CEO 決策日記 期望值與算帳思維

期望值與算帳思維

用數學思維升級決策品質。期望值直覺、不對稱報酬、試錯成本歸零——AI 時代改變的不只是工具,是賭注結構本身。
1 Article 01

期望值怎麼用?CEO 的 5 秒直覺判斷法

某 CEO 花三個月評估一個最多虧 50 萬的決策,結果錯過價值 5000 萬的機會。期望值直覺不是數學,是一種五秒鐘的判斷本能。本文提供「三問法」框架,加上注意力機會成本的計算方式,讓你立刻停止在小決策上浪費 CEO 級的腦力。莊東碩(Dean)原創框架

我認識一個 CEO,他花了整整三個月評估要不要開一條新產品線。請了顧問、做了市場調研、開了十幾次會議。最後決定不做,因為「風險太高」。

那條產品線最壞的情況是虧 50 萬。

三個月後,他的競爭對手用 AI 推出了類似產品,第一年營收 5000 萬。

他不是不聰明。他是把聰明用錯了地方。他犯了一個 CEO 最常犯的錯誤,用評估一個 5000 萬決策的精力,去評估一個 50 萬的決策。

這不是決策品質的問題,是決策成本的問題。而大多數 CEO 從來沒有認真計算過:你花在「想清楚」上的時間,本身值多少錢?

一、賭場教會我們的一件事

撲克牌職業玩家有一個概念叫「期望值」(Expected Value, EV)。

簡單說:一個決策的期望值 = 每個可能結果的價值 × 它發生的機率,全部加總。

如果一個賭注有 50% 機率贏 200 元,50% 機率輸 100 元,那期望值是 +50 元。長期來看,這個賭注每下一次你平均賺 50 元。職業玩家不在乎單次輸贏,他們只在乎期望值是正還是負。

CEO 做決策的邏輯應該跟職業撲克玩家一模一樣。

但大多數 CEO 不是這樣思考的。他們的思考方式是:「這個決策有沒有可能失敗?」如果答案是「有」,就開始無止盡的評估、分析、開會,試圖把失敗的可能性從 30% 降到 25%,再降到 20%。

問題是:把失敗率從 30% 降到 20%,跟把評估時間從一週延長到三個月,哪個成本更高?

大多數情況下,是後者。

二、三問法:五秒建立期望值直覺

你不需要拿出計算機。你不需要建 Excel 模型。你只需要問自己三個問題:

問題一:最壞情況,我能承受嗎?

這是期望值計算裡最重要的一步,先看下檔。

如果最壞的情況是虧 50 萬,而你的公司年營收 5000 萬,那這個最壞情況是「不舒服但不致命」。如果最壞情況是公司倒閉,那是另一回事。

關鍵不是最壞情況有多壞,而是最壞情況是不是「可逆」的。這直接連結到「可逆性×判斷需求矩陣」的邏輯:可逆的決策天生就有較高的期望值,因為失敗的成本被天花板封住了。

判斷標準很簡單:最壞情況會不會讓你出局?如果不會,往下走。

問題二:最好情況,值得追嗎?

現在看上檔。如果這個決策成功了,回報有多大?

注意,這裡不需要精確數字。你只需要一個量級判斷:這是一個「1 倍回報」的機會,還是「10 倍回報」,還是「100 倍回報」?

大多數 CEO 低估上檔的程度,遠遠超過他們高估下檔的程度。

為什麼?因為人類的大腦天生對損失更敏感(Loss Aversion)。虧 50 萬的痛苦感,在你的神經系統裡大約等於賺 150 萬的快樂感。所以你的直覺會系統性地低估機會、高估風險。

解法是:強迫自己用數字思考上檔。 不是「這個機會看起來不錯」,而是「如果成功,三年內能帶來多少營收?」把模糊的樂觀轉化成具體的數字,你的判斷會清醒很多。

問題三:我花在評估上的時間,本身值多少錢?

這是最被忽略的一個問題,也是我認為最重要的一個。

我把它叫做「注意力的機會成本」(Attention Opportunity Cost)。

CEO 的判斷力是有限額度的。這不是雞湯,這是神經科學。你每天能做出的高品質決策有一個上限,跟你的意志力、血糖水平、睡眠品質直接相關。我在「決策額度」(Decision Quota) 的概念裡詳細拆解過這個問題。

當你花三個月評估一個 50 萬的決策,你消耗的不只是三個月的時間。你消耗的是三個月的判斷力額度。在這三個月裡,你有多少個 5000 萬級別的機會從你眼前滑過,而你甚至沒有注意力去看見它們?

評估的成本不只是時間,是你在那段時間裡錯過的所有其他可能性。

所以第三個問題的答案如果是「評估成本已經接近或超過了潛在損失本身」,那你應該立刻停止評估,做一個方向性的判斷,然後行動。

三、期望值的五秒決策樹

把三個問題串起來,你會得到一棵非常簡單的決策樹:


Q1: 最壞情況能承受嗎?
├── 不能 → 慎重評估(值得花時間)
└── 能 →
    Q2: 最好情況是 10 倍以上回報嗎?
    ├── 是 → 立刻行動,邊做邊調
    └── 不確定 →
        Q3: 評估成本會超過潛在損失嗎?
        ├── 會 → 停止評估,做出判斷
        └── 不會 → 給自己一個期限(不超過 2 週),快速評估

五秒鐘,三個問題,你就能判斷這個決策值得你花多少腦力。

注意這棵決策樹不是在幫你做「對的決策」,它在幫你做「對的資源分配」。它的目的是確保你不會把 CEO 級別的腦力浪費在不配得上這個級別的決策上。

四、一個真實案例的期望值拆解

讓我把開頭那個 CEO 的案例用三問法走一遍。

情境:是否要投入 50 萬開發一條新的 AI 輔助產品線。

問題一:最壞情況能承受嗎?
最壞情況:產品完全失敗,虧掉 50 萬。公司年營收 5000 萬,這是 1% 的營收。不舒服,但完全可以承受。而且這個決策是可逆的,不行就停。
答案:能承受。繼續。

問題二:最好情況值得追嗎?
如果成功,這條產品線可能帶來每年 500-1000 萬的營收。這是投入的 10-20 倍回報。而且 AI 產品線有可能成為公司未來三年的增長引擎。
答案:絕對值得追。

問題三:評估成本值多少?
CEO 花了三個月的時間精力,加上顧問費、團隊的會議時間,保守估計「評估」本身的成本是 30 萬。更重要的是,三個月裡 CEO 的注意力被鎖定在這個項目上,其他戰略機會被擱置。
答案:評估成本(30 萬 + 機會成本)已經逼近甚至超過了最壞情況的損失(50 萬)。

三問法的判斷:這個決策應該在一週內做出。花三個月評估,是用 CEO 最貴的資源(判斷力和注意力)去做一個不匹配的工作。

結果我們都知道了,他省了那 50 萬的「風險」,丟了 5000 萬的「機會」。

五、為什麼大多數 CEO 的期望值直覺是壞的

如果三問法這麼簡單,為什麼大多數 CEO 還是會犯開頭那個錯誤?

因為有三個系統性的偏誤在干擾你:

偏誤一:損失厭惡(Loss Aversion)

前面提過,虧 50 萬的痛感是賺 50 萬的快感的 2-3 倍。這意味著你的直覺會系統性地過度關注下檔風險,而忽略上檔機會。

解法:每次評估決策時,強迫自己花等量的時間分析上檔和下檔。如果你花了一小時想「可能會虧多少」,就必須花一小時想「可能會賺多少」。

偏誤二:確認偏誤(Confirmation Bias)

一旦你傾向於某個方向(比如「不做」),你會不自覺地只尋找支持這個方向的證據。三個月的評估時間越長,你收集到的「不該做的理由」就越多,不是因為理由真的變多了,而是因為你一直在找。

解法:給評估設定一個時間上限。如果兩週內你無法找到一個「致命理由」(最壞情況不可承受),就視為沒有致命理由。

偏誤三:沉沒成本效應(Sunk Cost Fallacy)的反面

大多數人知道沉沒成本的陷阱(已經投入了所以繼續投入)。但有一個反面很少人談,「還沒投入所以不想開始」。 當你面對一個需要投入的決策時,你會覺得「一旦開始就回不了頭」,即使事實上這個決策完全是可逆的。

解法:問自己一個反事實問題,「如果我已經在做這件事了,我會停止嗎?」如果答案是「不會」,那你現在就應該開始。

六、期望值直覺與智力槓桿

在 AI 時代,期望值直覺變得更加重要。原因很簡單:AI 是一種「智力槓桿」,它放大了你每一個決策的影響力。

過去,一個 CEO 做了一個正確的決策,需要幾十個人花幾個月來執行。現在,同樣的決策加上 AI,可能幾天就能落地。

這意味著什麼?你的決策頻率可以大幅提升。

過去一年你可能只能認真推動 3-5 個戰略決策,因為每個決策的執行都需要大量資源和時間。現在,AI 讓執行成本暴降,你一年可能可以推動 10-15 個戰略決策。

但你的判斷力額度沒有增加。

所以期望值直覺的價值在 AI 時代被放大了,你需要更快速地篩選決策,把有限的深度思考留給那些真正需要的決策,把其他的快速判斷、快速行動、快速迭代。

這跟「規模詛咒」的概念也連在一起:大公司之所以在 AI 時代反應慢,不是因為技術不行,是因為每個決策都要走流程、開會、審批。他們把所有決策都當象限 I 來處理,結果是所有決策都慢。而一個有期望值直覺的 CEO,五秒鐘就能分類:哪些值得慎重,哪些直接行動。

七、練習:本週的決策審計

拿出你的行事曆,回顧過去一週你花時間「評估」或「開會討論」的所有決策。對每一個,問自己三個問題:

  1. 這個決策的最壞情況是什麼?金額是多少?可逆嗎?
  2. 如果成功,回報倍數是多少?
  3. 我花在評估上的時間和精力,值多少錢?超過最壞情況了嗎?

你幾乎一定會發現:你花了 80% 的評估時間在那些「最壞情況完全可承受」的決策上。

然後做一件事:把下週的日程表清出來。 那些過度評估的決策,現在就做一個判斷。然後把省下來的時間,投入到那些你一直覺得「還沒想清楚」的大決策上。

結語:期望值直覺是訓練出來的

職業撲克玩家不是天生就知道一手牌的期望值。他們是打了幾萬手之後,建立了直覺。

CEO 的期望值直覺也一樣。你不會在讀完這篇文章後就立刻擁有它。但你可以從今天開始訓練:每一個決策,用三問法走一遍,五秒鐘做一個初步判斷。然後記錄下來,三個月後回頭覆盤,你的直覺對了幾次、錯了幾次、錯在哪裡。

這就是品味的訓練方式。品味護城河不是天賦,是高密度經驗的累積。期望值直覺不是數學能力,是反覆校準後的判斷本能

大多數 CEO 的問題不是做了錯的決策,而是在不值得的決策上花了對的時間

你最貴的資源不是錢,不是人才,不是技術。是你的注意力。而你正在把它浪費在不配得上它的地方。

什麼是「期望值直覺」(Expected Value Intuition)?
期望值直覺不是要你拿計算機算概率,而是一種訓練出來的判斷本能。透過三個問題——(1) 最壞情況能承受嗎?(2) 最好情況值得追嗎?(3) 評估本身的時間成本值多少?——在五秒內判斷一個決策值不值得投入注意力。
什麼是「注意力的機會成本」(Attention Opportunity Cost)?
CEO 的注意力是有限額度的資源。每花一小時評估 A 決策,就少一小時思考 B 決策。如果 A 的潛在影響是 50 萬,B 的潛在影響是 5000 萬,那你花在 A 上的每一秒都是在虧損——虧的不是 A 的評估費用,而是 B 的機會。
期望值直覺和「可逆性矩陣」有什麼關係?
可逆性矩陣幫你判斷「這個決策該不該交給 AI」,期望值直覺幫你判斷「這個決策值不值得花你的時間」。兩者互相補充:可逆且低判斷需求的決策,期望值直覺告訴你「別想了,直接做」;不可逆且高判斷需求的決策,期望值直覺告訴你「值得花時間,但也別花太久」。

✍️ 莊東碩(Dean)|Dean Today 執行長日記

歷經公司重組與多輪募資,將實戰經驗結晶為 310+ 篇原創框架。賦予你看穿本質的商業直覺,做出卓越選擇的決策品味

2 Article 02

高勝算決策迷思:該追求高成功率還是高回報倍數?

創投投 100 個項目,90 個歸零,但 1 個賺 1000 倍——整體回報驚人。大多數 CEO 用「成功率」篩選決策,但真正該看的是「回報倍數」。本文教你設計「反脆弱賭注」:失敗損失有限,成功回報無限的決策結構|莊東碩的 Dean Today 執行長日記

創投基金的投資邏輯是這樣的:投 100 個項目,預期 90 個會歸零。剩下的 10 個裡,9 個會有小額回報。但只要有 1 個賺了 1000 倍,整個基金的回報就是驚人的。

大多數人看到「90% 會歸零」就覺得這是瘋狂的賭博。

但如果你會算數,你就知道這是世界上最理性的決策結構。

問題不在於失敗率有多高。問題在於:成功的時候,你能賺多少倍?

這個概念叫做「不對稱報酬」(Asymmetric Payoff),失敗損失有限,成功回報無限。大多數 CEO 終其一生都在追求一個錯誤的指標:「成功率」。而真正該追求的,是「回報倍數」。

一、你一直在用錯的指標

假設你面前有兩個選擇:

選擇 A:80% 成功率,成功賺 100 萬,失敗虧 50 萬。
選擇 B:10% 成功率,成功賺 5000 萬,失敗虧 50 萬。

大多數 CEO 會選 A。因為 80% 的成功率「讓人安心」。

但讓我們算一下期望值:

選擇 A 的期望值 = 80% × 100 萬 – 20% × 50 萬 = 80 萬 – 10 萬 = +70 萬
選擇 B 的期望值 = 10% × 5000 萬 – 90% × 50 萬 = 500 萬 – 45 萬 = +455 萬

選擇 B 的期望值是選擇 A 的 6.5 倍

即使它有 90% 的機率會失敗。

「成功率」高不代表「期望值」高。 這是大多數 CEO 的期望值直覺最大的盲區。你追求的不應該是「做成的機率」,而是「加權後的整體價值」。

一個成功率只有 10% 但回報倍數是 100 倍的決策,在數學上遠優於一個成功率 80% 但回報倍數只有 2 倍的決策。

二、大自然早就知道這個道理

如果你覺得這個邏輯違反直覺,讓我給你一個更大的例子,進化

基因突變的成功率極其低。絕大多數突變是中性的(沒有影響)或有害的(降低生存機率)。真正有益的突變,可能每幾百萬次才出現一次。

如果大自然的「決策模式」是追求「成功率」,它應該直接關閉基因突變這個機制。每一次複製都完美複製,零錯誤。

但大自然沒有這樣做。

因為那些極低概率的有益突變,一旦出現,它的回報是物種級別的,一個更好的翅膀結構、一個更高效的代謝途徑、一個更靈活的大腦皮質。一次成功的突變可以被複製到後代的後代的後代,影響力呈指數擴散。

進化不追求成功率,它追求的是不對稱報酬。 失敗的突變被自然淘汰,成本有限(一個個體)。成功的突變被自然選擇放大,回報無限(整個物種)。

三十七億年的生命演化史,就是一場不對稱報酬的極致展演。

如果你的決策模式比大自然還保守,你需要重新想一想。

三、Bezos 的「後悔最小化」框架

Jeff Bezos 在 1994 年做了一個決策:離開華爾街的高薪工作,在車庫裡開一家網路書店。

他的老闆(一位對沖基金大佬)告訴他:「Jeff, 這是一個很好的想法,但對於一個已經有好工作的人來說,這是更好的想法留給還沒有好工作的人。」

很合理的建議。離開華爾街的成功率在統計上確實很低。

但 Bezos 用了一個他稱之為「後悔最小化框架」(Regret Minimization Framework) 的方法來做判斷:

「我想像自己 80 歲的時候,回頭看這個決定。如果我嘗試了但失敗了,我會後悔嗎?不會,至少我試過了。如果我沒有嘗試,我會後悔嗎?絕對會。」

但 Bezos 能做這個判斷的前提是什麼?他已經評估過最壞情況了。

最壞情況是什麼?書店失敗,他虧掉啟動資金,然後回華爾街找工作。一個有 D.E. Shaw 資歷的人不愁找不到工作。所以最壞情況是「不舒服但完全可逆」。

最好情況呢?我們現在知道了,Amazon 市值曾超過兩兆美元。

這就是一個教科書級的不對稱賭注:下檔封死(最壞就是回去上班),上檔無限(萬一成功了呢?)。

Bezos 後來把這個思維方式制度化了。他在 Amazon 內部區分了 Type 1 Decision(不可逆,需要慎重)和 Type 2 Decision(可逆,應該快速決策)。他說:「大多數決策都是 Type 2,但大多數公司把 Type 2 當成 Type 1 來處理,這讓公司變得很慢。」

你有沒有發現?這跟「可逆性×判斷需求矩陣」的邏輯完全一致。可逆的決策天生就是不對稱賭注,因為失敗的成本被「可逆性」這個天花板封住了。

四、為什麼大公司打不出不對稱賭注

理論上,大公司應該比小公司更擅長打不對稱賭注。它們有更多資金、更多人才、更多數據,可以同時下更多注。

但現實恰恰相反。大公司幾乎不打不對稱賭注。

為什麼?因為「規模詛咒」讓不對稱賭注變成了對稱賭注。

一個小公司測試一個新產品概念,需要什麼?一個人花兩週做一個 MVP,投入 5 萬元。失敗了?5 萬元,兩週時間,完全可以承受。

同樣一個產品概念,在一家 500 人的公司裡測試需要什麼?

  • 產品經理寫 PRD(2 週)
  • 設計團隊做原型(3 週)
  • 跨部門需求評審會議(1 週)
  • 法務風控審查(2 週)
  • 技術團隊開發(6 週)
  • QA 測試(2 週)
  • 行銷團隊準備上市策略(3 週)

加起來:20 週,投入可能超過 200 萬。

同樣一個賭注,小公司的下檔是 5 萬元,大公司的下檔是 200 萬。小公司一年可以打 20 個這樣的賭注,大公司可能只能打 2 個。

不是大公司沒有勇氣,是它的組織結構把每一個原本不對稱的賭注,都灌成了對稱的。

這就是規模詛咒在決策層面的展現,流程、審批、跨部門協調,這些東西不會提升決策品質,但會大幅提升決策成本,直接摧毀不對稱結構。

五、不對稱賭注篩選器:三個條件

不是所有看起來「高風險高回報」的決策都是不對稱賭注。有些就是真的爛賭注,失敗虧很多,成功也賺不了多少。

用這三個條件篩選:

條件一:下檔有明確上限,且你能承受

不對稱的第一個要件:你必須知道最壞情況是什麼,而且這個最壞情況不會讓你出局。

這就是期望值直覺中「三問法」的第一問。如果最壞情況是公司倒閉,那不管上檔多誘人,你都不應該下這個注,除非你有能力限制下檔(比如設定一個止損線:投入超過 X 就停)。

好的不對稱賭注都有一個特徵:失敗的損失是線性的(最多虧 X 元),但成功的回報是指數的(可能賺 10X、100X)。

條件二:上檔沒有明確天花板

這是很多 CEO 忽略的條件。有些決策的上檔跟下檔一樣有限,比如「要不要多開一家店」,成功了多賺一家店的錢,失敗了虧一家店的成本。這是對稱賭注,不是不對稱。

真正的不對稱賭注,上檔應該是開放式的。例如:

  • 開發一個 SaaS 產品(邊際成本趨零,成功了可以服務無限用戶)
  • 建立一個內容品牌(好的內容有複利效應,影響力會指數增長)
  • 投資 AI 能力建設(AI 的效率提升是指數級的,今天投入的每一分都會在未來放大)

問自己:如果這個決策成功了,回報會隨著時間自我放大嗎? 如果會,那就是不對稱的。

條件三:你能在早期用低成本驗證核心假設

最好的不對稱賭注都有一個結構特性:你不需要全部投入才能知道方向對不對。你可以用 10% 的成本驗證 80% 的不確定性。

比如你想推出一個新的 AI 產品。你不需要花 500 萬做完整產品。你可以花 5 萬做一個 landing page,投一點廣告,看看有沒有人願意留下信箱。如果連興趣都沒有,那就不用繼續了,你用 1% 的成本篩掉了一個壞賭注。

這就是 AI 時代特別有利的地方,AI 讓早期驗證的成本大幅降低。這個觀點我在「試錯成本歸零」裡會深入展開。

六、反脆弱賭注:從波動中獲益

Nassim Taleb 的「反脆弱」(Antifragile) 概念,本質上就是不對稱報酬的延伸。

反脆弱不是「不怕波動」,而是「波動越大,我越受益」。

一個下檔有限、上檔無限的賭注,在穩定的環境裡表現普通,因為沒有什麼意外發生,也就沒有什麼超額回報。但在動盪的環境裡,它的表現會爆炸性地好,因為動盪創造了更多的極端結果,而你只承受了有限的下檔,卻捕獲了無限的上檔。

AI 時代就是一個動盪的時代。 技術在指數級加速,商業模式在快速更迭,消費者行為在劇烈轉變。在這種環境裡,不對稱賭注的價值被放大到極致。

所以 CEO 在 AI 時代的正確姿態不是「降低風險」,而是「設計一個從風險中獲益的賭注組合」

具體怎麼做?

  1. 同時下多個小賭注,而不是把所有資源壓在一個「確定的」方向上
  2. 每個賭注都設計成不對稱結構:下檔封死,上檔開放
  3. 快速殺死失敗的賭注:一旦核心假設被推翻,立刻止損,把資源轉移到下一個
  4. 對成功的賭注加碼:一旦某個賭注展現出不對稱回報的跡象,加倍投入

這個組合策略的數學特性是:你的平均回報會隨著波動性的增加而提升。 環境越亂,你的賭注組合表現越好。這就是反脆弱。

七、為什麼你的判斷力和品味在這裡至關重要

有人可能會問:「如果不對稱賭注這麼好,那不就是亂槍打鳥嗎?什麼都試不就好了?」

不。什麼都試叫做浪費資源。

不對稱賭注的篩選,需要一種「不可編碼能力」,你的品味、直覺、對市場的理解。AI 能幫你做數據分析,但它無法告訴你「這個方向感覺對不對」。

品味護城河在這裡的作用是:它幫你在一千個可能的不對稱賭注裡,挑出那十個最值得下注的。

同樣是不對稱結構的賭注,一個有品味的 CEO 和一個沒有品味的 CEO,選出來的十個會完全不同。前者選出來的十個裡可能有三個能命中,後者選出來的十個可能一個都中不了。

不對稱報酬是數學結構。但選擇在哪裡下注,是藝術。

結語:停止追求「一定會成功」的決策

大多數 CEO 的決策焦慮來自於一個不可能的追求,他們想找到「一定會成功」的決策。

這個東西不存在。

商業世界的本質就是不確定性。如果一個決策「一定會成功」,那表示每個人都看到了這個機會,你沒有任何優勢。

真正的好決策,往往是大多數人不敢做的決策。不是因為它們是爛決策,而是因為它們的成功率看起來不高,但它們的回報倍數驚人,而且下檔可控。

下一次你面對一個「90% 會失敗」的決策時,先別急著拒絕。問自己:如果那 10% 發生了,回報是多少倍?我能承受那 90% 的失敗嗎?

如果答案是「回報是 100 倍」和「完全能承受」,那你可能正站在你職業生涯中最好的一個賭注面前。

不要因為害怕失敗,而錯過了你最大的不對稱機會。

三十七億年的進化已經替你驗證過了:低成功率 × 高回報倍數,這才是長期致勝的結構。

什麼是「不對稱報酬」(Asymmetric Payoff)?
不對稱報酬是一種賭注結構:失敗時損失有限且可控,但成功時回報可能是投入的 10 倍、100 倍甚至 1000 倍。創投就是這個邏輯——100 個投資裡 90 個歸零,但 1 個賺 1000 倍,整體回報仍然驚人。
CEO 該如何篩選「不對稱賭注」?
用三個條件篩選:(1) 失敗的最壞情況有明確上限且可承受 (2) 成功的最好情況沒有明確天花板 (3) 你能在早期用低成本驗證假設。滿足這三個條件,就是值得下的不對稱賭注。
不對稱報酬跟「反脆弱」有什麼關係?
反脆弱是塔勒布的概念——不是「不怕波動」,而是「從波動中獲益」。不對稱賭注天生是反脆弱的:環境越動盪、變數越多,你「試對」的期望報酬就越高,因為動盪創造了更多的不對稱機會。

✍️ 莊東碩(Dean)|Dean Today 執行長日記

歷經公司重組與多輪募資,將實戰經驗結晶為 310+ 篇原創框架。賦予你看穿本質的商業直覺,做出卓越選擇的決策品味

3 Article 03

AI 期望值革命:試錯成本趨近零,所有假設都值得測

過去測試一個商業假設要 3 個月 + 50 萬,現在 AI 原型 + 測試可能只要 3 天 + 5000 元。當分母趨近零,幾乎所有合理的假設都值得測試。本文用棒球、印刷術、智力槓桿三個類比拆解「試錯成本歸零」的底層邏輯,附「本週實驗清單」練習|Dean Today 執行長日記

棒球比賽裡,一個打者每場大概有 3-4 次上場打擊的機會。

這意味著什麼?每一次揮棒都至關重要。你不能亂揮,你必須判斷球路、選擇好球帶、控制揮棒角度。因為你只有 3-4 次機會,每浪費一次,你的贏面就大幅下降。

職棒最頂尖的打者,打擊率大約三成,也就是說,即使是最好的打者,十次打擊也有七次打不到。

現在想像一個場景:規則改了。你一場比賽不是打 3-4 次,而是打 300 次。揮棒的成本幾乎為零。

你的策略會完全改變。

你不再需要每次都完美揮棒。你可以嘗試各種瘋狂的打法,上旋球試試、反手試試、單手試試。反正揮空了沒什麼損失,但萬一某次瘋狂的嘗試打出了全壘打,回報是巨大的。

AI 正在對商業決策做同樣的事。它把你的「打擊次數」從 3 次變成了 300 次。

這不是一個漸進的改善。這是期望值數學結構的根本性翻轉。

一、定義「試錯成本歸零」

讓我用具體數字說明。

2020 年:測試一個新產品概念

  • 市場調研:2 週,花費 15 萬(外包調研公司)
  • 產品原型設計:3 週,花費 10 萬(設計師 + 工程師)
  • MVP 開發:6 週,花費 25 萬(技術團隊)
  • Beta 測試 + 數據收集:4 週
  • 總計:15 週,50 萬以上

2025 年:測試同一個產品概念

  • AI 生成市場分析 + 競品報告:2 小時,幾乎免費
  • AI 生成產品原型(Figma + AI 或直接用 prompt):1 天,花費 500 元
  • AI 輔助開發 MVP(Cursor / Claude / Copilot):3-5 天,花費 2000 元
  • 投放 landing page + 收集用戶反饋:3 天,花費 2500 元(廣告費)
  • 總計:7-10 天,5000 元

成本從 50 萬降到 5000 元。時間從 15 週壓縮到 10 天。降幅是 99%。

這不是效率提升,這是類別改變。就像從騎馬到開車不是「更快的馬」,試錯成本從 50 萬降到 5000 不是「更便宜的研發」,它從根本上改變了「什麼值得試」的判斷標準。

二、當分母趨近零,公式翻轉了

期望值的基本公式是:

EV = 成功機率 × 成功回報 – 失敗機率 × 失敗成本

在過去,「失敗成本」是一個很大的數字(50 萬),所以你必須確保「成功機率 × 成功回報」足夠大才能覆蓋它。這就是為什麼 CEO 要花大量時間評估,因為失敗一次的成本太高了。

但當 AI 把失敗成本從 50 萬壓到 5000 元,這個公式發生了質變:

舊公式:EV = 20% × 500 萬 – 80% × 50 萬 = 100 萬 – 40 萬 = +60 萬 ✓
(值得做,但需要仔細評估那 20% 的成功率是否可靠)

新公式:EV = 5% × 500 萬 – 95% × 0.5 萬 = 25 萬 – 0.475 萬 = +24.5 萬 ✓
(即使成功率只有 5%,仍然值得做,因為失敗的成本幾乎可以忽略)

你有沒有看到翻轉?

當失敗成本趨近零,「成功率」的重要性急劇下降。 即使只有 5% 的成功率,只要成功的回報夠大,期望值仍然是正的。因為你失敗 19 次只虧了 9.5 萬,但成功 1 次賺了 500 萬。

這就是為什麼我說「試錯成本歸零」不是一個效率故事,而是一個決策邏輯翻轉的故事。

舊邏輯:「這個假設有多少把握?把握不夠大就不要做。」
新邏輯:「這個假設有什麼理由不做?除非有明確的致命理由,否則就測試它。」

問題從「Why」翻轉成了「Why not」。

三、歷史類比:印刷術的教訓

這不是歷史上第一次「試錯成本歸零」的事件。

1440 年左右,古騰堡發明了活字印刷術。在此之前,複製一本書需要修道士手抄幾個月。成本極高,所以只有「確定值得」的文本才會被複製,聖經、經典哲學、官方法律文件。

印刷術把複製成本降了 99%。

結果是什麼?不是「書變少了」(因為效率提高了所以不需要那麼多抄寫員),而是書爆炸性增長。 因為當出版成本趨近零,原本「不確定值不值得出」的內容全部值得出了。宗教改革的小冊子、科學實驗的記錄、通俗小說、政治諷刺,這些過去永遠不會被手抄的內容,突然佔據了出版市場的大多數。

知識的爆炸不是因為人類突然變聰明了,而是因為分享知識的成本趨近零了

AI 對商業實驗的效果完全一樣。

當測試一個商業假設的成本趨近零,結果不會是「實驗變少了」,而是實驗會爆炸性增長。過去那些「不確定值不值得試」的想法,全部值得試了。

而在這波爆炸中,大多數實驗會失敗。但少數成功的實驗,會創造出我們今天完全無法想像的商業模式和產品形態。

印刷術催生了啟蒙運動。AI 正在催生商業實驗的啟蒙運動。

四、智力槓桿在決策層面的展現

「試錯成本歸零」不是一個獨立的現象,它是「智力槓桿」在決策層面的具體展現。

智力槓桿的核心概念是:AI 讓一個人的判斷力和創造力可以被近乎無限地放大。過去你有一個好想法,需要一支團隊花三個月把它變成現實。現在你有一個好想法,AI 可以在三天內幫你生成原型、測試假設、收集數據。

這意味著:你的每一個「判斷」都變得更有價值了。

因為每一個判斷的落地成本趨近零,判斷本身就成了唯一真正稀缺的瓶頸。

一個有品味的 CEO,能在一千個商業假設裡挑出最值得測試的二十個。這二十個假設,在 AI 的幫助下,可以在一個月內全部測試完。其中如果有兩三個驗證成功,就是巨大的戰略收穫。

一個沒有品味的 CEO,同樣有 AI 工具,但他挑出來的二十個假設可能全部方向錯誤。測試成本雖低,但時間和注意力仍然是有限的,你一個月能認真跟進二十個實驗,但不能跟進兩百個。

當試錯成本歸零,「什麼值得試」比「怎麼試」重要一萬倍。

這就是「不可編碼能力」在 AI 時代的終極表現:AI 能幫你做所有的「試」,但只有你能決定「試什麼」。

五、規模詛咒:大公司的結構性劣勢

「試錯成本歸零」對小公司和個人創業者來說,是天堂。對大公司來說,卻可能是地獄。

為什麼?因為「規模詛咒」在試錯層面表現得特別明顯。

一個人的公司想測試一個商業假設,需要什麼?CEO 自己花兩天用 AI 做一個原型,投放測試,收集數據。決策鏈:自己→自己。時間:2 天。成本:5000 元。

一家 500 人的公司想測試同一個假設,需要什麼?

  1. 有人寫提案(3 天)
  2. 主管審批(等 1 週)
  3. 跨部門溝通會(等 2 週,因為大家行程排不開)
  4. 法務風控評估(1 週)
  5. 預算審批(等 1 週)
  6. 分配給產品團隊執行(排隊中,預計 3 週後開始)
  7. 開始做(用不用 AI 無所謂,反正前面已經花了兩個月了)

大公司的試錯成本不是「技術成本」,而是「組織成本」。 AI 可以把技術成本壓到零,但壓不掉流程、審批、跨部門協調的成本。這些組織成本隨著公司規模呈指數增長。

結果是:小公司一個月能跑 20 個實驗,大公司同樣一個月可能只能跑 1 個。

在「無限打擊次數」的賽局裡,打擊次數越多的人贏面越大。大公司不是因為判斷力差才輸,是因為揮棒次數不夠才輸。

這就是為什麼我在「規模詛咒」裡說:在 AI 時代,大公司最大的敵人不是競爭對手,是自己的組織結構。

六、新的決策框架:「預設執行」

當試錯成本歸零,CEO 需要一個新的決策框架。我叫它「預設執行」(Default to Action)。

傳統的決策流程是:


想法 → 評估 → 審批 → 決策 → 執行 → 驗證
(預設是「不做」,必須證明「值得做」才能前進)

新的決策流程應該是:


想法 → 快速篩選(有致命理由不做嗎?)→ 立即用 AI 測試 → 數據驗證 → 決定是否加碼
(預設是「做」,除非有明確理由不做)

快速篩選的判斷標準(用「期望值直覺」的三問法來檢驗):

  • 這個實驗的最壞情況是什麼?(如果只是虧 5000 元和三天時間,基本上所有假設都通過這一關)
  • 如果成功,影響有多大?(哪怕只有 5% 成功率,如果成功了能開啟一條新產品線,就值得)
  • 有沒有「致命理由」不做?(會違法嗎?會傷害品牌嗎?會損害客戶信任嗎?如果都不會,那就沒有致命理由)

注意:「預設執行」不是「不用思考」。你仍然需要判斷力來做快速篩選,把明顯不值得的假設過濾掉。但篩選的標準從「找到足夠的理由去做」翻轉成了「找到足夠的理由不做」。

這個翻轉很微妙,但影響巨大。它把 CEO 從「守門員」(Gatekeeper) 變成了「加速器」(Accelerator)。

七、可逆性矩陣 × 試錯成本歸零

把「試錯成本歸零」和「可逆性×判斷需求矩陣」結合起來,你會得到一個更完整的圖景。

「可逆性矩陣」告訴你:可逆的決策應該快速做、不要過度評估。

「試錯成本歸零」告訴你:AI 讓更多的決策變得可逆了。

過去,開發一個新產品是半可逆的,你可以停止開發,但已經投入的 50 萬拿不回來。現在,同樣的事情只需要 5000 元。5000 元的沉沒成本,對大多數公司來說約等於零。它在實質上變成了「完全可逆」。

這意味著「可逆性矩陣」裡的象限 III(可逆 + 低判斷需求 → 全交給 AI)和象限 IV(可逆 + 高判斷需求 → AI 先做、人後審)的範圍急劇擴大了。很多過去被歸在象限 I 或象限 II 的決策,現在因為試錯成本暴降,可以安全地移到象限 III 或 IV。

試錯成本歸零不只改變了期望值的計算,還改變了決策矩陣的分佈。 大量的決策從「需要慎重評估」變成了「直接試、看結果」。

八、練習:你的「本週實驗清單」

現在做一個練習。

回想一下你過去一年「一直想做但覺得成本太高」的商業假設。寫下 5 個。

然後對每一個,重新估算:如果用 AI 做最小化測試,成本是多少?

你的清單可能長這樣:

  1. 「想測試一個新的定價方案」→ 過去估算:需要開發新後台、A/B 測試基礎設施,30 萬 + 3 個月。AI 重新估算:用 landing page + AI 文案測試用戶反應,3000 元 + 3 天。
  2. 「想試一個新的內容行銷方向」→ 過去估算:需要僱一個內容團隊,每月 15 萬。AI 重新估算:用 AI 生成 20 篇測試文章,投放看數據,5000 元 + 1 週。
  3. 「想探索一個相鄰市場」→ 過去估算:需要做市場調研 + 產品改造,50 萬 + 半年。AI 重新估算:用 AI 做市場分析 + 生成針對新市場的 MVP 原型,1 萬 + 2 週。
  4. 「想測試一個自動化客服方案」→ 過去估算:需要買軟體 + 整合 + 培訓,20 萬 + 2 個月。AI 重新估算:用 AI Agent 處理 10% 的客服量做試點,2000 元 + 3 天。
  5. 「想看看用戶對某個功能有沒有需求」→ 過去估算:需要開發功能做 beta 測試,15 萬 + 6 週。AI 重新估算:做一個假門測試(Fake Door Test),用 AI 生成功能介紹頁面看點擊率,1000 元 + 1 天。

現在,從這 5 個裡面挑出 1 個,本週就用 AI 開始測試。

不需要完美,不需要全面,不需要走流程。就是做一個最小化的測試,看看數據怎麼說。

如果數據說「有戲」,你再決定要不要投入更多資源。如果數據說「沒戲」,你虧了 5000 元和三天,但你省下了過去要花 50 萬和三個月才能得到的同一個答案。

結語:從「慎重決策」到「高頻試錯」

過去一百年的商學院教育都在教一件事:慎重決策。 仔細分析、全面評估、降低風險、確保成功。這在試錯成本極高的時代是對的。

但時代變了。

AI 讓試錯成本趨近零,這從根本上改變了「好決策」的定義。好決策不再是「經過充分評估的決策」,而是「以最低成本最快速度驗證的決策」。

好 CEO 不再是「做出最好決策的人」,而是「做出最多決策、最快從失敗中學習的人」。

過去的贏家是最會「想」的人。未來的贏家是最會「試」的人。

你手上那個「一直想做但太貴」的實驗,現在可能只需要 5000 元。

那你還在等什麼?

什麼是「試錯成本歸零」(Zero Cost of Experimentation)?
過去測試一個商業假設需要組建團隊、開發產品、投放市場,成本可能是數十萬甚至數百萬。AI 讓你可以用幾千元的成本生成原型、測試假設、收集數據。當試錯成本趨近零,期望值公式的分母消失了,幾乎所有合理的商業假設都值得花極低成本測試一下。
什麼是「無限打擊次數」(Infinite At-Bats)?
用棒球類比——過去你一場比賽只有 3-4 次打擊機會,所以每次揮棒都壓力巨大。AI 讓你的打擊次數趨近無限,這徹底改變了策略:你不需要每次都打出全壘打,你只需要不斷揮棒,因為揮棒的成本幾乎為零,但偶爾打中一球全壘打的回報是巨大的。
大公司如何解決「試錯成本被流程灌高」的問題?
大公司最大的問題不是缺資源,而是每個實驗都要走完整的流程(PRD、設計、開發、QA、合規)。解法是建立「實驗特區」——一個 3-5 人的小隊,有獨立預算和決策權,不受常規流程約束,用 AI 工具鏈快速驗證假設。把試錯成本從部門級降到個人級。

✍️ 莊東碩(Dean)|Dean Today 執行長日記

歷經公司重組與多輪募資,將實戰經驗結晶為 310+ 篇原創框架。賦予你看穿本質的商業直覺,做出卓越選擇的決策品味

更新於 2026年03月10日
這個章節對你有幫助嗎?