01原理
这个模型说的是：判断一件事重不重要、可能性大不大的时候，人用的不是全部证据，而是此刻最容易浮上心头的那部分。最近发生的、画面感强的、被很多人转发的、恰好有现成数字的，都会被放大；没人提、没有图表、要费劲去翻的，会被悄悄当成不存在。芒格用一句老歌词开头：不在心上人身边时，就爱身边的人。脑子也是这样，离谁近就听谁的。
它有两个面孔。一个是“生动”：一次惨烈的事故、一个愤怒的大客户、一张刷屏的截图，记得牢，于是权重过大。另一个是“好数”：日活、点击率、基准分数这类每天自动吐出来的数字，因为好统计、好汇报，慢慢就成了全部的判断依据，而客户信任、代码可维护性、团队判断力这些数不出来的东西被挤到一边。芒格 2003 年批评经济学的那一段，说的正是第二种。
对 10 人以内的小团队，这个倾向特别伤。人少，注意力就那么多，谁的声音大、哪条消息最近，就决定了下周做什么。创始人昨晚看到的一条差评，能盖过后台几千条正常对话；投资人问起的那个指标，能盖过真正决定续约的那件事。没有大公司那种层层汇总的报表，也就少了一道把个案放回整体里看的关口。
为什么成立
心理学上常把这叫作可得性启发：人用“想起例子有多容易”来代替“这类事情实际有多频繁”。平时这个替代大体好用，常见的事确实更容易想起。但记忆的容易程度还受别的东西影响：是否新近、是否鲜明、是否带强烈情绪、是否被媒体反复报道。只要这些因素和真实频率脱钩，估计就会系统地偏。偏差不是随机的，而是固定朝着“显眼”的方向，所以多想几遍也抵消不掉。
组织里还有一层放大：测量本身也有可得性。能自动采集、能画成曲线的数据，天然会被更多人看见、更频繁讨论，于是吸引更多优化，曲线变好又让它看起来更重要。芒格给的解药之所以是流程而不是“多注意”，原因在这里：清单把该看的项目固定下来，不让此刻记得什么来决定看什么；专门找反证和请人唱反调，是人为地把不显眼的证据摆到桌面上；数一数频率，则直接拿真实分布去替换印象。
02芒格怎么说
芒格在 2005 年修订的《人类误判心理学》里，把它列为第十八种倾向，专门写了一节：脑子容量有限，会自然地拿手边现成的东西来判断，于是高估容易想起的那部分。他给的解药几乎都是流程：用清单，像达尔文那样专门看反面证据，刻意抬高那些产生不出大量现成数字的因素，再请几个能言善辩、想法相反的人来唱反调。早两年在加州大学圣巴巴拉分校讲学院派经济学时，他把同一个毛病单独拎出来，叫“高估能数出来的东西”，说这是他一辈子都在躲的错误。
Man’s imperfect, limited-capacity brain easily drifts into working with what’s easily available to it.
人的大脑不完美、容量有限，很容易滑向只用手边现成的东西来思考。
An idea or a fact is not worth more merely because it is easily available to you.
一个想法或一个事实，不会仅仅因为你容易拿到它，就更有价值。
03怎么用
- 01
排优先级之前，先数，再讨论
用户反馈、模型出错、客服工单，都先按类别打标签、数出每类占比，再开会决定修什么。会上谁讲了一个惊心动魄的例子，就问一句：这一类在过去一个月里占几成？数不出来的，先去抽样数，而不是凭这一个例子改路线。
- 02
给“数不出来的因素”单独留一栏
每次做定价、招聘、选模型供应商这类决定，表格里除了能量化的列，固定加一栏“重要但没有数字的因素”，比如对方的稳定性、我们换掉它的难度、客户会怎么看。哪怕只能写“高、中、低”，也强迫大家把它和那些漂亮数字放在同一张纸上比较。
- 03
事故之后，先问它在全部流量里的位置
一次线上事故或一张被转发的错误截图，先确认真假和复现条件，再估计这类输入在总请求里占多少。修是要修的，但修的力度、要不要停功能、要不要改整体路线，应该看这个比例，而不是看它在群里引起了多大动静。
- 04
指定一个“反方”，轮流当
小团队请不起芒格说的那种外部唱反调的人，可以在重要决策时轮流指定一个人，专门收集和现行方案相反的证据，尤其是平时没人去翻的那些：流失用户的原话、没续约客户的理由、对手悄悄做对的事。他的任务不是被说服，而是把不显眼的东西摆出来。
04案例
“9·11”之后：不敢坐飞机，开车上路的人多死了约 1500 个
2001 年 9 月 11 日的袭击画面极其鲜明，此后美国人的航空出行明显减少，州际公路上的行车量在大约一年里高于往年，每月致命车祸数也超过了此前几年的基线。心理学家吉仁泽在 2006 年发表于《风险分析》的论文里估计，约有 1500 名美国人死在了为躲避飞机乘客那种命运而选择的公路上。他把这种发生概率低、一次死很多人的事件叫“恐惧风险”：它除了直接伤害，还会通过人的脑子造成间接伤害。坠机的画面随时能想起，公路上分散在全国、一天一天发生的死亡却从不成为新闻，于是人们按记忆的鲜明程度而不是实际风险做了选择。[2]
洪水保险：淹过一次才买，几年后又退回去
经济学家贾斯汀·加拉格尔用美国全国大型区域洪水和洪水保险保单的面板数据研究投保行为，发现洪水发生后的第一年，投保率明显跳升，之后逐年回落到原来的水平。没被淹、但和受灾地区同属一个电视媒体市场的社区，投保也会增加，幅度约为受灾社区的三分之一。洪水的真实概率没有因为去年淹过而大变，变的是它在人们记忆里有多“近”。加拉格尔的结论是，这种模式最符合一个带遗忘、或对过往洪水信息不完整的贝叶斯学习模型：越近越鲜明的记忆权重越大，随时间淡去，风险判断也跟着淡去。[3]
NurtureBoss：不看现成的通用指标，去数自己的失败
NurtureBoss 是一家做公寓租赁行业 AI 助手的公司，创始人叫 Jacob；公开材料里没有给出团队规模。哈默尔·侯赛因在 2025 年 3 月的《快速改进 AI 产品的实地指南》里记下了他们的做法：团队先做了一个简单的对话查看器，逐条读用户和 AI 的对话，在旁边写下哪里出了问题；再用表格把每条对话标上失败类别、统计频率。结果三类问题占了全部问题的六成以上：对话流程、该转人工时没转、改约时间。其中日期处理一项，在用户说“两周后来看房”这类话时失败率达到 66%，针对性修正和测试之后成功率从 33% 升到 95%。同一篇文章批评另一种常见做法：盯着“幻觉”“有用性”这类通用指标的仪表盘，以为自己在用数据决策。那些分数正是芒格说的“现成的大量数字”，好看、好汇报，却和用户真正遇到的问题对不上。[4]
谷歌 AI 概览：刷屏的“往披萨上抹胶水”，和七百万分之一（大公司案例）
这不是小团队案例，但它把可得性的两面都摆了出来。2024 年 5 月谷歌搜索推出 AI 概览后，“往披萨上抹胶水让芝士粘住”“每天该吃几块石头”这类截图在社交网络上刷屏。搜索副总裁伊丽莎白·里德在 5 月 30 日的说明里承认，古怪、不准确或没用的概览确实出现过，多在不常见的查询上，原因之一是某些话题缺少高质量内容，系统引用了讽刺文章和论坛上的玩笑帖；同时她指出，流传的截图里有大量是伪造的，并称违反内容政策的概览出现在不到七百万分之一的独立查询上。谷歌随后做了十几项技术改进。对公众，几张截图就是“AI 概览不可靠”的全部证据；对谷歌，那个比例数字又容易让人低估少数离谱回答对信任的伤害。两个方向都要算：先核实、估比例，再按伤害大小决定修多少。[5]
05误用与边界
把“压低生动证据”变成“无视个案”
一条愤怒的反馈可能就是一类系统性问题的第一个信号，尤其是在用户少、样本小的早期。纠偏的做法是拿它去查频率，而不是因为它生动就把它打折到零。安全、隐私、资金这类后果极端的问题，哪怕只出现一次，也值得按大事处理。
以为“有数据”就逃出了这个倾向
芒格专门提醒的恰恰是数字本身的可得性。一个团队可能非常“数据驱动”，却只看那些自动生成的指标。问自己的不是有没有数据，而是这批数据为什么恰好是我们手上这一批，没被采集的那部分里有什么。
只给对方的论据扣“可得性”的帽子
说别人“被最近的新闻带偏了”很容易，承认自己也是很难。如果你的判断同样建立在最近读到的几个故事、几个朋友公司的经验上，就该用同样的标准去数一遍。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5