。

『多數』需要精確一點

51% 和 95% 都可以被說成『多數』，但代表的世界完全不同。『很多人』『大部分』『幾乎都』這些詞如果沒有比例，容易讓聽者自己補上一個更極端的數字。遇到群體敘述時，最好問實際比例、樣本來源和時間點。

放到投資

同樣是半導體公司，可能一間做晶圓代工、一間做設備、一間做材料、一間做 IC 設計；景氣敏感度、毛利率、客戶結構完全不同。只因為產業標籤一樣，就用同一個估值倍數或風險判斷，是典型概括。ETF 也一樣，名稱都叫高股息，選股規則、換股頻率、產業集中度可能差很多。

容易誤解的地方

反對概括不是要禁止概括。沒有概括，連學習都做不到。關鍵是把類別當成『起點假設』，而不是終點答案。當決策成本高，就要從類別往下拆：地區、收入、年齡、商業模式、資產負債表、制度環境。成本越高，分類越需要細。

實際使用

每次看到『X 都是 Y』，改寫成三個問題：大概多少比例？哪些例外最重要？這個類別內部有哪些子群？只要能回答這三題，概括就從偏見變成可用的分析工具。

再往深一層：跨群比較要先確定分類維度

一個人同時屬於很多類別：年齡、收入、城市、教育、職業、家庭型態。只用其中一個分類，很容易把真正造成差異的變數誤歸因到標籤。例如「某世代不買房」可能其實主要由房價所得比、都市集中和家庭形成時間改變造成。當標籤很有話題性時，更要問是否存在更直接的解釋變數。

完整情境拆解

假設你看到「高股息 ETF 都很穩」。實際拆開後，有的集中金融、有的集中電子、有的高換股、有的追蹤不同指數，配息來源也不同。名稱相似並不等於風險結構相同。如果只用「高股息」這一層分類，就可能錯把產品行銷名稱當成投資特性。

自己練一次

挑一個你平常會用的群體標籤，把它再拆三層。每拆一層都問：原結論還成立嗎？如果結論一直改變，代表最初分類太粗，只適合當搜尋入口。

延伸應用：把概念放進完整決策

概括本能還有一個實用檢查：跨國、跨世代比較時，先找共同條件，再找差異條件。兩個國家都叫「新興市場」，但人口年齡、法治、資本管制、產業結構不同；兩個世代都叫「年輕人」，但同一世代內收入、城市、家庭資產差異巨大。當你發現一個類別內部差異很大，就應降低用類別直接預測個體的信心。分類仍然可以用來導航，但進入真正決策時，要換成更接近結果的變數。這能讓「某國都怎樣」「某世代都怎樣」從刻板印象變成可檢查的假設。

讀完後的判斷清單

• 這個類別內有哪些重要子群？
• 案例是否只是極端值？
• 「多數」實際是 51% 還是 95%？
• 真正影響結果的變數是不是別的？
• 分類只用來導航，還是被我拿來直接下結論？

把這五題拿去套一個你現在真的在做的決策，不需要每題都有完美答案。若其中兩三題完全答不出來，就表示你目前的信心可能高於資訊品質。先補最可能改變決策的資料，再決定是否行動；如果決策低代價且可逆，也可以小步嘗試，用結果繼續更新，而不是為了追求百分之百確定而無限拖延。

今天記住

分類有用，但一個類別從來不是它裡面每一個人的真實樣子。