為什麼利弊分析不夠用#

決策之所以困難，是因為你必須在資訊不完整的情況下做選擇。當你考慮職涯轉換時，選項可能無窮無盡——換一份相似但條件更好的工作、在原公司往上爬、跳到別家公司更高的職位、甚至重新進修轉換跑道。你無法在做決定前完整體驗每一個選項，這就是人生。

大多數人遇到這類情境會直接拿出利弊分析（pros and cons list）：把好處列一邊、壞處列一邊，然後比一比。它在簡單情境裡確實有用，但有四個明顯缺陷：

• 預設只有兩個選項，但現實裡通常更多
• 把所有條目都當作等重的，忽略了它們之間的差異
• 把每一項當成獨立事件處理，忽略彼此的關聯
• 好處通常比壞處更顯眼，會讓你陷入「鄰家草地比較綠」的偏誤

作者 Gabriel 早年曾考慮從創業者轉職做創投。利弊清單上一片好處（與創辦人共事、高報酬、無創業風險），幾乎沒有壞處——但他忽略了高度社交、不停拒絕別人、難以入行、長時間陪伴掙扎中的公司等隱藏成本。經驗有限時，利弊清單注定不完整。

這呼應了馬斯洛的錘子（Maslow’s hammer）：「如果你只有一把錘子，所有東西看起來都像釘子。」利弊清單就是決策模型裡的那把錘子——好用，但絕不是萬用工具。你需要更多的決策模型，才能對不同情境挑出最合適的那一把。

衡量成本與效益#

最簡單的升級，是替每一條利弊加上分數（例如 −10 到 10），再把同一個選項的分數加總起來互相比較。這就是**成本效益分析（cost-benefit analysis）**最初級的形式：透過量化讓條目不再等重，也能輕鬆橫向比較多個選項。

進入更嚴謹的版本後，分數會被換成具體的金額：

• 把成本與效益逐項列出，並標上 −$100、+$5,000 等實際金額
• 對於無形的成本與效益（例如不必面對房東的安心感），也要硬著頭皮給一個概估值
• 把所有條目排進時間軸——每一年都是一欄，方便你看出長期影響

為什麼要把現金流排進時間軸？因為今天拿到的好處，比未來同樣金額的好處更值錢。原因有三：今天就能拿去再投資（資本機會成本）、通膨會吃掉購買力、未來本身充滿不確定性。

要把未來金額換算回今天的價值，必須使用折現率（discount rate）。例如：投資 $50,000 的債券，十年後拿回 $100,000，用 6% 折現率折回現值約 $55,839，淨收益是 $5,839——值得考慮。

但折現率本身就是個敏感參數，這時要做敏感度分析（sensitivity analysis）：

• 把折現率從 0% 一路調到 16%，計算每個情境下的淨收益
• 你會發現 4% 時淨收益是 $17,556，8% 時卻變成 −$3,680
• 對所有不確定的輸入參數都該做敏感度分析，找出真正的關鍵驅動因子

折現率沒有「標準答案」：政府通常用接近利率的數字、大公司會用更高的內部資本成本、新創公司則因為高風險而需要 50% 以上的折現率。氣候變遷這類影響跨世代的議題尤其麻煩——折現率會讓遙遠未來的代價被壓縮到接近零，有人認為這在道德上並不公平。

最後要小心：成本效益分析的結果取決於你輸入的數字。電腦科學裡有句話叫垃圾進、垃圾出（garbage in, garbage out）——估算粗糙、時間軸對不齊、折現率亂選，結論自然不可信。但只要謹慎輸入並搭配敏感度分析，它就是利弊清單的最佳替代品。

馴服複雜性#

當選項與成本不再清晰、結果充滿不確定性時，你需要更強的工具。

決策樹與期望值#

想像你要找承包商修泳池。老牌廠商開價 $2,500 一週搞定；新人開價 $2,000，但只有 50% 機率準時，另外有 25%、20%、5% 的機率分別超支 $250、$500、$1,000。

這時可以畫出決策樹（decision tree）：方框是決策點、圓圈是機率分支、葉子是各種可能結果。把每個分支的「機率 × 成本」加總，就得到該選項的期望值（expected value）。新承包商的期望值是 $2,212.50，反而比老廠商的 $2,500 還低。

期望值不是「實際會付的金額」，而是無數次重複後的平均值。就像 2015 年美國媽媽平均生 2.4 個小孩——沒有任何人剛好生 2.4 個，但所有人加總平均下來就是這個數字。

效用值與功利主義#

純看金額還不夠。如果你已經訂好泳池派對，承包商遲到帶來的焦慮、調度替代方案的成本，都該被「定價」進去。把這些加進葉子節點後，你得到的就是效用值（utility values）——反映你對所有結果的真實偏好。

放大來看，**功利主義（utilitarianism）**正是把這種思路推到極致的哲學：最道德的決策，是讓所有人總效用最大的那個。但功利主義也有缺陷：總效用增加時可能極度不均（例如所得不平等），而且效用本身難以估計。

黑天鵝與肥尾分布#

決策樹特別適合處理「機率低、衝擊大」的情境，例如健保高自負額方案在大病時的破產風險。針對這類事件，你必須警惕黑天鵝事件（black swan event）——名稱來自歐洲人長年以為黑天鵝不存在，後來才發現澳洲滿地都是。

低機率高衝擊事件容易被低估，原因有三：

• 人們以為事件落在常態分布上，但實際是肥尾分布（fat-tailed distribution），極端值出現的機率遠高於鐘形曲線預期
• 把多個分布混淆成單一分布（例如忽略了基因病變導致的極端身高）
• 低估了**串聯失敗（cascading failures）**的可能性，例如 2007–2008 年的房貸證券一路拖垮銀行與保險業

休士頓在過去三年發生了三次「五百年一遇」的洪水。氣候變遷正在改寫機率本身——當系統條件改變，原本的機率估算就需要重做。

系統思考與模擬#

要看懂這類複雜情境，得先退一步使用系統思考（systems thinking）：把整個系統當成一個整體去理解組件間的互動，避免決策產生意外後果。

當系統太大難以全部裝進腦中時，可以畫圖：

• 因果環圖（causal loop diagram）：呈現系統中的回饋迴路
• 存量流量圖（stock and flow diagram）：顯示事物如何累積與流動
• 進一步可以用軟體做模擬（simulation），設好初始條件後讓系統自己跑下去

模擬會展現兩個常見的系統現象：**勒沙特列原理（Le Chatelier’s principle）**指出系統在條件改變時會自我調整以部分抵銷外力（與生物學的恆定性 homeostasis 同源）；**遲滯（hysteresis）**則描述系統當前狀態會受過去歷史影響，是一種特殊的路徑依賴。

**蒙地卡羅模擬（Monte Carlo simulation）**是一種特別有用的模擬：用隨機初始條件跑大量次模擬，看不同結果出現的頻率。它在曼哈頓計畫期間因物理學家 Stanislaw Ulam 玩接龍時的靈感而誕生，現在從科學研究到創投基金都在使用。

最後，系統思考能幫你看見全貌，避免陷入局部最佳解（local optimum）——一個還不錯但不是最好的解。你真正想找的是全域最佳解（global optimum），但前提是你得先知道那座更高的山存在。

留意未知的未知#

1955 年心理學家 Joseph Luft 與 Harrington Ingham 提出了**未知的未知（unknown unknowns）**這個概念，後來被前美國國防部長 Rumsfeld 在 2002 年的一場記者會上講紅。把它畫成 2×2 矩陣，就能系統性地拆解你對情境的掌握程度：

• 已知的已知（known knowns）：你已經知道怎麼處理的風險
• 已知的未知（known unknowns）：你知道存在但結果不明的風險，可透過去風險（de-risking）轉成已知的已知
• 未知的已知（unknown knowns）：你沒注意到但別人有清楚解法的風險，找有經驗的顧問就能浮現出來
• 未知的未知（unknown unknowns）：最不顯眼、需要刻意挖掘的風險

整個練習的目的，就是把所有四象限裡的條目逐步搬進「已知的已知」這格。這跟系統思考一樣，都是在追求對情境的完整理解。

情境分析與思想實驗#

要挖出未知的未知，可以使用情境分析（scenario analysis）：刻意構想出多個合理但相異的未來，深入分析每一種的可能性與後果。它困難在於人會被第一個想法錨定，慣性地把當下軌跡延伸下去。

破解方法包括：

• 列出可能發生的重大事件（股災、新法規、產業合併），再回推到自己的處境
• 進行思想實驗（thought experiment）——在腦中而非現實中跑實驗。最有名的是薛丁格的貓
• 使用「如果……會怎樣」式的問句去探索未來

• 把同樣問句倒過來用在過去，叫做反事實思考（counterfactual thinking）：如果我當年接了那份工作？如果我念了另一所學校？

這些技巧屬於橫向思考（lateral thinking）——讓想法從一個點跳到另一個點，而非像**批判性思考（critical thinking）**那樣直接評斷眼前的想法。橫向思考就是「跳出框架思考」。

群體迷思與發散思考#

情境分析很難一個人完成，但找一群人腦力激盪也未必更好——因為**群體迷思（groupthink）**會讓成員為了和諧而趨向共識，迴避衝突與替代方案。**從眾效應（bandwagon effect）**則描述觀點隨著支持者增加而迅速擴散，形成風潮。

對抗群體迷思的工具：

• 建立質疑假設、批判評估的文化
• 設置魔鬼代言人（Devil’s advocate）的角色
• 主動找意見不同的人加入
• 降低領導者對小組討論的影響
• 把大組拆成獨立的小組

最後一條尤其關鍵，它正是發散思考（divergent thinking）的基礎：先讓所有人各自想出多種解法，最後再進行收斂思考（convergent thinking），把候選方案收斂到少數幾個。實務做法是：先開一次只說明目標的會議，散會後讓大家獨立思考，再聚回來統合。

群眾外包與超級預測者#

要走得更遠，可以跳出組織做群眾外包（crowdsourcing）——向任何想參與的人徵求想法。Netflix 在 2009 年舉辦的演算法競賽就是經典例子，群眾跑出的推薦系統打敗了 Netflix 自家的版本。

James Surowiecki 在《群眾的智慧》裡指出，群眾外包要產生效果需要三個條件：

• 意見多樣性（diversity of opinion）：每個人都帶著自己的私有資訊與經驗
• 獨立性（independence）：人們能不受他人影響地表達意見
• 可彙整性（aggregation）：能把多元意見彙整成集體決策

1906 年的一場郡集會上，近八百人各自猜測一頭牛的重量，平均值剛好等於牛真實重量的 1,197 磅。屠夫看到的、農夫看到的、獸醫看到的都不一樣，這些資訊在集體平均後互相補位。

把群眾外包應用到情境分析上，最直接的形式是預測市場（prediction market）——像股市一樣，每股價格在 $0 到 $1 之間，代表事件發生的機率。如果你覺得真實機率高過市場價，就買進「會發生」的股票。PredictIt 這類公開市場成功預測過不少選舉，但 2016 年同時錯失了 Trump 當選與英國脫歐——事後檢討發現意見不夠多元，且參與者被初期的賠率所影響。

另一個值得認識的計畫叫做 Good Judgment Project，研究者 Philip E. Tetlock 從上千名參與者中辨認出超級預測者（superforecasters）：他們的預測準確度甚至超越握有機密情報的情報機構。他歸納出他們共有的特質：

• 智力與快速進入新領域的能力
• 領域知識的深度
• 反覆練習這項技能
• 善於團隊合作但避免群體迷思
• 開放心態，願意挑戰自己的信念
• 訓練自己參考過往機率，避開基準率謬誤
• 願意花時間思考
• 持續根據新資訊修正預測（避免確認偏誤）

把推理寫成商業案例#

走完整套決策模型後，最後一步是把它整理成商業案例（business case）——一份說明決策邏輯的文件。這是**從第一性原理推論（arguing from first principles）**的具體實踐：清楚列出前提，並推演到結論。

商業案例可短可長，從幾段說明到完整報告都行。它的價值在於：

• 強迫你檢查推理過程中的漏洞
• 提供與同事討論決策的共同基礎
• 在最終形式裡用來說服他人，甚至說服自己

回到本章開頭的職涯轉換問題：你可以先用情境分析想像不同職涯軌跡，再對最有希望的選項做成本效益分析或決策樹，最後把整套推理寫成一份簡潔的商業案例。

本章重點：

• 想用利弊清單時，考慮升級為成本效益分析或決策樹
• 任何量化評估都要做敏感度分析，特別注意折現率
• 留意黑天鵝與未知的未知，用系統思考與情境分析主動發掘
• 系統夠複雜時，用模擬輔助評估
• 提防群體迷思的盲區，刻意引入發散與橫向思考
• 努力理解全域最佳解，並朝它移動