崩溃关于即将来临的失控时代的生存法则7

qiufeng0299

第5章
复杂的系统，简单的工具
“拷问你的直觉，这是一种特殊练习。”
Ⅰ
在日本东北海岸线上的一个雪松环绕的山谷中，有一个名叫姉吉的小村庄。这个村庄
有一座树木丛生的山坡，山坡上立着一块石碑，紧靠着前往村庄的唯一道路，石碑上面刻
着这样的警告 ：
在高地上盖房能够确保我们后代的平安与幸福。
牢记大海啸的灾难。
勿在此处以下盖房。
20世纪30年代，在一次毁灭性的海啸之后，村民们把村庄移到了山坡高处，并竖立了
这座石碑。像这样提醒人们警惕海啸的石碑散落于日本海岸线各处。有些设立在1896年的
海啸之后，还有一些甚至更早。但第二次世界大战之后，人们基本上漠视了这些警告。
日本的人口大为增加，海滨城镇不断发展，很多社区从高地移到了海边。
2011年3月11日，一次大规模地震袭击了海岸线，地震引起的海啸淹没了姉吉，而海
水停止在这座石碑以下几百英尺处。山坡下，海啸摧毁了一切。
福岛第一核电站就坐落在姉吉村以南200英里的地方。 地震发生时，核电站关闭了
1
2
3
反应堆。紧急发电机运转，开始冷却核燃料，一切似乎都按照计划进行。
但震后不到一小时，海啸来袭。海浪越过了核电站的防波堤，淹没了发电机。冷却系
统失效，反应堆过热，而且很快便熔化了。有几台发电机位于较高的山坡上，但本应将电
力从它们那里导出的配电站也被淹没了。古朴的大自然之力与复杂的现代系统开始了较量
。结果是：三座反应堆熔化了，发生了几起化学爆炸，放射性材料被释放到了空气当中。
这是25年来世界上最严重的核泄漏事故，而这起事故本可以避免。例如，女川核电站
距离震中近得多，却基本上毫发无伤，虽说海啸摧毁了环绕它的城镇。 女川核电站安全
地关闭了。事实上，邻近地区甚至有数百人在海啸期间在核电站内避难。他们中有人回忆
道：“当时没有比核电站更好的地方了。”
是什么让女川核站如此不同？菲利普·利普西（Phillip Lipscy）、栉田健儿（Kenji Ku
shida）和特雷福·因切尔蒂（Trevor  Incerti）是斯坦福大学的三位研究人员，他们正好探
讨了这个问题。他们发现了几个起作用的因素，其中最关键的是女川的防波堤高度。 他
们是这样解释的：女川核电站有14米的防波堤，能够抵御13米的海啸，正是这一高度的海
啸，压倒了福岛核电站的10米防波堤。 他们写道，一道更高的堤防，“能够阻止或在相
当程度上减轻福岛核电站的灾难”。几米的高度就造成了巨大的差别。
福岛和女川以外，利普西等得到了一个令人毛骨悚然的结论 ：“福岛并不是特例。
至少还有另外12座核电站，它们的防波堤高度低于它们所在区域的海浪最高高度。而这些
核电站散布在世界各地：日本、巴基斯坦、中国台湾、英国和美国。”
不妨想象一下，现在由你负责决定一座核电站的防波堤应该有多高。你将如何做出这
一决定？这是一个艰难的决定，因为这是由极端情况而不是平均情况决定的。你或许会说
，显然你想要堤防的高度高于这一地区以前观察到的海浪最高高度。有道理，但然后又怎
么样？应该高多少？
这是一个很难回答的问题。增加高度需要多花一大笔钱，特别是要保证防波堤不仅高
而且坚固。一座低于女川核电站的12米的堤坝已经是四层楼房的高度了！而堤防增加高度
时，需要面临越来越多的问题。建造工程越来越复杂，人们会抱怨景观丑陋，维修费用太
高，防波堤很快就成了你需要担心的一个重大项目。很显然，防波堤的高度不可能是无限
制的。那你该如何决定呢？
你或许会说，你会根据最高海浪的历史数据，或许还要参考海啸模型的结果。但历史
资料并不总包含最严重的情况，而模型也带有许多不确定之处。因为你无法修建一座无限
高的堤坝，你需要拿出一个你非常肯定的数字。你无法百分之百地确定，但你会对海浪的
高度范围有一个大概的估算。你可以考虑在最佳情况和最坏情况之间的合理范围。例如，
你或许能够99%地肯定，冲击防波堤的最高海浪高度在7到10米之间。然后你就可以根据
这一假定来决定堤坝的高度。
4
5
6
7
大部分人都不需要去负责决定核电站防波堤的高度，但我们都对这种局面非常熟悉。
我们总是需要做出这类预测。我们需要估计一个项目的时间长短，或者在交通状况很差的
一天里赶往机场需要多少时间。对这样的预测，我们没有100%的把握。要想做到无懈可
击，我们只好说，完成这个项目需要的时间在零天与无穷多天之间。这种预测毫无用处。
因此，或隐晦或明显地，我们使用人们称之为置信区间的概念，即处于可能的最佳情况和
可能的最坏情况之间的一个区间。例如，我们可能有90%的把握，认为我们的项目会在两
个月与四个月之间完成。
麻烦的是，我们进行这种预测的能力实在欠佳，我们画出的范围太窄。正如心理学家
唐·莫尔（Don Moore）和乌列·哈兰（Uriel Haran）所说的那样：“对于这类预测的研究发
现，虽然根据概念，90%的置信区间应该在10次中有9次是对的，但往往只在不到50%的
情况下答案是正确。” 当我们对于某个预测具有90%的置信度，实际上可能还不到50%
。即使在对错参半的情况下，我们也可能信心十足。与此类似，当我们具有99%的置信度
时，我们搞错的概率也远远大于1%。如果你99%地肯定，最高的海浪会在7米与10米之间
，事实最后可能会给你一记响亮的耳光。
通常，当我们在估计某种情况时，比如一个项目的耗时长短，我们应该注重两个端点
：一个可能的最佳结果（项目将在两个月内完成），和一个可能的最坏情况（需要用四个
月）。莫尔、哈兰和他们的同事凯里·莫尔维吉（Carey Morewedge）找到了一种更好的方
法，它推动我们考虑一个更宽的结果范围，即主观概率区间估计（Subjective Probability In
terval Estimates，简称 SPIES）。 尽管这个名字听起来似乎有点不靠谱，但实际上它相
当简单。你要考虑的不是两个端点，而是要估计几种结果的可能性：在整个可能的数值范
围内的几个区间。你首先找出能够覆盖一切可能结果的区间。然后一个接一个地考虑每个
区间有多大可能性，并写下你的估计。就像下面这样：
区间（项目的长度） 估计可能性
不到一个月 0%
1～2个月 5%
2～3个月 35%
3～4个月 35%
4～5个月 15%
5～6个月 5%
6～7个月 3%
7～8个月 2%
8个月以上 0%
8
9
根据这些可能性估计，你可以估计出一个置信区间。例如，如果你想要达到90%的置
信度，你就应该忽视最底端的5%的概率区间（不到一个月的区间和1～2个月的区间），
也应该忽视最顶端的5%的概率区间（6～7个月、7～8个月、8个月以上的区间）。余下的
那些就是你的90%的可靠置信区间：2～5个月。但你甚至不需要进行最后的计算。莫尔和
哈兰创建了一个漂亮的网上工具，你只要轻松地把你的区间与估计输进去。这件工具将为
你完成其他的工作，计算出你想要的任何水平的置信区间，快捷、容易。
SPIES是完美的吗？不是。但它确实做出了重大改进。莫尔和哈兰是这样说的 ：
我们的研究前后一致地显示，与使用其他预测方法相比，使用SPIES能够更
为经常地获得正确的答案。例如，在一份研究中，参加者同时使用传统的置信区
间方法和SPIES方法来估计温度。他们的90%置信区间法在大约30%的情况下能
得到准确的答案，但用SPIES法时，得出准确答案的概率几乎达到74%。另外一
项研究是一个有关日期的小测试，估计这些日期上各种历史事件的发生率。使用
传统的90%置信区间法，参与者正确回答了54%的问题。而SPIES法则在77%的
情况下做出了正确的估计。
SPIES迫使我们考虑整个区间的可能性，而不仅仅是两个端点，因此它压制了我们的
过度自信，让我们尽可能考虑一些似乎不大可能的情况。
遗憾的是，设计福岛核电站的东京电力公司（Tokyo Electric Power Company，简称T
EPCO）的工程师没有考虑整个可能性区间。“工程师没有考虑意料之外的庞大海啸可能发
生的情况。” 公司的一位高管在事故之后承认。尽管有古老的海啸警示石碑和现代的计
算机模型，这家公司“没有足够谨慎地考虑自然灾难的正面冲击”。
Ⅱ
TEPCO的管理人员过于自信了。他们也面临着重大的挑战，尽管他们使用了精巧的
模型来预测海啸的规模，但模型实际上效果如何，他们并没有得到过很多反馈，因为海啸
并不经常发生。当然，总的来说，没有海啸自然是件好事，但也让TEPCO的工作更为困
难。
心理学家称TEPCO的工程师的工作条件为“恶劣环境”。 在这样的环境下，我们很
难核对预测和决策是好是坏。这就像在无法品尝的情况下学习如何烹饪一样。在没有反馈
的情况下，我们无法根据经验做出更好的决策。我们无法获得足够的技巧，因此也就无法
判断加一汤匙盐会让汤太咸还是太淡。
10
11
12
在所谓良性环境下，其他类型的问题会经常为我们提供反馈，让我们认识到决策是好
是坏。在这种环境下，人们确实能够逐步认识到规律，并做出有效决断。例如，象棋大师
能够迅速决定有希望的走法，而经验不足的玩家则经常错失良机，甚至在长时间思索之后
也不例外。气象学家运用他们有关某个特定地区气候的经验，改进他们的天气预报。这些
专家随时随地都可以得到反馈。象棋大师有胜有负，天气预测专家也会定期核对预测的准
确性。他们品尝了自己领域内做出的“汤”的滋味。马尔科姆·格拉德威尔（Malcolm Gladw
ell）曾在其著作《眨眼间》（Blink）中描绘了一些运用直觉的超级英雄，比如有一位消
防队队长，可以依赖第六感行动，在房屋倒塌之前把队员从燃烧的建筑物中拉出来。
在良性环境下，专家是可以成为那种人物的。
但那些在恶劣环境下工作的人，永远没有机会发展出这种技能。 研究表明，他们
的判断不会随着时间的推移得到改进。 例如，在一项实验中，对于那些证件照与本人
相貌不符的申请者，移民官员在7次中有1次让他们蒙混过关。这些经验丰富的官员和参与
同一项实验的未经训练的学生看走眼的情况相差无几。在鉴别谎言方面，警察也不会比未
经训练的大学生强。而在恶劣环境下工作的人经常根据不相干的因素做决定。法官通常很
少会得到有关他们判决的反馈。一项研究表明，在聆讯假释案件的繁忙日子里，法官在午
餐休息后同意假释的可能性更大。其中的差别非常大：在刚刚用餐之后，同意假释的裁决
百分比要比用餐前高出65%，但随后便逐渐下降，在下次休息之前几乎降到了零！我们不
妨考虑一下这一点：饥饿不应该影响专家的判断，对吧？
更糟的是，要完成棘手任务的专家几乎没有机会去弥补错误。人们认为他们是可以信
赖的，因此他们很不愿意承认错误、讨论错误并从中学习。如果有人报错了明天的气温，
我们不会在意，但我们不愿意想象警察会抓错人、假释法官会随意做出决定。
这并不是说消防员或者气象学家要比警察或法官高明，这完全与处在特定位置上必须
做的工作有关。例如，气象学家在近期降雨方面的预测做得很好，这是他们有大量机会实
践的一件事，但他们对于飓风一类罕见事件的预测就不那么好了。 而且，就连他们的
降雨预测也是冬天比夏天更准确，因为冬天的雨云比较稳定，而夏天的高热可能导致大型
雷雨云砧的出现。
在复杂系统中进行预测更像预报飓风，而不像预报降雨。复杂系统是恶劣环境：我们
很难理解决策会造成什么影响，也无法从中学习，而我们常常被直觉误导。但好消息是，
不用遵循本能行事时，我们可以利用工具。
考虑一下，当一位病人一瘸一拐地走进急诊室时，医师是如何对受伤的脚踝做出诊断
的。 长期以来，医师一直受到如肿胀等实际上并不严重的症状的误导。他们让病人做
了许多没有必要的X射线检查，把它作为一种诊断安全网络。但那些X射线检查是要花钱
的，如果每个脚踝受伤的病人都做这样的检查，加起来就要耗费很大一笔钱。而且这也让
病人没有必要地暴露在辐射之下。另外，医生有时又在需要做X射线检查时没有做，结果
13
14
15
16
17
18
19
漏过了严重的骨折。他们依赖于自己的直觉，但他们从来没有得到足够的反馈来改进他们
的直觉。
20世纪90年代初，加拿大的一个医师团队开始改变这种状况。 他们实施了一项研
究，确认那些真正重要的因素。他们的数据表明，只要使用4项标准，医生就能减少三分
之一的X射线检查，同时还不会漏过每一个严重骨折。现在让我们看看人称“渥太华踝关
节规则”（Ottawa Ankle Rules）的这些准则：
疼痛、年龄、承重、骨头压痛。这些简单的事先决定的标准，确实要比医生的直觉可
靠得多。这 4个简单的问题能够让每个医生都变成诊断专家。
与渥太华踝关节规则出现以前的医生类似，我们也经常运用直觉做出特殊决策，而不
是使用事先规定好的标准。例如，考虑我们通常是如何选择管理一个高风险的重大项目人
选的。我们或许会先考虑所有潜在的项目管理人员，并用直觉比较他们，然后做出选择。
但这就会让我们在恶劣环境下，任凭自己受直觉指引。
与此不同，我们应该根据这个项目来建立一个标准。我们首先要弄清，想要成功，这
个项目的管理人应该具有哪些最关键的技巧。然后我们根据这些标准比较潜在的候选人，
即简单地给他们评分（1、0或者-1）。如果这是一个团队共同决策，我们应该为每一个候
选人独立打分，最后对结果取平均值。这将让我们对每个人的总体能力具有数值概念。这
就有些像下面的这份表格：
20
21
技能 平均评分
加里 爱丽丝 苏米
工程理解力 1 1 0.25
与顾客联系的能力 -0.25 0.5 0.75
内部团队人员认可度 0.5 0.75 1
总得分 1.25 2.25 2
这个过程很简单，但它对我们很有帮助。在这个例子中，苏米大概是个善于社交的英
俊员工，但他缺乏成功扮演这个角色所需要的技能或者组织能力；而加里虽然在工程方面
颇有才能，但他却不善于与顾客来往。所以，这个过程让我们免受表象的误导。而且当然
了，你的标准会更多，各个标准的权重也会有不同。
丽莎（Lisa）是西雅图的一位年轻母亲，她和丈夫使用这种方法寻找他们的第一座房
屋。 在使用事先规定的标准之前，他们已经看了50多处房子，却仍然不满意。“有时候
，房子的某些特点我喜欢，我丈夫却不喜欢，并且我们谁也说不出自己最想要的是什么，
”丽莎这样告诉我们，“我们时常对细节耿耿于怀，比如卧室里丑陋的油漆或者周围的环境
。”还有些时候，他们着迷于某座房子，忘记了长远目标。他们想象着自己可以在这座房
子里举办梦幻般的聚餐会，却忽略了他们的家庭会扩大，因此那座房子并不合适。“更糟
糕的是，带着一个两岁孩子奔波，一座房子一座房子地看下去，实在太累人了，”丽莎补
充道，“你就想快点决定下来。这很容易让人看不长远。”
在经历了徒劳无功的四个月之后，这对夫妇采用了一种新方法。作为第一步，他们罗
列了对他们来说重要的各个方面，结果写出了12条标准，从房子是否好卖到邻居的素质。
接着，他们用网上的一种叫作“维基序列测量”（pairwise wiki survey）的工具 ，给这些
标准做了主次排列。这个工具会随机从他们的清单中选择两项标准，他们俩都必须点击各
自认为更重要的项目：
22
23
经过几十次这样的选择之后，这个工具会计算出每个项目的得分，把它们从0（最不
希望的）到100（最希望的）排列起来。例如，“比较容易买卖”得79分，这就是说，如果
与标准清单中随机选择的一项配对，它有79%的机会入选。这对夫妇用这一套测量确定了
这些标准的权重 。
然后，当他们去看房子时，便能够独立针对每一项打分了（得分为-1、0或者1）。如
果他们对于某个得分意见不同，则取两人的平均值。调查的加权总和让他们给每个房子打
出总分。下面是从他们的电子表格上摘录下来的，表明他们对几个房子的实际评级：
标准 权重 房子D 房子J 房子T
功能特点（3间卧室，待客空间） 89 1 1 1
比较容易买卖 79 0.5 1 0.5
空间大小 73 0 1 1
增加附属居住单元的潜力 67 1 1 1
与户外/自然环境的连接 62 1 1 0.5
家的感觉 62 1 -1 0.5
似乎不需要大规模维修 61 1 -0.5 1
性价比 53 0 0 0.5
邻近地区的社区感 65 0 -1 0.5
优雅的邻里环境 57 -1 -1 0
邻居 54 -1 0 0
房子的总加权得分（最高722） 269.5 155.5 450.5
相对于722总分的百分数 37.3% 21.5% 62%
我们以房子D为例。丽莎和她的丈夫喜欢这座房子，在很多项目上给它打了 1。但是
，让他们吃惊的是，计算结果出来时，这座房子的总分相当低。“我们喜欢房子的许多方
面，几乎要爱上它，”丽莎说，“但评级系统让我们计入了周围环境，这方面它比较差。”
最终，这对夫妇买下了房子T。尽管它没有D或者J得到的评分 1多，但各方面都没有大问
题，并且在一些权重高的项目上得了高分。
“这种方法帮助我们透过表面细节和模糊感觉细致观察实质，”丽莎说，“要把11个不
同的标准全都记住实在太复杂了，但通过这套工具，我们可以把所有事物都归纳成一个总
体图像。它也让我们之间的不同意见变得不那么具有感情色彩。我们讨论实际的项目，而
①
②
不是就个人印象展开辩论。”
这种增加结构的方式并不适用于我们的每一次选择。但是，当我们在恶劣环境下面临
重大决定时，这是一种能够提高质量的简单解决方法。
Ⅲ
2013年3月，当美国零售业巨头塔吉特在加拿大开办头几家商店时，有几百名好奇的
顾客与迫切希望买便宜货的人黎明前就排起了长龙。有些人甚至在帐篷里过夜。上午8时
整，商店开门了。“我一直想参加塔吉特的宏大开业大典，现在我来了！好兴奋啊，太兴
奋了！”一位女子进门时这样说。身穿公司传统制服——红色衬衣和卡其长裤的员工拍手
欢呼，与顾客击掌相庆。“来吧，伙计们，欢迎来到塔吉特！来吧，人人都来吧，推上一
辆购物车！”
塔吉特在加拿大开设第一家商店之前，这家店铺便已经在加拿大久负盛名，许多加拿
大人跨过美加边境，只为去塔吉特商店购物。 为了给加拿大的开张营造气氛，塔吉特
在奥斯卡颁奖仪式期间播出了加拿大主题的广告片。在9个月之内，这家公司在加拿大开
办了124家商店，进入了加拿大的每一个省份，甚至包括爱德华王子岛。
开张之后不到两年，塔吉特关闭了在加拿大的所有商店，一举退出该国。17,000多人
失去了工作。那时塔吉特在加拿大已经累计亏损数十亿美元。“简而言之，我们每天都赔
钱。” 塔吉特的首席执行官承认。加拿大报纸称这次扩张是 “辉煌的失败”“全然的灾难”
“美国零售商在这个国家遭遇的最惨痛失败”。这是一次戏剧性的崩溃，以至于有加拿大剧
作家就此写下了剧本。
塔吉特的扩张计划十分大胆。它没有遵循一步步向前的方针，而是做了一次18亿美元
的房地产租赁交易，一次性租赁了100多处商店。公司面临着尽快开店的压力，因为这样
就可以不必在商店空置时付租金。而且商场所有者也不喜欢购物中心空荡荡的，这更让塔
吉特压力大增。塔吉特全力以赴地按照一个雄心勃勃的时间表开始了工作。
换言之，从一开始，进军加拿大就是一个紧密耦合的系统。“要在一个新国家内，在
这么短的时间里开办这么多商店，允许犯错误的空间非常小。” 多伦多商业记者乔伊·
卡斯塔尔多（Joe Castaldo）如是说。他全程报道了塔吉特加拿大的崩溃。“所以，一旦一
个地方出了问题，你几乎没有时间去修补，因为你必须在两周之后再开一波新店。”
这一扩张也很复杂。进军加拿大要求建立庞大的供应链管理系统，引导从卖家到塔吉
特仓库，然后从仓库到商店存储地点，直到商店货架的产品流。这个系统必须持续跟踪每
一种产品，建立可靠的数据，以便塔吉特预测需求、补充存货、管理它的配销中心。在美
24
25
26
27
国，塔吉特为此有一个经过反复尝试确定的系统。但加拿大有所不同。现存的系统需要许
多客制化服务，才能与法语字符、公制单位和加拿大货币匹配。这套东西在另一个国家的
转换无法一蹴而就。
出于时间考虑，塔吉特买了一套现成的供应链管理系统在加拿大商店中使用。他们选
择的是一套德国软件，许多零售专家认为这是同类产品中最好的。这是一套高档先进的系
统，但却很难上手。塔吉特没有几个人真正弄懂过这个系统。卡斯塔尔多称它是一头“要
求非常严格的野兽”。
要让这个系统顺利运行，员工必须输入75,000种产品的数据。一种产品他们经常要输
入几十个字段，从产品编号、大小，到多少个单位与一个运货箱配套。而且这一切都必须
迅速完成，很容易出错。
果不其然，员工们出错了。这些错误普普通通，像打字错误、有些字段没有填上、产
品大小用的是英寸而不是厘米。不过错误越积越多，而没有每一种产品的准确信息，以及
每一家商店的每一个货架的正确尺寸，存货总额管理系统就无法正常工作。
大量小错误让塔吉特的供应链承受了巨大的压力。产品没有正确地流入商店，顾客购
物时会发现货架有一半是空的。与此同时，管理这次进军的团队过高估计了需求，仓库中
的货物爆满。塔吉特另外租用了存储空间，但这让人们更不容易知道每种商品在哪。
“为什么塔吉特的配货中心这么快就挤成了这个样子？好吧，事实证明，它没有预料
到会发生这样的情况，”卡斯塔尔多告诉我们，“每一种商品都必须快速进出，这样才能腾
出空间，让下一批货物进入，这种情况下，一个问题很容易就会导致另一个问题。”
有一段时间，销售部门的员工花费了令人精疲力竭的两周时间，手工核对系统中每条
产品的信息。商店库存量惨淡，货架是空的，顾客很生气。加拿大中心总部的经理在他们
的计算机屏幕上看到的东西与实际情况不相符合，这是复杂系统的确凿症状。“我们几乎
看不见顾客看到的东西，”一位前员工说，“我们看纸上的文字，认为没问题。但当我们来
到商店，我们被惊到了。”
这次进军加拿大演变成了一次大混乱。到2015年初，塔吉特加拿大寿终正寝。
但从许多方面来说，塔吉特这一仗早就失败了，从它在2011年签下商店租赁合同，并
全力以赴地致力于完成一个紧迫的时间表的那一天起，它失败的命运便已经注定。大约就
在那个时候，塔吉特的年度报告描述了他们对这次加拿大行动的预期风险。 它专注于
几个一般性因素，诸如推广计划、商店改建和员工招募。报告中没有提到后来粉碎了这次
扩张的真正风险：过分紧迫的启动时间安排、货物系统的复杂性、令人尴尬的数据录入问
题，以及加拿大的小怪癖，如公制单位和法语字符等。事实证明，小怪癖造成了大毛病。
这些问题都没有在报告中出现。
28
29
30
31
当然，事后诸葛亮比较容易当。就像据说沃伦·巴菲特（Warren Buffett）说的那样，
后视镜永远比车前窗更清楚。而后见之明又总是来得太晚，或者看上去如此。但如果有一
种能够在崩溃发生之前利用后见之明的威力的方法又会怎么样呢？如果我们能够提前从后
见之明中得到益处又怎么样呢？
两年前，在一个顶级商业学校中，我们在60名学生毕业前几周对他们做了调查。这是
一次快速的网上调查，只有一个问题。我们给这些学生几分钟时间，让他们写下下列问题
的答案：他们的学校如果要在今后几年内取得成功，面临的最大风险是什么？我们想要看
看，我们提出这一问题的用语是否能够产生重要影响。于是这次调查包括两个略有不同的
版本。一半的学生看到了我们最初的问题（1号版本），另一半学生看到了一个略加改动
的问题（2号版本）。
下面是对答案的一个随机取样。你能看出规律吗？
对于1号版本问题的回答 对于2号版本问题的回答
“没有对学生进行足够的实践训练。我们学到的实
际能力与技巧不如别的学校多。”
“过分专注于学术问题，对于实践职业服务关注不
够。”
“这一专业中竞争者极多，而它无法每年都让学生
得到好的工作。”
“诸如学生考试作弊这类学术丑闻损害学校的声誉
。”
“我们的学习计划没有将课堂教学与实践工作经验
结合。”
“人工智能顶替了许多很好的初级工作岗位，这些
岗位过去是由我们这些毕业生占据的。”
“与其他学校相比，很少有公司从我们这里招人。
对职业准备的支持不够。”
“自然灾害损坏建筑物。新法律让外国学生太不容
易得到签证。”
“来自其他学校的竞争，以及对于作为整体的经济
的更广泛的威胁。”
“在其他学校中有更为实用的训练。网上课程让真
人课堂教学过时了。大学自己的经济学系创造了一
个应用课程，吸引了我们最好的学生。”
正如我们看到的那样，对于1号版本问题的回答是完全合情合理的，尽管比较狭窄。
它们是关于外部竞争和课程内容的。它们是经典的学生抱怨：其他学校做得更多，课程的
实践性不够。这都是些合乎情理的观点。然后让我们核对2号版本问题的回答。学生也在
这里谈到了外部竞争和课程内容。但还包括了多得多的东西：考试作弊丑闻！自然灾害！
人工智能！网上教育！而且回答还不止如此，从始料未及的法律变化，到来自大学内经济
系的竞争。这是更多样化的一组风险，其中有更多突如其来的想法。
那么，引起不同回答的两个问题有什么不同呢？第一个问题直截了当，当你试图让人
们开动脑筋考虑潜在风险时可能会这样问：
花上几分钟时间考虑，在今后两年中，哪些因素、倾向或者事件会对这所学
校的生命力与成功造成最大的威胁。然后写下你的头脑能够想到的每一件事。
第二个版本的问题，提问方式有所不同。它没有关注可能会出现的风险。与此不同，
它请人们想象，现在已经是两年之后，已经出现了不好的结果：
想象一下两年后的今天，这所学校正在艰难挣扎。作为最近毕业的学生，你
一直在听到坏消息。事实上，大学甚至可能会取消商业课程。现在，花上几分钟
想象，是哪些因素、倾向或者事件导致了这样的结果，然后写下你的头脑能够想
到的每一件事。
这个问题的基础是一个叫作事前检验（premortem）的聪明方法。 下面是发明了这
一方法的研究人员加里·克莱因（Gary Klein）的解释 ：
如果一个项目进展欠佳，就会有一个汲取经验教训的会议，探讨哪里出了问
题，为什么项目失败了，就像医学上的验尸解剖。为什么我们不可以事前这样做
呢？在一个项目开始之前，我们应该说：“让我们现在看一看水晶球，这个项目
将会失败，是一次惨败。现在，诸位同仁，花上两分钟，写下你们想到的所有可
能造成项目失败的原因。”
然后每个人就都说出他们想到的原因，并提出方法，预防团队集体归纳出的一系列风
险。
事前检验的基础是心理学家称之为未来的后见之明的概念，即通过想象一个事件已经
发生而产生的后见之明。一份1989年的里程碑式的研究表明，未来的后见之明可以提高我
们的能力，确定某种结果为什么可能发生。 研究课题时采取未来的后见之明这种方法
，人们可以找到许多原因。而如果他们不去想象失败的结果，这些原因就不会如此实际与
准确。这是一种技巧，可以让后见之明为我们服务，而不是成为我们的对头。
怎样做呢？这里是这项研究中的一个例子 ：
考虑一下预测冠军系列赛的第一场篮球比赛的获胜队。在比赛开始之前，预
测获胜者是基于一些一般因素：关键球员之间的配合，团队的优缺点等……比赛
之后情况则不一样了。一支球队的失利可以用这些一般因素以及其他特殊事件解
释，如球员A多次犯规后表现得缩手缩脚，球员B“发挥失常”，该队曾获得了上
次系列赛的冠军因而不够积极，等等。
32
33
34
35
比赛之后情况则不一样了。如果某种结果已经发生，我们会对它产生更为具体的解释
，这就是事前预防利用的倾向。它重新组织了我们考虑原因的出发点，即使我们只是在想
象中看到了结果。而且，事前预防也影响了我们的动机。“其中的逻辑是，它并不是在告
诉人们，你很聪明，你能想出一个好计划。而是告诉人们，你可以极富洞察力地思索，想
出这个项目为什么可能败北的原因。”加里·克莱因说，“人们的整个活动发生了变化，从
试图避免可能破坏和谐的任何东西，变为试图让潜在的问题浮出水面。”
例如，它不会问我们如何才能让塔吉特的扩张成功，而是让我们想象这次加拿大进军
已经一败涂地。我们就会绞尽脑汁地解释它为什么会失败，而且在我们决定进军之前就防
止这一切。
事前检验不仅能够运用于10亿美元规模的扩张业务中，还可以运用于其他许多地方。
吉尔·布鲁姆（Jill Bloom）在西雅图工作，是一家大型科技公司的经理。为了自己生活中
的一项重大决定，聪明而又勤奋的她做了一次事前检验。 当她在同一个职位上工作了
两年之后，有人招募她担任一个新职位。开始她很兴奋：她的新经理是罗伯特，他似乎很
有活力，也很有魅力，而且她有机会参与重大决策。但没过多久，她就认清了形势。罗伯
特的所谓活力其实只不过是轻浮易变。她担负的角色也和她预想的有所出入。她确实有机
会参与战略性问题的决策，但她几乎没有任何机会得到合适的资源来把她的想法付诸实行
。更糟糕的是，她所在的团队几乎每时每刻都有危机，而没有规律的工作时间让她感到过
度紧张与疲乏。
在加入罗伯特的团队之前，布鲁姆曾经在电子表格上分析了这一行动的风险与益处。
“但我没有注意到一些大的风险，而且我也没有深刻地分析我发现的那些风险，”她告诉我
们，“我并没有深入这些风险内部，评估它们是否确实是风险。”
另一位名叫玛丽的经理与布鲁姆有过一次闲谈，其中提到了后者对这一改变的不愉快
程度。她问布鲁姆是否有兴趣加入她的团队。布鲁姆加入罗伯特的团队只不过几个月，因
此她担心再次跳槽会影响今后的晋升。而罗伯特听说她在考虑跳槽，因此提出让她留在团
队中，转任另一项工作，这让情况变得更加复杂化。
为了在罗伯特给她的新工作和玛丽的团队之间取舍，布鲁姆和她的丈夫坐下来，对她
的每一个选项进行了一次事前检验。“我们设想，情况将在一年后变得不是很美妙，并试
图弄清楚为什么。”布鲁姆告诉我们。这次事前检验给了她一份短清单，其中罗列了她在
比较这两份工作时应该考虑的具体因素，例如经理的风格、团队的文化和她推动项目发展
的能力等。
以这份清单为武器，她尽可能多地搜集了各种信息。“你没法在一次30分钟的面谈中
仔细探讨20个问题。这次事前检验帮助我专注于少数几项最大的风险，并就它们提出了有
36
37
针对性的问题。”然后她基于这次事前检验的因素，比较了这两份工作。“我以这些风险为
基础做出了评级，它们的得分帮助我弄清楚对我来说什么更重要。加入新的团队，我便必
须重新证明自己，因此可能耽搁晋升。但当我将这一点与我每日的工作兴趣比较时，我便
意识到，实际上对于我来说，在玛丽团队里的那份工作风险要小得多。”
当决定的时间临近时，两个团队都在她身上施加了不小的压力。“我有一种手足无措
的感觉，”布鲁姆告诉我们，“我需要做一件什么事情，帮助我退后一步，仔细分析我的决
定。”正是事前检验和事先确定的标准帮助她做到了这一点。最终她决定加入玛丽的团队
，而事实证明，她与新角色之间的契合要好得多。
丹尼尔·卡尼曼（Daniel Kahneman）是行为经济学的开创者之一， 也是《思考，快与
慢》（Thinking, Fast and Slow）的作者。他建议我们使用工具来处理恶劣环境中杂乱无章
的重大决定。SPIES、事前确定的标准和事前检验无法消除错误，但通常它们确实能打断
我们的定式思维，让我们系统地检视我们的选择。
卡尼曼是这样解释的：“大部分人信任他们自己的直觉，因为他们认为自己认清了形
势。而拷问你的直觉，这是一项特殊练习。” 但是，在恶劣环境下，拷问直觉正是我们
需要做的事情。以塔吉特为例。基于他们在美国多年开店的经验，塔吉特的高管认为他们
在加拿大也会成功。但他们从来没有关于国际扩张方面的反馈。因此，当他们签订了那份
10亿美元的租赁合同时，他们是在盲目飞行。
塔吉特领导人应该做的不是信任他们的直觉，而是使用我们在这一章中提到的技巧。
SPIES可以帮助他们避免做出过分乐观的销售预测。像那对首次购房的夫妻一样，事先确
定的标准可以帮助他们评估重大决策的决定性因素，并从中得益。就像吉尔·布鲁姆和她
的丈夫一样，他们可以做一次事前检验，确定阻碍他们成功的具体障碍是什么。这些工具
帮助我们在各种恶劣环境中进退自如。我们在复杂系统中痛苦挣扎，但如果能够在我们的
决定中加上一点点结构，将让我们有机会反击。