為什麼世界比預測模型更難預測

假設一家公司正在挑選新的業務主管。

有兩位候選人。

A 的面試表現非常好。

說話有自信。

反應快。

過去幾年的業績也很漂亮。

B 的表現比較普通。

履歷沒有特別亮眼。

如果要預測：

誰三年後會成為表現更好的主管？

很多人會自然選 A。

因為目前看到的證據都指向他。

這個判斷不一定錯。

問題在另一個地方。

我們很容易從：

「A 現在的條件比較好」

一路滑到：

「A 三年後一定也會表現很好。」

中間其實少了很多東西。

三年裡可能發生：

換公司策略。

換市場環境。

遇到不同團隊。

出現新的競爭者。

家庭狀況改變。

健康改變。

運氣不同。

甚至連主管這份工作需要的能力，

都可能和原本當業務員時不完全相同。

所以眼前的資料確實有用。

但：

有用，不等於足以決定未來。

這正是預測最容易讓人產生錯覺的地方。

我們很容易把「可以解釋一部分」當成「可以預測全部」

假設學生參加入學測驗。

某個學生考了：

全體前 5%。

如果測驗和未來成績確實有關，

我們當然可以合理推測：

他之後的平均表現可能也高於一般學生。

但能不能直接預測：

他未來也一定是前 5%？

不能。

因為未來成績除了測驗能力，

還受到：

努力程度。

課程難度。

老師。

同學。

生活環境。

健康。

興趣。

偶然事件。

影響。

一個測驗可能真的具有預測力，

卻只能解釋結果的一部分。

這兩句話必須同時成立：

這項資訊有價值。

以及：

這項資訊並不足以決定最後結果。

人最不喜歡的答案，往往是「大概」

如果一位候選人面試表現非常出色，

我們很自然想給出：

「他未來應該也會非常出色。」

這是一個漂亮的預測。

人物特徵和結果彼此一致。

故事也很好懂。

但是如果真正的預測力只有中等，

比較合理的答案可能是：

「他未來的表現大概會高於平均，但不應該預測得和現在的面試表現一樣極端。」

這句話聽起來很無聊。

沒有：

「未來明星主管」

那麼有洞察力。

卻可能更接近現實。

這也是 Kahneman 一再指出的問題：

人喜歡有個性的預測，統計卻經常要求比較平淡的答案。

預測太極端，常常是因為忘了資訊不完美

假設一個學生的入學測驗：

非常高。

我們預測他的第一年成績時，

可以先做兩件事。

第一：

測驗很高，

所以預測應該高於平均。

第二：

測驗不是完美預測工具，

所以不能把未來成績預測得一樣極端。

也就是：

往平均值拉回一些。

這和前面談過的：

回歸平均

直接接在一起。

如果兩件事情只有中度相關，

第一件事情很極端，

第二件事情通常不應該被預測得同樣極端。

「往平均拉」不是故意保守

這一點很容易被誤解。

假設一個學生表現非常優秀。

有人預測：

「他的未來成績應該高於平均，但可能沒有現在這麼極端。」

另一個人可能覺得：

「你太保守了。」

其實不是。

如果測驗和未來表現不是百分之百相關，

就代表：

除了我們已經知道的能力之外，

還存在其他因素。

因此把預測往平均拉，

不是：

沒有勇氣做判斷。

而是：

把我們不知道的部分也放進預測。

如果預測工具越可靠，就可以預測得越大膽

想像兩種情況。

第一種：

某個測驗和未來結果非常高度相關。

第二種：

只有一點點相關。

如果一個人在第一種測驗裡得分非常高，

未來表現也可以合理預測得比較高。

但如果是第二種，

即使現在分數非常漂亮，

未來預測也應該更靠近平均。

所以真正重要的不是：

「現在的資訊有多極端？」

而是：

「這項資訊到底有多少預測力？」

這是兩個完全不同的問題。

面試最容易讓人忘記「預測力」這件事

一個人坐在你面前。

談吐流暢。

眼神有自信。

回答問題很有條理。

一小時後，

你很容易產生：

「這個人未來一定很強。」

因為你得到了一個完整人物。

可是要判斷面試到底能預測多少未來績效，

不能只靠：

面試當下的感覺。

還需要知道：

過去面試很好的人，

實際工作表現如何？

面試普通的人，

後來又如何？

長期相關到底有多強？

如果公司從來沒有追蹤，

就很容易把：

面試造成的信心

誤認成：

面試真正的預測能力。

簡單模型有時贏過人，不是因為模型知道未來

上一個概念談到：

某些簡單公式在預測工作上，

可以和專家一樣好，

甚至更穩定。

這很容易造成另一個誤解：

「所以模型很會預測世界。」

其實不是。

模型也會錯。

它只是有一個優點：

不會因為故事太吸引人，就突然改變標準。

假設預測未來成績時，

模型固定使用：

過去成績。

標準化測驗。

出席紀錄。

每次都按照同一組權重。

人則可能今天因為：

候選人說話很有魅力

而特別看重表達能力。

明天又因為另一個人的經歷很感人，

重新提高對「企圖心」的評價。

模型不一定看到更多。

它只是：

比較一致。

模型可以減少人的錯，但不能消除世界的不確定

這是最重要的界線。

假設模型已經把：

所有目前有預測力的資訊

都處理得很好。

仍然不代表：

未來已經被算出來。

因為未來有些資訊，

現在根本不存在。

例如一家公司明年的表現，

今天還不知道：

會不會出現新競爭者。

重要客戶會不會離開。

法規會不會改變。

原物料價格如何。

新技術會不會出現。

管理層會不會犯錯。

這些不是：

「資料明明存在，只是我們沒找到。」

而可能是：

事件根本還沒有發生。

再好的模型也無法把尚未發生的新資訊提前讀出來。

有兩種「不知道」，最好分開

第一種是：

缺資料。

例如公司去年營收是多少？

答案其實存在。

只是你還沒查。

把資料找回來，

不確定性就能下降。

另一種則是：

未來本身尚未確定。

例如：

兩年後會不會出現新的重大競爭者？

現在可能沒有任何人知道。

你再查一百份報告，

也不能把它變成完全確定。

這兩種不知道很不一樣。

第一種可以靠：

更多資訊

改善。

第二種只能靠：

機率。

範圍。

情境。

以及未來持續更新。

很多預測錯誤，是把第二種問題當成第一種處理

當事情不確定時，

我們很容易想：

「是不是資料還不夠？」

於是：

再找報告。

再找分析師。

再看一篇預測。

再多收集幾個數字。

資料確實可能改善判斷。

但到某個程度後，

多收集資訊只是讓故事變得：

更完整。

不一定讓未來變得：

更可預測。

這和前面談過的過度自信很接近。

知道越多，

有時會增加：

信心。

但增加的信心，

可能比真正增加的準確度更快。

預測公司未來，就是很好的例子

你可以仔細研究一家公司。

知道：

產品。

財務。

市場。

管理層。

競爭者。

這些研究都很重要。

研究完成後，

你可能有理由判斷：

公司條件優於同業。

但是再往前說：

「所以三年後股價一定是多少。」

中間還隔著非常多未知事件。

公司好不好，

和：

市場最後願意用什麼價格交易，

本來就不是同一個問題。

所以完整分析最終仍然需要留下：

不確定性。

好的預測，應該長得像範圍，而不是一句斷言

假設有人問：

「這個專案多久能完成？」

最有吸引力的答案是：

「六個月。」

簡單。

明確。

方便做計畫。

但如果現實中：

需求還可能修改。

技術還沒有完全驗證。

團隊人力可能變動。

六個月就只是一個：

單點預測。

更完整的說法可能是：

正常情況：

6～8 個月。

如果核心技術需要重做：

可能 10～12 個月。

如果需求繼續增加：

時間還需要重新評估。

這樣聽起來比較不乾脆。

但它更誠實地呈現：

世界存在多條可能路徑。

單一數字很方便，也最容易讓人產生錯覺

例如：

「明年營收成長 20%。」

「專案八個月完成。」

「房價五年後上漲 30%。」

「這家公司合理價值 150 元。」

這些數字不是不能使用。

問題是：

一旦數字非常精確，

大腦很容易忘記：

它其實是估計。

150 元聽起來，

會比：

120～170 元

更有知識感。

但有時候後面的範圍，

反而比較符合真正的預測能力。

精確的數字，不等於精確的世界。

規劃工作時，人又特別容易只看自己的故事

假設你準備做一個網站。

你開始列工作：

首頁兩天。

內容三天。

測試兩天。

總共：

一週左右。

整個計畫看起來非常合理。

因為你正在使用：

內部觀點。

也就是仔細研究：

眼前這個專案本身。

這些步驟需要多久？

我們能力如何？

有哪些工作？

內部觀點不是錯。

問題是：

它很容易漏掉：

過去類似專案實際發生過什麼。

外部觀點會先問：「別人以前通常花多久？」

假設同類網站過去有 20 個案例。

原本大家都估：

一個月。

結果真正完成時間通常是：

兩到四個月。

現在你的新專案也估：

一個月。

內部觀點可能說：

「但是我們這一次比較簡單。」

「工具已經改善了。」

「團隊更熟練。」

這些都可能是真的。

但外部觀點會先提醒：

類似事情過去通常沒有大家想像得那麼順利。

所以預測的第一步，

不是馬上講：

「這一次有什麼特殊？」

而是先問：

「這一類事情通常怎麼發展？」

這其實就是基準率再次回來

還記得前面談過：

生動個案容易讓基準率消失。

規劃未來也是一樣。

自己的專案非常具體。

我們知道：

團隊是誰。

有哪些功能。

想怎麼做。

所以它看起來非常特殊。

過去其他專案則只是：

一堆統計數字。

大腦自然更想相信：

自己的故事。

但外部觀點會要求我們先看：

類似案例的完成率。

平均時間。

預算超支程度。

失敗比例。

先建立一個合理起點。

再把自己的特殊資訊放進去調整。

「這次不一樣」可能是真的，但需要證據

假設類似專案過去平均：

一年完成。

你的團隊預測：

六個月。

這不一定錯。

也許這次真的有：

更好的工具。

更多人力。

現成模組。

更少功能。

那麼六個月可能合理。

真正的問題不是：

不能認為自己特殊。

而是：

特殊到足以偏離基準率多少？

如果沒有清楚證據，

「我們這次比較厲害」

往往只是：

內部觀點產生的樂觀。

規劃謬誤，就是對自己的計畫太有信心

人很常：

低估完成時間。

低估成本。

高估收益。

這被稱為：

規劃謬誤。

裝潢。

寫論文。

做軟體。

搬家。

創業。

公共工程。

都很容易出現。

不是因為每個人都不會算時間。

而是我們在想未來時，

會想像一個：

事情大致按照計畫前進的版本。

但是現實中，

時間往往被：

等待。

修改。

溝通。

失敗。

重做。

突發事件。

一點一點吃掉。

Kahneman 自己也曾掉進這個陷阱

Kahneman 曾參與一個大型教材計畫。

團隊很有經驗。

大家也認真估計：

大概要多久完成。

從團隊內部看，

計畫進展似乎很合理。

後來有人提出另一個問題：

過去其他類似團隊通常花多久？

答案遠比他們原本估計的時間長，

而且有不少類似計畫甚至最後沒有完成。

這是一個典型的：

內部觀點

遇上：

外部觀點。

即使團隊知道基準率不樂觀，

人還是非常容易相信：

「但我們這次應該不一樣。」

這就是規劃謬誤有多頑固。

外部觀點不是叫你忽略自己的特殊條件

比較好的順序是：

先看：

同類案例通常如何。

建立基準率。

接著再看：

眼前案例有什麼真正不同。

最後再調整。

例如：

同類裝修通常延誤 30%。

你的工程：

材料都已經到貨。

設計已完全確認。

施工隊也確定。

那麼你可以有理由往較短時間調整。

但是如果只是：

「這次應該會順。」

就還不夠。

預測未來時，範圍通常比故事更重要

假設你預測明年營收。

最想得到的答案是：

成長 18%。

但更有用的資訊可能是：

正常情境：

10～20%。

如果重要客戶加入：

可能超過 25%。

如果市場衰退：

可能接近 0%。

接著再問：

哪些訊號出現時，

要更新原本預測？

這種預測不像一句：

「明年就是 18%。」

那麼有氣勢。

卻更符合：

世界會產生新資訊。

預測不是一次完成，而是不斷更新

很多人把預測想成：

今天做出答案。

一年後看對不對。

其實更好的方式是：

今天依現有資訊做預測。

↓

新資訊出現。

↓

更新。

↓

情況再改變。

↓

再次更新。

這不是：

「一直改答案，所以原本不準。」

而是機率判斷本來就應該如此。

如果世界出現新資訊，

卻因為：

「我去年就是這樣預測」

而拒絕修改，

反而是不合理的。

好的預測需要知道「什麼情況下我會改變想法」

例如你認為：

公司明年會成長。

可以同時寫：

如果連續兩季營收下降，

重新評估。

如果主要客戶流失，

原本預測失效。

如果新產品訂單超出預期，

向上調整。

這比單純寫：

「看多。」

更有用。

因為你不只留下答案，

也留下：

什麼證據支持它，以及什麼證據會推翻它。

不確定性不是缺點，而是預測的一部分

一個分析師說：

「我不知道。」

聽起來很弱。

但如果世界真的高度不確定，

「不知道」

有時反而比：

假裝知道

更專業。

真正好的預測不是把所有不確定性消失。

而是能夠告訴你：

哪些部分比較確定。

哪些部分只有大概。

哪些風險很小但後果很大。

哪些資訊出現後需要重新判斷。

有些東西，本來就存在預測上限

明天日出時間，

可以預測得非常準。

明天下午某地區的氣溫，

也能有不錯的預測。

三個月後某天的精確氣溫，

就困難很多。

十年後哪一家新創公司會成為最大公司，

難度又更高。

這些問題並不只是：

資料量不同。

而是：

系統本身的穩定程度、

時間距離、

參與因素，

都不同。

所以不能用同一種：

「只要模型更強，就一定能預測」

的想法處理所有世界。

AI 和更大的資料，也不能讓所有不確定性消失

模型越好，

通常能利用更多規律。

這當然很有價值。

但即使模型非常強，

如果明天會出現一個：

今天沒有任何資訊可以預見的新事件，

模型仍然不可能提前知道全部。

例如：

突發政策。

新的技術突破。

意外事故。

人的臨時決定。

所以更強的模型可以：

縮小不知道的範圍。

卻不代表：

把未來變成完全已知。

預測模型真正的價值，往往是少錯一點

這個標準很重要。

我們很容易期待：

好的模型應該每次都猜對。

但現實裡很多預測工作的真正進步是：

以前平均錯 30%。

現在平均錯 20%。

這已經很有價值。

例如：

需求預測。

醫療風險。

信用違約。

庫存。

天氣。

不需要每個個案都準確，

只要長期錯誤更少，

決策品質就能提高。

所以不要用：

「模型也會錯」

直接得到：

「模型沒用。」

真正應該比較的是：

和其他方法相比，它能不能讓錯誤更小？

同樣地，人會犯錯，也不代表所有判斷都沒價值

《快思慢想》一直談：

偏誤。

錯覺。

不確定性。

但目的不是把最後答案變成：

「反正什麼都不知道。」

真正的方向比較像：

知道哪些資料值得信。

知道哪些環境真的可預測。

知道什麼時候需要基準率。

知道什麼時候應該把預測往平均拉。

知道什麼時候應該給一個範圍。

也知道什麼時候必須承認：

現在還無法知道。

可以把預測拆成四個步驟

遇到重要預測時，

先找：

基準率。

類似情況通常怎麼發展？

接著看：

眼前證據。

哪些地方真的和平均案例不同？

再判斷：

證據有多可靠。

它和未來結果到底有多強的關係？

最後留下：

不確定範圍。

有哪些未來事件現在還不知道？

哪些事情發生後需要更新？

這樣的預測，

通常比從一個漂亮故事直接跳到結論更穩。

放回《快思慢想》的整體脈絡來看

前面一路談到：

小樣本容易製造故事。

極端結果會回歸平均。

代表性讓「很像」變成「很可能」。

過度自信讓完整故事產生過強信心。

專家直覺只有在有規律、能得到良好回饋的環境裡，

才比較可信。

再往前走一步，

就會得到：

即使已經使用最好的資訊和合理模型，仍然有一部分未來無法被準確預測。

所以真正成熟的預測，

不是假裝不確定性不存在。

而是：

把它放進答案裡。

世界比故事複雜，也比單一數字複雜

人很喜歡一條線：

A 發生。

所以 B 發生。

最後得到 C。

這樣的世界很好理解。

但現實通常更像：

A 可能發生。

B 也可能發生。

某個沒想到的 D 突然出現。

最後結果變成 E。

這並不表示預測毫無意義。

而是提醒：

預測永遠是在有限資訊下，替多種可能性分配合理的重量。

真正值得留下的，不是「未來無法預測」

比較完整的理解是：

有些東西可以預測得很好。

有些只能預測大概。

有些暫時幾乎無法預測。

真正困難的是分辨三者。

所以遇到一個非常肯定的未來判斷時，

可以多問幾句：

這類事情本來有多容易預測？

過去相似案例通常怎麼發展？

眼前資料和未來結果的關係有多強？

有哪些事情現在根本還不知道？

如果答案錯了，最可能是哪個假設出了問題？

能回答這些問題，

通常比只得到一句：

「一定會發生」

更有價值。

因為好的預測不是把世界說得很確定。

而是讓我們在一個本來就不確定的世界裡，

比原本少錯一點，也更早知道什麼時候該改變想法。