第二章 为什么传统理性观在现实世界里经常失灵？

为什么传统理性观在现实世界里经常失灵？ 一句话总纲 传统理性观之所以经常失灵，不是因为逻辑错了，而是因为它默认的世界，和真实世界不是同一个世界。

一、传统理性观默认了一个什么世界？ 很多经典理性模型，背后其实默认了几个前提： • 信息大体完整 • 选项大体已知 • 概率大体可估 • 目标相对单一 • 环境相对稳定 • 计算成本可以忽略 • 决策者有足够时间慢慢算 在这种前提下，理性就被理解成： 收集尽可能多的信息，比较所有选项，计算每一种结果的收益与概率，然后找到最优解。 这套东西在某些场景下当然有用。 比如： • 工程优化 • 标准化流程 • 封闭博弈 • 税务核算 • 考试题 • 已知规则下的资源配置 问题在于： 真实世界里，很多关键决策根本不满足这些前提。

二、真实世界到底哪里不同？ 真实世界不是“题目世界”，而是“生存世界”。 它通常有五个特点。 1. 信息不完整 你做决定时，永远拿不到全量信息。 比如投资时： • 公司未来会不会变？ • 行业格局会不会重构？ • 管理层会不会变质？ • 黑天鹅会不会来？ 这些你都不可能提前完全知道。 所以问题不是“为什么你没把一切算清”， 而是： 因为本来就没有人能算清。

2. 选项不是给定的 很多模型假设你面对一组明确选项。 但现实里，很多时候连选项集都在变。 比如用人时： • 不是“从 A/B/C 三个人里选一个” • 而是“这个岗位到底该不该设？” • “该招成熟的人，还是培养型的人？” • “该内部转岗，还是外部引入？” • “是不是问题根本不在人，而在岗位设计？” 也就是说，现实里的难点常常不是选最优， 而是： 先把问题定义对。 如果题目都定义错了，后面的精密计算基本没有意义。

3. 概率经常不可精确估计 很多真正重要的事情，不是“风险”，而是“不确定性”。 风险是你大概知道分布。 不确定性是你连分布都不知道。 比如： • 新技术扩散 • 地缘变化 • 创始人进化 • 组织文化退化 • 关系走向 • AI 对行业结构的重塑 这些东西，事后都能讲故事； 但事前你很难给出一个稳定、可验证、可重复的精确概率。 所以传统理性观最大的问题之一就是： 它把不可精确度量的世界，硬翻译成了一个可精确计算的世界。

4. 时间和算力都是稀缺的 现实里，决策不是无限时长的。 你常常只能在： • 信息不完整 • 反馈不充分 • 时间不够 • 压力很大 • 机会窗口很短 的情况下做决定。 这时如果还坚持“等我把一切都分析完再说”， 往往不是更理性，而是更容易： • 错过窗口 • 拖失节奏 • 制造行动瘫痪 • 用分析掩盖不敢承担责任 所以现实中的问题，不只是“怎么算”， 而是： 在有限资源下，怎么做出足够好的判断。

5. 环境会反过来变化 传统理性模型常把环境当背景板。 但现实世界里，环境不是静止的。 它会因为你的行为、他人的行为、系统反馈而改变。 比如： • 你一旦买入，价格结构就变了 • 规则一旦公布，参与者行为就变了 • 团队一旦被考核，团队就会适应考核 • AI 工具一旦普及，人的分工方式就变了 所以很多方法不是逻辑上不漂亮， 而是它默认“环境不动”， 但现实偏偏是： 你在算，别人也在动；你在决策，系统也在适应。

三、所以传统理性观到底错在哪？ 它不是“错”，而是适用范围被夸大了。 更准确地说，它有三个常见误用。 1. 把局部有效的方法，当成普遍有效的方法 在封闭、稳定、规则清楚的场景里，精确计算当然厉害。 但很多人会不自觉把这种方法推广到： • 用人 • 创业 • 投资 • 关系 • 战略 • AI 协作 结果就会出问题。 因为这些地方的关键变量，不仅不全，而且会变。

2. 把形式上的精密，当成现实中的高质量判断 这很常见。 一个方案： • 表格很多 • 模型很复杂 • 假设很细 • 论证很长 • 数据很多 看起来就容易让人觉得“更理性”。 但这里有个大坑： 解释感，不等于预测力。 复杂感，不等于有效性。 做得像样，不等于做得对。 很多时候，你看到的不是更强判断， 而是更强的“理性表演”。

3. 把“最优”放在“可生存”前面 这才是最危险的。 现实中的很多决策，先问的不是： “最优收益是多少？” 而应该先问： “会不会把自己搞死？” 因为只要系统会崩， 后面的最优都没意义。 所以真正成熟的判断顺序通常是： 先避免致命错误 → 再争取不错结果 → 最后才谈优化 这就把理性从“追求纸面最优”改成了“追求长期有效运行”。

四、一个特别典型的误判：分析得越多，就一定越理性 这其实是个很深的错觉。 为什么？ 因为“更多分析”可能带来三种副作用： 1. 让噪音伪装成信息 你加进来的很多变量，其实没预测力，只是让模型更热闹。 2. 让人误以为自己更确定 细节越多，越容易产生掌控感。 但掌控感不等于真的更可控。 3. 让行动速度和纠错能力下降 分析太重，常常意味着： • 决策更慢 • 修正更晚 • 成本更高 • 错误暴露得更迟 所以很多时候，不是“分析不够”， 而是： 分析已经超过环境真正允许的有效程度。

五、这和《误判学》《不确定世界》《系统》怎么连？ 这一章其实正好把三本书串起来。 1. 接《误判学》 《误判学》会提醒你： 人会因为偏见、欲望、激励、情绪而误判。 《适应性思维》在这里补一句： 即便没有明显偏见，人也可能因为用了不适合环境的方法而误判。 也就是： 有些错，不是因为你蠢， 而是因为你拿错了工具。

2. 接《不确定世界》 《不确定世界》会提醒你： 世界本来就高度不可预测。 《适应性思维》接着说： 既然不可预测，理性就不能再定义为“算尽未来”，而必须定义为“在算不尽的世界里，仍能做出高质量判断”。

3. 接《系统》 《系统》会提醒你： 结果不是单点因果，而是结构、反馈、目标、延迟共同制造的。 《适应性思维》再往前推进一步： 既然人总是在系统里判断，那判断工具本身也必须适应系统环境，而不是只满足抽象逻辑。

六、一个贴近现实的案例 案例：选一个高认知合伙人 传统理性观容易这么做： • 列一堆指标 • 每个指标打分 • 权重分配 • 算综合分 • 选最高分的人 这个方法不是完全错。 但如果你真这么干，很可能掉坑。 因为真正关键的问题可能是： • 这个人对风险的理解是不是和你同频？ • 他是否真有长期主义，不只是嘴上说？ • 他是能共担后果，还是只想分收益？ • 他在压力下的行为模式是什么？ • 他适不适合这个阶段，而不是抽象上优不优秀？ 这些东西，不容易被“算表格”真正抓住。 所以更好的问题不是： “怎样做一个更复杂的评分模型？” 而是： “在这种高度不确定、长期共担后果的环境里，什么线索真正有判断力？” 这就从机械理性，切到适应性思维了。

七、第二章最重要的一句话 我把这一章压成一句： 传统理性观的问题，不是太理性，而是把只在少数环境下成立的理性模型，误当成了普遍真理。

八、这一章之后，你最该养成的一个动作 以后遇到任何“很理性”的方法，先别急着信。 先问四句： 1. 它默认的环境是什么？ 2. 现实环境真的满足这些前提吗？ 3. 它是在提高判断质量，还是只是在提高精密感？ 4. 它优先保护的是最优，还是可生存？ 这四句一问，很多“高级方法”立刻就会现原形。

九、小结 这一章讲完，最核心就三件事： 1. 传统理性观默认的是一个信息更完整、环境更稳定、选项更清楚的世界。 2. 真实世界往往是开放的、变化的、不完整的、来不及算尽的。 3. 所以真正的理性，不能定义成“算得最全”，而要定义成“在这种现实里，依然能做出高质量判断”。

返回目录