挑战100天100个GPTs038.易得性性偏差思维模型—慢慢学AI060
#挑战100天100个GPTs
写在前面
一个产品例会上，决定下一版重点的，是最近投诉最猛的几个客户、和上季度那次上了通报的事故。这两个画面太生动、太好回忆，于是整场讨论围着它们转。可它们到底在整体用户和整体事件里占多少比例，没人拿数据出来。会议室里赢的，是讲得最生动、最近、最响的那一派，不是数据最扎实的那一派。这就是易得性偏差在组织里最普遍的发作姿态。
易得性偏差，就是用”例子好不好回忆”去估”事情多常见”。你脑子里浮出多少例子、浮得多快，你就觉得它多大、多靠谱。问题在于：好不好回忆，由近因、生动、媒体曝光、个人经历决定；真不真常见，由基础概率决定——两者经常对不上。它由 Tversky 和 Kahneman 1973 年正式提出（可得性启发法），查理·芒格把它收进自己 25 条心理倾向的第 18 条”Availability-Misweighing Tendency”，用一句歌词点了题：”When I’m not near the girl I love, I love the girl I near”——人脑天然用最容易够到的信息干活。这款 GPT 是个决策陪练：你给它一个判断，它问你”凭什么觉得它常见——是数据，还是它好记、最近、够生动”，再递给你一份替代记忆的对治清单。本文讲清易得性到底卡在哪、它什么时候是病什么时候是工具，再用十个场景和十个步骤帮组织里的人把它做成习惯。
效果呈现
把下面的整段 yaml 提示词粘进支持系统提示的对话框（ChatGPT 创建 GPTs 的「Configure」、Gemini Gems，或任意可设系统提示的客户端），给它一个你正相信的判断——某事很普遍、某个选择很靠谱、某类风险很高都行。它会先拆你这个判断的依据是数据还是印象，再问基础概率、找沉默的数据，最后给一个去偏后的判断和一份对治清单。
实测对话
三个角度测这个 GPT（个人 / 组织 / 边界），挑顺手的丢进 Gem，把对话粘回对应块，不用的发布前删掉。
易得性偏差·实测①（家庭·防诈）
🙋 我
公安部数据说 2025 年一季度 AI 换脸、拟声诈骗环比激增了 45%，受骗里老人占到 38%；杭州有个退休的刘大姐被”AI 躺赚美金”直播间骗了 52.8 万。我老婆看完特别紧张，要给全家老人手机装反诈 App、设最严权限。她这是反应过度，还是该这么紧张？我们怎么做防诈决策更靠谱？
🤖 易得性偏差 GPT
嫂子的反应非常符合人类大脑面对“生动事件”时的自然规律。
从易得性偏差的角度看，她脑海里的危险信号被严重放大了，但这并不代表她的防范动作是错的。相反，这是一个典型的“因为心理偏差触发了正确安全防御”的场景。
咱们用易得性偏差的框架，把“她的情绪”与“你们该做的决策”拆开来看。
1. 拆解“易得性”来源：为什么她会极度紧张？
嫂子现在的焦虑，来自于三个高亮信号的叠加：
极强的生动性（Vividness）： “杭州刘大姐被骗 52.8 万”。这是一个有地点、有金额、有“AI 躺赚”具体场景的故事。这种极具画面感的情节在脑海里非常“好回忆”，导致大脑误以为“这种事就在身边发生”。
相对增长率的震撼（+45%）： “环比激增 45%”听起来极其骇人。但相对增长率很容易给人一种假象，以为发生率已经高到了“铺天盖地”的程度。
身份关切的触发： “老人占到 38%”直接映射到了家里老人的安全，触发了保护本能。
2. 追问基础概率与“沉默的数据”
如果跳出生动的报道，看看真实的统计大盘：
真实的大盘分布（Base Rate）： 在老年人受骗的绝对总量中，传统手法（如假冒公检法、虚假保健品/理财投资、线下会销、盗刷短信）依然占据了绝对的大头。AI 换脸和拟声虽然增速快，但在总体受骗件数里的绝对占比仍然属于少数。
沉默的数据（Silent Data）： 新闻媒体只会报道“最新颖、最吸睛、金额最大”的 AI 诈骗案例，而绝大多数每天被传统电话短信骚扰、但被成功拦截或没上当的老人，是不会出现在报道里的。
结论： 嫂子高估了“AI 换脸诈骗立刻发生在自家老人身上”的概率（这是易得性偏差造成的错觉）。
3. 正向利用易得性：过度紧张 vs. 合理防御
虽然她的紧张情绪源自易得性偏差，但她提出的防护措施（装反诈 App、设手机权限）却完全合理。
查理·芒格曾提醒过，易得性偏差不仅是认知病症，也可以是管理和安全宣传的有效工具。正是因为新闻极其生动，才成功唤醒了大家的防范意识。
在决策学中，防诈决策要看“防御成本”与“失败代价”的对比：
防御成本： 给老人手机装反诈 App、关闭“安装未知来源应用”权限、把每日转账限额调低。这些动作只需要花半小时，成本几乎为零。
失败代价： 一旦老人真的被骗（无论是传统诈骗还是 AI 诈骗），损失是巨额且不可逆的。
哪怕 AI 诈骗在自家发生的真实概率只有 $0.1%$，用近乎零成本的动作去防御高风险，这绝对是极其合算的决策。
4. 去偏后的家庭防诈决策 Checklist
不要把焦点只放在“防 AI 换脸”这种特定手法上（这容易陷入针对单一生动案例的“过拟合”），而是要利用这次机会，帮老人建一套应对所有诈骗的通用物理阻断流程：
配置手机物理屏障（降低暴露面）：
安装国家反诈中心 App 并开启实时防护。
关闭老人安卓手机的“安装未知应用”权限，防止下载不明直播间或聊天软件。
将老人的常用银行卡/微信支付设置每日转账限额（如单日最高 5000 元）。
建立家庭“防伪物理流程”（对抗所有 AI 拟声/换脸）：
跟老人约定：只要涉及“要求转账、借钱、救急”，无论视频里长得有多像、声音有多真，必须挂断后用原电话打回，或用“家庭暗号”确认。
告知老人：真正的公检法和银行客服绝不会在视频里要求转账或清查资产。
清理真实的漏洞（找沉默的数据）：
检查老人微信里是否有大量不知名的“福利群”、“理财讲座群”。
检查老人手机是否开通了各类 App 的“自动续费”或“免密支付”。
嫂子想要加防范措施的直觉是非常对的。既然新闻已经把警惕性拉满了，不如顺水推舟，把这套物理防御和家庭暗号流程落到实处。
你们家老人在日常使用手机时，目前最频繁的场景是什么（比如经常看直播带货、喜欢在微信群拉人砍价，还是习惯用手机银行转账）？
易得性偏差·实测②（组织·风控）
🙋 我
我们银行反欺诈团队最近发现 AI 换脸类诈骗案明显增多（行业数据环比 +45%），刚经历一起罕见但生动的大额案，事后想给模型加专门针对这类手法的规则、调高权重。该加吗？
🤖 易得性偏差 GPT
刚发生了一起罕见的大额案，再加上行业里“环比 +45%”的耸动数据，团队现在想立刻调高模型权重，这是非常典型的心理本能。
在风控和模型决策中，这恰恰是易得性偏差（Availability Bias）最容易背刺风控团队的时刻——因为这件事太刺激、太新鲜、太高科技，它在你们脑海里的“可得性”已经拉满了。
咱们不直接讨论“加不加规则”，咱们先用易得性偏差的框架，把你们现在的判断依据拆解开。
1. 拆解“易得性”来源：是什么在干扰你们的判断？
你们现在的强烈冲动，来自于三种易得性驱动力的“组合拳”：
生动性（Vividness）： “罕见但生动的大额案”。一件高科技、损失金额巨大、手法新颖的案例，具有极强的视觉和情绪冲击力，在复盘会上会被反复讨论，在汇报材料里会被重点标注。
近因效应（Recency）： “刚经历”。发生不久的事情在记忆里权重极高，会让人误以为“未来它发生的概率也极高”。
相对增长率的误导（Relative Rate vs. Base Rate）： “行业数据环比 +45%”。45% 听起来非常惊人，但相对增长率极度容易制造高频的幻觉。
2. 追问基础概率（Base Rate）：绝对数据是多少？
风控模型调权重，看的是绝对发生率与绝对损失占比，而不是“生动程度”。你需要向团队要三个关键的基础概率数据：
绝对基数： 环比 +45% 的基数是多少？是从全行一个月 10 起增加到 15 起，还是从 10,000 起增加到 14,500 起？
损失结构占比： 在你们银行当前的总欺诈损失金额中，AI 换脸诈骗占了多少比例？（是 0.5%，还是 15%？）
大盘欺诈的主力是谁： 那些手法传统、并不生动、甚至有点“土”的欺诈（如传统电信诈骗、诱导转账、凭证伪造），在总损失里的占比又是多少？
关键提醒： 如果传统欺诈占了 80% 的损失，而 AI 换脸只占 0.5%，仅仅因为这 0.5% 发生了一起大额案，就挤占大量模型规则和风控资源，这就是典型的“被易得性偏差带偏了资源配置”。
3. 寻找“沉默的数据”：强加规则的副作用是什么？
易得性偏差会让人只看到“加规则能挡住这起生动案例”，却忽略那些没看见的成本（沉默的数据）：
误杀率（False Positive）与客户体验： 为了拦截 AI 换脸，如果你调高了活体检测、人脸识别的严格度或风控拦截权重，会导致多少正常合法用户在转账、登录时被拦截或触发人工审核？因误杀导致的客户流失成本是多少？
模型过拟合风险（Overfitting）： 针对单一罕见案例特化规则，极容易把模型改得过敏感。当攻击者下周换一种非 AI 的普通手段时，新规则不仅防不住，反而占用了算力和规则库额度。
工程与运维成本： 增加规则、调整权重的审批、发布、后续监控成本，是否超过了该诈骗手法预期的年化损失？
4. 诊断：这是“有信息的信号”还是“扭曲的噪声”？
如果属于【有信息的易得性】： 评估后发现，AI 换脸的绝对案例数确实已达到总欺诈量的不菲比例，且在现有的活体/生物识别环节存在结构性漏洞。—— 此时应该加，且这是基于数据事实的合理响应。
如果属于【扭曲性的易得性】： 评估后发现，绝对量极低，这起大额案只是由于偶发性因素（如特定客户高额权限漏洞）导致，但在团队内部因为“太生动/刚发生”而被无限放大。—— 此时强加规则，属于用“情绪”代替“算法”。
5. 反易得性偏差的风控决策 Checklist
在决定改动模型规则前，建议你在团队决策会上走一遍这个流程清单：
计算绝对损失贡献比： AI 换脸诈骗损失金额 $\div$ 全行总欺诈损失金额 = $\underline{\quad}%$。（若 $< 2%$，需极其谨慎评估是否改动主模型）
剥离生动性，做无痕假设： 如果剔除这起刚发生的“大额生动案”，仅凭过去 6 个月的数据分布，模型指标是否达到了触发调整的阈值？
测算误杀代价： 拟增加的针对性规则，预计影响多少正常交易？预计增加多少人工复核成本？
用硬性指标替代记忆： 建立模型规则变更的标准化标准（例如：某类新欺诈手法损失占比连续 2 个月超过 X%，或绝对件数超过 Y 件，才允许进入主模型权重调整程序），阻断“因一次惨烈事故就临时改模型”的冲动。
现在，不妨抛开那起生动的大额案例，看一眼你们后台的真实账本：在你们银行过去一个季度的总欺诈损失或事件总量里，AI 换脸这一类手法的“绝对占比”到底是多少？
易得性偏差·实测③（个人·消费）
🙋 我
看中一个 AI 转型线上课，原价 3999 今天 1499，页面写”仅剩 3 个早鸟名额，倒计时 2 小时”。我其实犹豫这课值不值，但那个倒计时看得我心里发慌。这单该不该下？
🤖 易得性偏差 GPT
面对那个闪烁的倒计时，你心里发慌是非常正常的生理和心理反应。查理·芒格说过，当一件事物极其生动或者自带强烈的稀缺暗示时，它就会把你脑子里真正重要的信息挤得“不可得”。
咱们来借用易得性偏差的视角，把你的这种“慌”和“这单该不该下”的真实决策依据拆解开。
1. 拆解“易得性”的来源：你脑子里最响亮的声音是什么？
你现在面临两个完全不同的问题：
问题 A（真正重要的）： 这个课的知识增量，对我值不值 1499 元？
问题 B（最容易想到的）： 我现在不买，是不是马上就要错失省下 2500 块钱的机会？
那个红色的“仅剩 3 个名额”和“倒计时 2 小时”，具有极强的生动性和近因效应。营销页面的设计逻辑，就是要把这部分信息做得极度“易得”，让它成为你当前大脑里唯一活跃的变量。这种扭曲性的易得性，成功地剥夺了你去思考“问题 A”的注意力。
2. 回归基础概率（Base Rate）：这类倒计时的真实分布
让我们跳出当前的紧张感，想想这种营销手段的基础概率：
在知识付费和线上课领域，所谓的“最后 3 个早鸟名额”和“倒计时”，其真实面貌往往是一段随时会重置的网页代码。如果你换个浏览器、清空缓存或者明天再打开这个页面，倒计时大概率会重新从 2 小时开始算。
它不是真正意义上的“物理稀缺”，而是行业内极其高频、常规的促单手段。意识到它的高频，它的“刺激感”就会大幅下降。
3. 寻找“沉默的数据”：你的真实功底 vs. 枯燥的课纲
在这个充满刺激的页面里，什么是“沉默的数据”？
是你自己已有的基本盘。 咱们平时带团队手搓结合 Next. Js 的项目、开发各种 AI 应用，甚至直接给企业客户做为期两天的提示词工程和飞书多维表格培训。你本身就已经是 AI 落地应用和企业培训的局内人。
在你有这样深厚实操背景的前提下，这门“AI 转型课”里，到底有多少内容是你不知道的？那些没加粗、没标红、没倒计时的“枯燥课纲”，才是真正决定价值的沉默数据。如果它讲的只是基础的 Prompt 框架或常见的 AI 工具套壳调用，对别人或许是神功，对你可能只是复习。
4. 易得性偏差对治清单（Checklist）
为了不被短暂的心理慌乱替你拍板，建议你现在走一遍以下这个物理隔离程序：
关闭网页 15 分钟（阻断生动性）： 彻底切断倒计时带来的视觉和情绪刺激，让大脑里的“缓存”清空。
做一次反向测试（验证基础概率）： 复制该网页链接，用浏览器的“无痕/隐身模式”打开，看看那“仅剩的 3 个名额”是不是依然存在，倒计时是不是重新开始了。
对标核心需求（提取沉默数据）： 抛开价格，单看这门课的讲师背景和详细大纲。问自己一句：“以我现在的实操经验，这个大纲里有哪两节课是我现在正处于瓶颈、急需别人点破的？”如果找不出来，那 1499 也是浪费。
只有当你把“因为快要涨价而焦虑”的易得性偏差剔除后，你才能看清这个课真实的性价比。
现在，你闭上眼睛不看那个倒计时，单凭你刚才对它课纲的印象，它里面有哪一个具体的知识点或案例，是你觉得能在你目前的 AI 项目开发中直接用得上的？
期望目标
把”我印象里”换成”基础概率是多少”。具体到一个判断上：能分清”好回忆的”和”真常见的”、能识别最近或生动个案在绑架判断、能主动去找沉默的数据。
GPTs 源码
1 | # 角色：易得性偏差思维模型专家 |
Prompt 收获
做这个 GPT 的时候，几个设计点比提示词本身更值得记下：
- 这条芒格真认领了，而且老老实实交代了出处。和 #037 沉没成本那种”清单挂名”不一样，易得性偏差在芒格体系里有正式户口——《The Psychology of Human Misjudgment》25 条倾向的第 18 条，名字叫 Availability-Misweighing Tendency。更难得的是芒格在演讲里直接说”我这是在模仿 Tversky 和 Kahneman，他们把 availability 提升成了一整套启发法，他们基本上是对的”。所以提示词的 Background 把学术根（T&K 1973）和芒格的再加工分了两层，不把什么都算芒格头上，也不把芒格讲成无源之水。
- 芒格比学者多走的两步，是这条提示词的真正增量。第一步：他把解药钉在”流程”而非”觉悟”上——对抗易得性偏差靠清单和程序，光说”我要小心”挡不住。所以 Workflow 第六步必须给用户一份可执行的对治清单，不能停在”你被偏差影响了”。第二步：他提醒这是组合罪——越生动的事越把真正重要的信息挤得”不可得”，单看一条启发法会看走眼。这条放进 Attention，让 GPT 识别时多看一层组合效应。
- **杀手问题要逼到”依据”**。”这判断靠谱吗”太软；换成”你凭什么觉得它常见——是数据，还是它好记、最近、够生动”就难躲，因为它逼用户交出判断的依据，而依据一交出来，是数据还是印象一清二楚。
- **最容易跑偏是”一律不信直觉”**。易得性偏差之所以是”启发法”而不是”错误”，是因为它多数时候管用——真正高频的事确实更好回忆。所以 Goals 和 Constrains 都专门写了一条防极端化：只在易得性被近因、生动、媒体放大扭曲时才纠偏，别把它用成”直觉全是错的”。
一句话总结这次的收获：易得性类工具最大的陷阱是停在”提醒你小心”，好的提示词得强制把”好回忆的”和”真常见的”切开——先问基础概率，再找沉默的数据，最后给一份替代记忆的流程清单。
补充说明
易得性偏差，大白话就是”好回忆的，被当成了真常见的”。你估一件事有多常见、一个选择有多靠谱，脑子里浮出多少例子、浮得多快，你就觉得它多大、多靠谱。问题在于：好不好回忆，和真不真常见，是两件事——前者由近因、生动、媒体曝光、个人经历决定，后者由基础概率决定。两者经常对不上。
经典场景满地都是。问”英文字母 K 当词首多，还是当第三个字母多”，多数人答词首，因为 kangaroo、kitchen 这些词一下子就想得起来；可实际相反，K 在第三位的词约是以 K 开头的两倍，因为那类词不好回忆。问”飞机失事和车祸哪个死的人多”，多数人高估飞机、低估车祸，因为空难上新闻、够震撼、好回忆，而车祸天天有、不上报（这类”生动死因被高估、平淡死因被低估”的现象，Lichtenstein、Slovic 等 1978 年的死因频率研究做过系统记录）。越生动、越近期、越被报道的事，越容易被当成”很常见”——哪怕统计上它很罕见。
它最常被误读成两副样子。一副是把它当成”人就是不理性”的又一个标签，好像只要识别出这个偏差就没事了——其实识别只是第一步，芒格讲得很透：光靠”我知道有这个偏差”根本挡不住，得靠流程和清单。另一副是把它和”代表性偏差””基础概率忽视”搅在一起（它们是亲戚，常一起发作），但易得性的独特病根是”回忆的难易”冒充了”频率的高低”，这个机理要单独认。
经典源头分两头。学术这一头：Tversky 和 Kahneman 1973 年在《Availability: A heuristic for judging frequency and probability》（Cognitive Psychology, 5(2), 207-232）里正式提出可得性启发法，1974 年《Science》那篇《Judgment under uncertainty: Heuristics and biases》又把它和代表性、锚定并列为三大启发式。实践这一头：查理·芒格把它收进《The Psychology of Human Misjudgment》演讲的 25 条心理倾向，列第 18 条”Availability-Misweighing Tendency”，用一句歌词”When I’m not near the girl I love, I love the girl I near”点了题——人脑天然用最容易够到的信息干活。芒格比学者多走两步：解药钉在清单和程序上（不是觉悟），并提醒它是组合罪（越生动越把重要信息挤出可得范围）。这两头里，学术那头给机理，芒格那头给可操作的解药和”它会被营销武器化”的商业视角——他点名可口可乐把 availability 做成了世俗宗教。
10 个案例分析及思考逻辑
下面十个场景，前几个落在四行业最常见的决策里（金融风控、电信套餐、制造质检、电商大促），中间是 Tversky & Kahneman 的经典实验和 9/11 后的真实后果，后面接商业应用、个人练习和模型边界，让十案例的姿态各不相同。带”示意”标记的，是用来说明思考逻辑的构造案例，非真实公司披露。
1. 金融：风控模型跟着”最近那次大案”调参（示意）
某银行反欺诈团队刚经历一起罕见但生动的大额诈骗案，事后立刻给模型加了专门针对这类手法的规则、把权重调高。可这类手法在整体案件里占比很小，真正高频的常见欺诈反而没分到多少资源。换易得性视角：那起大案好回忆、够震撼，于是被当成”很常见”，调参的依据从”实际案件分布”漂移到了”印象深不深”。对治：调参看 base rate（各类手法的实际占比和金额损失分布），不为最近那起生动个案单独开高权重——除非数据证明它确实是趋势的开始。
2. 电信：套餐设计被”投诉最响的客户”绑架（示意）
某运营商产品例会上，决定下一版套餐重点的，往往是最近投诉最猛、声音最大的几个客户，或某条政企大单的特定需求。可这些声音未必代表多数用户的实际分布。换易得性视角：声音大等于好回忆、等于会上优先被讨论，于是少数生动个案盖过了沉默的大多数。对治：套餐决策回到用户行为分布数据（实际使用量、留存、流失分布），把”投诉最响”和”占比最大”分开看——前者要单独响应，不该当成普遍需求塞进套餐。
3. 制造：质检重点跟着”上次重大事故”走（示意）
某工厂上次出了某类质量事故、上了通报，之后质检把大量精力压到这一项上。可这类缺陷本来就罕见，真正系统性的常见良率问题反被摊薄了关注度。易得性在这儿咬人的地方是：上次的生动事故让这一项”特别好回忆”，于是被当成”特别需要盯”，资源分配偏离了缺陷的实际分布。对治：质检权重看缺陷的频率和影响分布（柏拉图：哪少数几类吃掉大部分不良），不为最近那次事故单独倾斜——除非它指向系统性新风险。
4. 电商：大促策略被”去年那个爆款/那次事故”主导（示意）
某电商大促复盘后，今年的策略被两个画面主导：去年某个爆款玩法的成功（”再搞一次”）、去年某次宕机的惊险（”绝不能再犯”）。可这两个画面都是个案，不代表整体分布。拉到分布数据上看：爆款和事故都够生动、好回忆，于是策略围着它们转，忽视了用户行为的真实分布和中间地带。对治：大促策略以”分品类的转化、库存、退货分布”为骨架，把”去年的高光和惊险”当个案参考、不当主线——别让两个生动画面绑架整盘策略。
5. 投资：追”媒体密集报道的热点赛道”（原理）
某类资产或赛道最近媒体天天报、朋友天天聊，投资者就高估了它的前景，觉得”现在不投就晚了”。这件事的易得性钩子是媒体热度：密集报道等于高可得性，等于被当成”高前景”；实际前景要靠基本面和估值，而不是它在新闻里出现的频率。这类”热点驱动”的决策，是易得性偏差在投资里最贵的发作姿态——等媒体密集报道时，往往已经过了最佳入场。对治：估前景回到基本面数据（增长率、估值、行业空间），把”它太火了”翻译成”它太好回忆了”，再判断火候背后有没有真实价值支撑。
6. 经典：Tversky & Kahneman 的字母 K 实验（真实）
1973 年 Tversky 和 Kahneman 做了个把可得性启发法钉死的实验：问人”英语文本里随机一个词，是更可能以 K 开头，还是 K 更可能在第三个字母位置？”多数人答”以 K 开头”，因为 kangaroo、kitchen、kale 这些词一下就想得起来，而 K 在第三位的词（像 acknowledge）要费力回忆。可实际相反——典型文本里 K 在第三位的词约是以 K 开头的两倍。这个实验的杀伤力在于：连数单词这种能查证的客观题，人都被”好不好回忆”带偏，何况没法直接查证的复杂判断。
7. 深挖一刀：9/11 后美国人改开车，多出的车祸死亡（真实）
易得性偏差最沉重的真实后果之一，发生在 2001 年 9·11 之后。空难画面太震撼、太好回忆，许多美国人为了躲避”坐飞机”的风险，改成开车出行——可开车的实际死亡率远高于飞行。研究者 Gigerenzer 测算，9·11 后因改走公路而额外增加的车祸死亡，头三个月就约 350 人（已超过四架被劫持客机上的遇难人数），拉到一整年则约 1,600 人（Gigerenzer 2004、2006；Sivak & Flannagan 2003 奠定了飞行 vs 驾驶的风险比较基础）。人们躲避了一个生动的小概率风险，撞上了一个不好回忆的大概率风险。这正是易得性偏差最阴险的地方：它用画面感替换了概率，让人在最该冷静的地方做了反向选择。
8. 商业：可口可乐把 availability 做成”世俗宗教”（真实，芒格）
易得性偏差不全是病，它也是把能伤人也能赚钱的刀。芒格在演讲里点名可口可乐：它把”availability 改变行为”做到了极致——让可乐在任何你想喝东西的场景里都”最容易被想到”，等于把可得性做成了世俗宗教。广告、铺货、品牌曝光，都在抬高自己在你脑子里被回忆起的概率，让你在购买瞬间不假思索选它。营销学里的”top of mind（心智首选）”，翻译过来就是”可得性最高”。对决策者，这一面也值得学：既要防易得性偏差误导自己的判断，也要懂怎么正面用它——做安全宣传、推新产品、建品牌，都是在经营可得性。
9. 个人：身边人都在某行业、都买房，觉得”这就是对的”（个人）
一个人做职业或买房这种大决策时，最容易被”身边人都这么干”主导——朋友都在某行业、同龄人都买了房，就觉得这条路是对的。把样本拉远一点看：身边的人就是你最”易得”的样本，他们组成的画面太生动、太近，于是被当成了”普遍规律”。可你的圈子在全体人群里是高度有偏的小样本。对治：大决策要主动跳出”易得的圈子”，去查更广的分布数据（行业的真实增长与淘汰率、不同城市的房价收入比），别让最亲近的几个案例替全国下定论。
10. 边界：什么时候该信”易得”的信号（原理）
易得性偏差之所以叫”启发法”而不是”错误”，是因为它多数时候管用——真正高频的事，确实更好回忆（你常吃的那家店自然先想起来）。所以别把它用成”凡是容易想到的都是错觉”。它只在四种情况下扭曲：被近因放大（最近发生的当成常态）、被生动性放大（震撼的当成常见的）、被媒体放大（报道多的当成高频的）、被个人经历放大（自己经历过的当成普遍的）。剥掉这四种放大，剩下的”易得性”往往是真实频率的合理信号。把这一刀想清楚，才不会从”盲信直觉”摆到”全不信直觉”。
学习易得性偏差思维的 10 个步骤
学这套模型，顺序比内容更重要。下面十个步骤按”懂概念 → 自我诊断 → 学经典 → 练杀手问题 → 防极端化 → 上流程 → 建节奏”的弧线排，每步配一个实例。
1. 懂概念：什么是易得性偏差
先把定义咬死：用”例子好不好回忆”去估”事情多常见”，就是易得性偏差。实例：让你估”被鲨鱼咬死”和”死于糖尿病”哪个多，鲨鱼的画面太生动，多数人会高估鲨鱼——可糖尿病致死是鲨鱼的成千上万倍（鲨鱼袭击致死全球一年通常不到十人，糖尿病光美国一年就八万多人，按可查统计）。区分”好不好回忆”和”真不真常见”，是整套模型的起点。
2. 自我诊断：找出一个”因为好回忆就当真”的判断
列一个你眼下正相信的判断，问自己”我凭什么这么认为”。实例：写下你最近觉得”很普遍”的一件事（某类诈骗很多、某个行业很火），标出依据是数据还是印象。承认它在发酵，是治它的第一步。
3. 学经典源头：Tversky & Kahneman 1973 + 字母实验
读两个真东西把感觉建立起来。实例：找 Tversky & Kahneman 1973 那篇《Availability》里的字母 K 实验读一遍，再看 1974 年《Science》那篇把可得性、代表性、锚定并列为三大启发式。一实验一框架，易得性偏差的机理就立住了。
4. 练杀手问题：”数据还是好记”
把这个问题变成条件反射。实例：拿你第 2 步那个判断问自己——“我凭什么觉得它常见：是有数据，还是它好记、最近、够生动？”如果交不出数据，多半在易得性偏差里。
5. 学切账：易得性 / 基础概率 / 沉默数据
养成三栏思考的习惯。实例：估某风险时，”我能想起来的案例”是易得性（划掉），”这类事在总体里的实际发生率”是基础概率（要查），”没上新闻、没发生的反面规模”是沉默数据（要找）。后两栏才是该算的账。
6. 案例对照：拿一个媒体炒热的事件做”实际 vs 报道”对比
找一个被媒体密集报道的事件，对比它的”报道热度”和”实际频率”。实例：查某类犯罪或事故的实际发生率和媒体报道量，你会发现热度高未必频率高——这种事后复盘，能训练你在事中识别媒体放大的嗅觉。
7. 小处试跑：看新闻时练”新闻价值 vs 概率信号”
先在低代价场景上练。实例：刷到一条骇人新闻，问自己一句”这是新闻价值（够刺激），还是概率信号（够常见）？”——把这两者分开，是小决策上最容易落地的练习。
8. 应用到组织：决策走清单，不靠记忆
把芒格的解药做成流程。实例：在重要决策前过一份清单——基础概率查了吗、沉默的数据找了吗、决策依据是数据还是印象、最近有没有生动个案在干扰。把对治从”觉悟”变成”流程”，比靠意志力靠谱十倍。
9. 建立节奏：决策前强制找”沉默的数据”
养成记录”易得 vs 沉默”的习惯。实例：每个重要判断记一句”我考虑了哪些易得信息、又主动找了哪些沉默数据”——半年后回看，你会发现哪些判断当年只靠了印象。
10. 定期复盘：盘点你被”易得性”带偏的判断
真正的纪律会留下痕迹——你会纠正一批判断。实例：每季度盘点一次，过去三个月你修订过哪些”因为好回忆就当真”的判断？如果一个都没有，能一个都没有的人，多半根本没在用这套模型。
对决策者的启示
落到带组织的大企业一把手身上，易得性偏差有三条最值得焊进决策习惯：
第一，会议室里赢的，往往是讲得最生动、最近、最响的那一个，不是数据最扎实的那一个。组织决策的系统敌人，就是易得性偏差。”上次那个客户””最近那次事故””会上说得最激动的那个人”，每一样都自带真实感，恰恰因为好回忆。结果沉默的大多数用户、沉默的基础概率、沉默的没发生的反面，全被挤出了决策。决策者首先要认下：会议室里的”共识”很多时候只是”可得性最高”的那一派，和”最对”未必是一回事。
第二，解药是流程和清单，不是个人觉悟。芒格把这点讲得最透——对抗易得性偏差靠 checklist 和程序，光靠”我要小心”挡不住。所以重要决策必须有”基础概率数据”这道强制工序：估风险要拿出实际分布数据、推产品要看用户行为分布、定质检权重要看缺陷柏拉图。把”查 base rate、找沉默数据”写进决策流程，比寄望于开会的人都自觉靠谱得多。组织里有没有这道数据工序，是决策平均质量的分水岭。
第三，**越往上层，信息越被过滤成”生动的个案”，一把手要主动要”沉默的分布”**。汇报链天然有放大效应——能报到一把手耳朵里的，往往是够刺激、够例外的个案，而平淡但占大头的常态被层层过滤掉。所以一把手拿到生动个案时，第一反应该是”这类在总体里占多少、分布怎样”，主动把沉默的分布捞回来。一手数据要看分布，不能只看被挑出来的几个故事。
文末引用
- 可得性启发法（availability heuristic）与 Tversky & Kahneman 1973 奠基论文：Tversky, A., & Kahneman, D. (1973). “Availability: A heuristic for judging frequency and probability.” Cognitive Psychology, 5(2), 207-232（doi:10.1016/0010-0285(73)90033-9）。该文系统提出并实证了可得性启发法（来源：Elsevier Cognitive Psychology 原文；noorsiddiqui.com、simplypsychology 等佐证）。文中第 6 案例所引字母 K 实验出自该文。证据层级：同行评审学术论文（高被引经典）；立场：学术中立。
- 三大启发式与 1974《Science》论文：Tversky, A., & Kahneman, D. (1974). “Judgment under uncertainty: Heuristics and biases.” Science, 185(4157), 1124-1131。该文将可得性、代表性、锚定并列为三大启发式（来源：simplypsychology 引用）。证据层级：同行评审学术论文（Science）；立场：学术中立。
- **查理·芒格第 18 条”Availability-Misweighing Tendency”**：出自芒格《The Psychology of Human Misjudgment》演讲（1995 哈佛法学院演讲 + 后续《Poor Charlie’s Almanack》修订定稿；歌词点题与第 18 条编号以 Almanack 定稿版为准），列 25 条心理倾向第 18 条。原文用歌词”When I’m not near the girl I love, I love the girl I near”点题；解药为”procedures, including use of checklists”；并明确归源于 Tversky 与 Kahneman（”I’m mimicking some very eminent psychologists… and Tversky who raised the idea of availability to a whole heuristic”）；点名可口可乐把 availability 做成”世俗宗教”（来源：fs.blog 演讲全文转录；YouTube 演讲视频转录）。证据层级：当事人演讲 + 二手转录；立场：当事人原话，中立；具体演讲场次与逐字出处待核实。
- 字母 K 实验细节（K 作首字母 vs 第三字母）：典型英语文本中 K 在第三位的词约是以 K 开头的两倍（”a typical text contains twice as many words that have K as the third letter than K as the first letter”），出自 Tversky & Kahneman 1973 原始研究与 Wikipedia “Availability heuristic” 条目。证据层级：同行评审学术 + 百科转引；立场：中立。
- 9/11 后改开车的额外车祸死亡（第 7 案例）：Sivak, M., & Flannagan, M. J. (2003). “Flying and driving after the September 11 attacks.” American Scientist, 91(1), 6-8（奠定飞行 vs 驾驶的风险比较基础）。额外车祸死亡的估测出自 Gigerenzer：Gigerenzer, G. (2004). “Dread risk, September 11, and fatal traffic accidents.” Psychological Science, 15(4), 286-287（估头三个月约 353 人，超过四架被劫客机遇难人数）；其后 Gigerenzer (2006) 估一整年约 1,595 人（来源：《American Scientist》原文；Guardian、Max Planck Institute、Ayton et al. 2019《Judgment and Decision Making》引述）。证据层级：同行评审期刊；立场：学术中立；具体数字因基线与方法不同有区间，文中”头三个月约 350、一整年约 1,600”按 Gigerenzer 口径。
- 死因高估现象（凶杀/鲨鱼/雷击 vs 常见死因）：作为可得性效应的标准表现引用——生动、上新闻的死因被高估，常见但不刺激的死因被低估；经典学术源头为 Lichtenstein, Slovic, Fischhoff, Layman & Combs (1978) 的死因频率估计研究（来源：Wikipedia “Availability heuristic”；LessWrong 词条）。证据层级：同行评审学术 + 百科；立场：学术中立。
- Schwarz et al. 1991”易得性”机制细化：Schwarz, N., Bless, H., Strack, F., Klumpp, G., Rittenauer-Schatka, H., & Simmons, A. (1991). “Ease of retrieval as information: Another look at the availability heuristic.” Journal of Personality and Social Psychology, 61, 195-202。该研究指出驱动效应的是”回忆的难易”而非”想起的例子数量”，是可得性启发法的重要细化（来源：simplypsychology 引文）。证据层级：同行评审学术；立场：学术中立。
- 文中金融、电信、制造、电商、个人的”示意”案例：均为说明思考逻辑的构造性案例，涉及的公司（”某银行 / 某运营商 / 某工厂 / 某电商”）非真实具名主体，相关细节为说明性构造，非任何真实公司披露。已在正文统一标注”示意”。
- “易得性偏差思维模型”这个名称：在芒格体系里有正式对应（第 18 条 Availability-Misweighing Tendency），学术根为 Tversky & Kahneman 1973 的可得性启发法；本文据实分了两层来源（学术机理 / 芒格再加工），并把芒格比学者多走的两步（清单解药、组合罪警告、商业武器化）单独标出。
buymeacoffee
