为什么赢了不一定是好决定，输了不一定是坏决定？

一位医生面对一项高风险手术。根据检查结果和临床经验，他判断手术成功率大约为80%。与保守治疗相比，手术的预期获益更高，风险也在家属能够接受的范围内。医生充分说明风险，家属知情同意，手术开始。

现在想象两种结局。

第一种：手术成功，病人康复。家属感激，同事称赞，医院复盘时认为医生"决策果断、时机把握准确"。

第二种：手术失败，病人去世。家属愤怒，同事质疑。还是那位医生，还是同样的信息、判断过程和手术方案，复盘结论却变成了"过于冒险、考虑不周"。

同一个决定，同样的信息，同样的推理过程，唯一不同的是结果。但人们对这个决定的评价，完全改变了。

这并不是一个假想出来的心理现象。

1988年，宾夕法尼亚大学心理学教授乔纳森·巴伦和卡内基梅隆大学教授约翰·赫希在《人格与社会心理学杂志》上发表了一项包含五项实验的研究，系统揭示了结果偏误。他们在医疗决策和金钱赌博等情境中，尽量保持决策前的信息不变，只改变参与者看到的结果。

研究发现，即使排除了"决策者掌握了更多信息"这种可能，人们仍然会把产生好结果的决定评价得更高，把产生坏结果的决定评价得更低。

2023年，香港大学心理学系副教授吉拉德·费尔德曼及其团队在International Review of Social Psychology上发表了一项预注册研究，包含692名参与者，近似复制了巴伦和赫希的经典医疗场景实验，同样发现了明显的结果偏误。

你以为自己在评价决策，其实很可能只是在评价结果。

"结果不会骗人"——这句话听起来特别硬，也特别务实。

赚了就是赚了，亏了就是亏了；项目成了就是成了，黄了就是黄了。结果已经摆在面前，还有什么好解释的？

结果当然是真的，但结果只告诉你"发生了什么"，并不会自动告诉你"为什么发生"。

一个项目成功了，可能是决策正确，也可能是市场恰好回暖、竞争对手恰好犯错，或者团队里某个人在关键节点上扛住了压力。

一个项目失败了，可能是决策本身有问题，也可能是执行走样、政策突变，或者只是在合理风险中碰上了那次坏运气。

结果是决策、执行、环境和随机因素共同写出的总成绩。直接用结果评价决策，等于拿总分替代其中一门课的成绩。

酒后驾车没有出事、违规操作侥幸过关、未经验证的产品碰巧成功，都是坏决定遇上了好结果。真正危险的是，人们会把这次侥幸写进下一次的操作手册。

认知心理学博士、前职业扑克选手安妮·杜克在《对赌》中，把"用一次输赢反推决定好坏"称为"resulting"——以结果论英雄。

赢了一次，就把冒险当成能力；输了一次，就把合理判断当成错误。如果复盘永远这样写，我们做事情哪怕一辈子也不会真正进步。

所以问题不是要不要看结果，而是：结果究竟能够证明什么？

大多数人评价一个决定时，采用的顺序是：先看结果，再倒推决策。

结果好，决策就对；结果坏，决策就错。

决策—结果分离的做法是把这个顺序倒过来：先暂时遮住结果，回到决策发生的那个时点，看当时知道什么、有哪些选择、为什么这样选；完成独立评价之后，再把结果拿回来，判断它提供了多少新信息。

本文将结果偏误研究、决策质量框架和结果反馈校准整合为一个主动复盘工具，称为"决策—结果分离与校准原则"。

它包括三个动作：

先分离。 按照决策发生时能够获得的信息，独立评价决策质量。

再分解。 检查结果分别来自决策、执行、环境还是随机因素。

最后校准。 根据结果在原有判断下有多意外，决定应该更新多少。

简单说，就是先用当时的信息评价决定，再用后来的结果校准模型。

结果可以成为证据，但不能跳过决策评价，直接充当判决书。

巴伦和赫希的实验还揭示了一个更隐蔽的现象。

在金钱赌博实验中，参与者不仅会受到已选方案结果的影响，还会受到未选方案后来结果的影响。

如果参与者得知自己没选的方案后来亏了，就会觉得当初的选择更聪明；如果没选的方案后来赚了，就会觉得当初的选择更愚蠢。

但问题在于，决策者做选择时根本不可能知道未选方案后来会发生什么。未选方案后来的结果，同样在影响你对当初选择的评价。

这就像比赛结束以后，因为另一套战术后来被证明有效，便断言教练赛前就该用那套战术。可教练做决定时，根本不知道另一套战术上场后会怎样。

你正在用决策之后才出现的信息，重新评价决策之前的思考。

这是结果偏误最隐蔽的地方。它不仅会改变你对决策质量的评价，还会让你觉得："这个结果，我早就应该料到。"

于是，结果偏误经常和后见之明偏误同时出现。

前者让结果改变你对决定的评价，后者让结果改变你对当时可预测性的判断。

1975年，卡内基梅隆大学霍华德·海因茨大学教授巴鲁克·菲施霍夫在《实验心理学杂志》上报告了一个经典发现：被告知某一结局已经发生的人，会认为这个结局在事前比实际更容易预测。而且，一旦知道结果，人就很难完全恢复到"不知道结果"时的判断状态。

2021年，研究者陈杰莹等人在《实验社会心理学杂志》上发表了一项包含890名参与者的近似复制研究，再次为这一效应提供了支持。

这对决策复盘意味着什么？

如果没有事前记录，复盘就很容易被结果污染。结果一旦出现，记忆中的不确定性会被压缩。你会觉得"这个结果明明可以预见"，进而把原本合理的判断重新评价为"考虑不周"。

所以，决策—结果分离强调一个看起来有些笨拙、实际上非常重要的动作：在结果出现之前，把当时的信息、备选方案、概率估计、关键假设和决策理由写下来，并标明日期。

记录本身不能证明决策正确，但它能保留决策发生时的真实现场。

把决策和结果分开以后，我们会看到四种不同的组合。

好决策＋好结果

这是最令人满意的组合，但不能因此把所有成功都归功于能力。复盘时仍要分清：哪些做法可以复制，哪些有利条件只是这次恰好出现。

好决策＋坏结果

判断过程合理，但风险真的发生了。一个成功率70%的方案，本来就包含30%的失败可能。那30%出现了，只能说明风险兑现了，不能单独证明事前的70%估计错误。

坏决策＋好结果

判断过程存在缺陷，但运气救了你。一次违规操作没有发生事故，一次高风险投资碰巧获利，一个未经验证的产品意外成功，都属于这种情况。

这是最危险的组合，因为成功会掩盖问题，组织甚至可能奖励并复制这种错误。

坏决策＋坏结果

决策缺陷被结果暴露出来。此时既要查明决策过程中的具体错误，也要处理已经造成的损失。

安妮·杜克在《对赌》中讲过一个案例。

一位CEO把解雇一位高管视为自己过去一年最差的决定，因为花了很长时间都没找到合适的替代者，换了两个人都不如他，公司非常后悔。

但当杜克追问事前过程时，CEO说，这位高管业务水平很高，但领导力不足。他跟对方多次沟通，还专门聘请了一位高管教练，可几个月后仍没有改善，高管甚至把教练给解雇了。CEO最终判断，以公司的实力完全可以吸引到更高水平的人来担任这个职位，于是做出了解雇决定。

杜克认为，这个决策过程没有大毛病。后来没找到好的替代者，很可能只是运气问题。

如果这位CEO因为没找到好的替代者，就否定事前看起来合理的决策过程，反而可能破坏公司未来的判断标准。

决策分析这门学科由决策分析学科奠基人、斯坦福大学教授罗纳德·霍华德在20世纪60年代开创。后来，战略决策集团创始人卡尔·斯佩茨勒等人在2016年出版的《决策质量》中，将高质量决策整理为六项要求。

这套框架的核心主张是：决策质量应该在做出决定的那个时点评价，而不是等结果出来以后倒推。

这六项像一条链条，整体决策质量不会高于其中最薄弱的一环。

1. 问题框架是否正确。

你真正要解决的是什么问题？如果问题定义错了，后面的信息、分析和方案都会偏离方向。

2. 备选方案是否充分。

你是在多个可行方案中比较，还是只看见了一个选项便匆忙拍板？选项不足，再严密的推理也只能在狭窄的窗口里打转。

3. 信息是否可靠。

数据、经验和关键假设能否经得起检查？信息来源是单一的，还是经过了交叉验证？

4. 目标与权衡是否清楚。

你究竟想优化什么？是收益、速度、安全，还是长期价值？如果目标本身模糊，决策就失去了评判标准。

5. 推理是否符合概率与逻辑。

从证据到结论之间有没有跳步？概率判断是否有依据？有没有把"我觉得"写成"证据表明"？

6. 是否形成真实的行动承诺。

资源、责任、时间和执行条件是否已经落实？一个无法落地的"好方案"，还不能算完整的决策。

它们不是事后才拿出来的检查表。真正的价值在于：结果出现以前，你就可以用它们评价决策。

回到开头那场手术。

假设医生在术前写下了完整记录：需要解决的问题是手术治疗还是保守观察；备选方案包括手术和保守治疗；信息依据来自检查结果、同类病例和临床经验；目标是在生存获益与手术风险之间进行权衡；成功概率估计为80%；家属已经知情同意，手术团队和相关资源也已确认。

这份记录写好的那一刻，决策质量就已经可以独立评价，不必等待手术结果。

当然，记录不是正确决策的证明书。它只是让我们能够看见：医生当时究竟依据什么做出了判断。

独立评价完决策质量，才轮到把结果拿回来。

刚才的六项是用来在事前评价决策的。现在换一个角度——看看结果到底由什么写成。

但结果不能简单分成"好"或"坏"。一个项目的最终结果，通常由四类因素共同决定。

用公式表达就是：Y = f(D, X, E, L)。Y是最终结果，D是决策质量，X是执行质量，E是环境变化，L是随机因素。这不是一个可以精确计算的数学公式，而是一个因果提醒图——结果不是决策的单一产物，而是四股力量交叉作用后的总输出。

决策质量：当时的问题框架、信息、假设、选择和推理是否合理。

执行质量：决定做出以后，团队是否真正按照方案行动，承诺的资源是否实际到位。

环境变化：市场、政策、竞争者和技术是否发生了重要变化。

随机因素：无法合理预见的偶然事件、样本波动和运气。

这里尤其要区分事前可执行性与事后执行质量。

资源有没有明确承诺、方案是否具备可执行性，属于事前决策质量；决定做出以后，资源是否真正到位、团队是否按照方案实施，属于事后执行质量。

一个合理的决定可能被糟糕的执行毁掉，一个有缺陷的决定也可能被出色的执行暂时救回来。只有把两者分开，改进措施才能精准。

还是那场手术。手术失败以后，首先要检查：80%的成功率依据是否可靠？病例筛选有没有问题？手术执行是否出现失误？病人的身体状况是否发生了术前无法合理预见的变化？

如果现有证据没有指向估计错误、执行失误或重大环境变化，那么这一次失败可能只是那20%的风险兑现，不必仅凭一次结果就彻底推翻原来的判断。

但如果同一个手术、同一医生连续三次失败呢？

假设病例条件基本可比，三次结果近似独立，而且真实成功率确实是80%，那么连续三次失败的概率为：

这仍然不能单独证明"80%的估计一定错了"，却已经构成一条诊断力很强的信号：必须重新检查成功率估计、病例筛选、关键变量和执行过程，不能继续把失败简单归因于运气。

这就涉及一个关键概念：结果的诊断力。

不是所有结果都提供同等分量的信息。评价一个结果时，要看它在原有判断下有多意外，是一次正常波动还是重复出现的模式，以及它是否暴露了原来没有考虑到的变量。

结果越偏离原来的预测，诊断力通常越强，越值得认真更新；结果如果仍处于正常概率波动之内，就不应过度反应。

到这一步，分离和分解已经完成。最后一步校准，要更新四样东西：

更新概率。 原来的成功率、失败率或风险估计是否需要调整？

更新模型。 是否遗漏了某个重要变量，或者某条因果假设并不成立？

更新执行。 流程、资源配置和团队协作是否需要改善？

更新规则。 是否需要修改同类决策的程序、审批权限或停止条件？

这就是决策—结果分离与简单的"不以成败论英雄"的区别。

它不是让你假装结果不重要，而是提供一套完整程序：先分离，再分解，最后校准。结果不再是判决书，而成为帮助模型进化的新证据。

与此同时，还有两件事必须分开处理。

一件是决策质量复盘：按照当时能够获得的信息，这个决定是否合理？

另一件是现实后果处理：损失怎样控制，问题怎样补救，责任怎样承担，制度怎样改进？

决策过程合理，并不意味着现实后果可以无人处理。

会。这正是这个模型最大的风险。

"决策过程没有问题，只是运气不好"——这句话太好用了。连续失败的人永远可以宣称自己过程正确。如果没有事前记录，也没有明确的概率预测，别人很难验证这种说法。

因此，这个模型有几条不能让步的边界。

前面已经说过分离原则和连续偏离的信号，这里不再重复。还有三条边界同样不能让步。

事前记录必须真正发生在事前。

没有日期的记录容易被结果污染，走过场的表格也不能替代真实的信息、选项、假设和推理。

执行失败不能成为原决策的垃圾桶。

如果一个方案从一开始就严重低估了执行难度，那么执行风险本身就是决策质量的一部分。

合理决策也不等于不必承担后果。

止损、救济、善后和制度改进仍然要做；是否需要赔偿或问责，则应根据具体的法律、伦理和责任边界判断。

最后，这套模型不只用来保护失败的好决定，也要用来揭露成功的坏决定。所以复盘时，先别急着庆祝成功。问一句：这个好结果，是决策赢来的，还是运气送来的？

回到开头那场手术。

如果你是那位医生的领导，手术失败以后，你会怎样评价他的决定？

如果你的第一反应是"这个决定错了"，先停下来，问自己一个问题：

这个问题不会自动给你一个"对"或"错"的答案，却能把你从结果的引力中暂时拉出来，让你回到决策发生的那个时点，再看一次。

完成这一步以后，再把结果拿回来，检查它究竟说明了什么：是原来的判断存在缺陷，是执行出现偏差，是环境发生变化，还是已知风险正常兑现？

决策过程告诉你，当时的选择是否合理；实际结果告诉你，原来的模型还需要更新什么。