这个论断听起来像是异端邪说，对吗？如今的管理教育很大程度上是在教人们如何判断：通常是通过大量案例研究和其他实例展示，让他们能够在成为领导之后按照案例中得出的经验，胸有成竹地为企业领航。在商学院内外，我们都被告知要相信自己的本能直觉，相信自己能够在眨眼间作出精确的评判。

　　这是当今商业世界（甚至可能是整个世界）中为害最大的谬见。正如我从前写过，人类相信直觉有道理，但也确实常常出错。在决定囚犯能否获得行动自由方面，由人组成的假释委员会远远比不上简单明了的方程式；训练有素的病理学家诊断乳腺癌的能力，比不过图像分析软件；采购专家挑选供应商的能力不如直接的计算规则；预测最高法院某一年案件投票结果时，美国顶尖法律学者败给了一套靠数据作判断的决策规则。

　　这样的例子不胜枚举。心理学家保罗·米尔（Paul Meehl）对人类专家和算法进行比较研究已有近60年，他的一句话可以总结这些无处不在的例子。他在职业生涯的终点总结道：“社会科学展现出如此大体量的多样的量化研究，得出的观点空前地一致。当你纵览上百项预测调查，从足球比赛结果到肝病诊断无所不包；当你已经几乎想不出几个能证明人类医师具有微弱优势的研究结果时，是时候作出一个面对现实的结论了。”

　　所谓“面对现实的结论”就是我们应当把许多琐碎且间接的决定、预测、诊断和判断交给算法，对于这样做是否会带来更好的结果，答案已经无可争辩。

　　面对这些证据，当代专家的典型回应是“我知道数据和分析的重要性，所以我作决策的时候参考了它们。”听上去很对，但实际上错得一塌糊涂。再强调一次，研究结果很清晰：当专家将自己的判断用于数据驱动的算法或数学模型（换句话说，当他们再猜一次时），他们做得比单用算法决策糟糕得多。社会学家克里斯·斯尼德斯（Chris Snijders）说：“你通常会以为，专家有了数据和分析作辅助，这种情况介于算法模型和专家个人判断之间，应该能取两者之长。但其实这样还是远不如单独用数据模型作出的判断。”

　　如果我们将辅助关系翻转，让专家辅助数据模型，而不是让数据模型服务于专家决策，情况就会大为改观。如果我们把专家的主观看法量化、输入数据模型，判断质量通常会有所提升。因此，病理学家估计，癌症发展阶段的信息可以被输入图像分析软件，法律学者对于最高法院会如何判决下个案子的预测将会提升模型的预测能力，等等。如伊恩·艾瑞斯（Ian Ayres）在他的著作《超级咀嚼者》（Supercrunchers）中所言：“不是让数据服务于专家的选择，而是让专家服务于数据机器。”

　　毫无疑问，对多数组织来说这将是一项艰难的转变。如今大多作决策的人都认为自己非常善于决策，至少肯定比冷冰冰、一根筋的算法做得好。他们还认为，将大部分决策权转交给机器，将削弱自己的权威和价值。第一条看法很明显是错误的，第二条错误的程度大幅度降低。

　　那么，如果进行改变，专家和算法之间的大反转真的会实现吗？我们的机构、经济和社会能从中获益吗？这需要透明、时间以及我们需要承担的后果。透明能够让人们看清“专家”的判断有多差；时间让这一新鲜事物传播、沉淀；承担后果让我们极度小心，避免决策失误，度过痛苦但又必不可少的转变期。

　　上文中假释委员会的例子已经具备了上述三点。艾瑞斯说：“过去25年，18个州改变了它们假释制度中的量刑指南，那些保留了假释委员会的州也调整了系统，越来越依赖于对再犯罪风险的评估计算。”

　　假释决策失当会给公民带来不良后果，因此，由人进行裁决的假释委员会逐渐被淘汰，是件值得庆幸的好事。商业世界中的竞争，尤其是来自用数据武装自己的对手的竞争，会让较差的决策者品尝决策失当的苦果。我不知道这一天会在什么时候到来，但我非常确定，由数据主导的企业，将从依旧仰赖人类专家的企业手中赢得市场份额、顾客和利润。（译/熊静如 编译/安健）