凱恩斯說過一句話：「寧可大致正確，也不要精確地犯錯。」
大多數 CEO 做的恰恰相反。
他們的財務團隊花兩週做出一份 ROI 分析：五年 DCF 模型、三種情境模擬、精確到小數點後兩位的 NPV 計算。結論是：「這個投資的 IRR 是 23.7%，建議通過。」
23.7%。
這個數字建立在什麼上面？市場成長率假設 15%（可能是 5% 也可能是 30%）。獲客成本假設不變（實際每年漲 20%）。留存率假設 85%（新產品的真實留存率通常只有 40%）。競爭格局假設三年內不變（AI 三個月就重洗一次牌）。
每一個假設都可能偏離 50%。但最終的結論精確到小數點後一位。
我把這種現象叫做「精確的錯誤」（Precise Mistakes），當你用精密的模型量化不可量化的東西時，你得到的不是精確的答案，而是一個「精確地算出來的錯誤」。精確感製造了確定感，確定感讓你放棄了質疑，放棄質疑讓你在錯誤的方向上走得更遠。
一、為什麼精確的 ROI 計算讓你決策更差：三個結構性陷阱
陷阱一：量化偏誤，能算的擠掉了不能算的
ROI 模型只能處理可量化的東西。但很多最重要的回報是不可量化的。
當你把所有可量化的因素放進模型，得到一個精確的數字，這個數字就成了決策的唯一依據。那些不可量化的因素，品牌信任、組織能力、戰略選擇權、團隊士氣，全部被擠出了決策框架。
不是因為它們不重要。是因為它們不能變成 Excel 裡的一個格子。
「隱性回報」的三個維度（時間回報、能力回報、選擇權回報）之所以被忽略，不是因為 CEO 不知道它們存在，而是因為 ROI 模型沒有放它們的位置。
「產品幻覺」（Product Illusion）是同樣的機制：你的產品「數據看起來很好」，DAU 在漲、留存在升、功能使用率提高。但用戶就是不願意付錢。因為他們真正在乎的東西，「這個產品讓我覺得自己更好」，不在你的任何數據面板上。
能被精確衡量的，通常不是最重要的。最重要的，通常不能被精確衡量。
陷阱二：倖存者偏誤，你的模型訓練在成功的案例上
ROI 模型的參數從哪來？從歷史數據。哪些公司有歷史數據？活下來的公司。
你的市場成長率假設來自行業報告。行業報告的數據來源是存活的公司。失敗的公司不在報告裡。
你的獲客成本假設來自你過去的數據。但你過去的數據代表的是「在過去的市場條件下、用過去的方法、針對過去的客群」的成本。新的賭注面對的是不同的條件。
用過去的成功數據預測未來的新嘗試，就像用晴天的氣溫預測颱風天的溫度。
「理性消費者幻覺」（The Rational Consumer Myth）指出了相同的問題：你用理性模型計算消費者行為，但消費者不理性。你的計算越精確，你離真實的消費者行為越遠。
「意圖偽裝」（Intent Disguise）在 SEO 領域描述的也是這個機制：搜尋關鍵字的「表面意圖」和「真實意圖」不同。你用精確的關鍵字搜尋量做的分析可能方向完全錯，因為你量化的是表面信號，真實需求藏在數據看不到的地方。
陷阱三：確定性幻覺，精確的數字讓你停止思考
這是最危險的陷阱。
當你看到「IRR = 23.7%」的時候，你的大腦會自動進入「這是一個事實」的模式。你不會再問「這個 23.7% 可能是 5% 也可能是 50%」，因為小數點後一位的精確度告訴你的潛意識：「這是經過計算的，是可靠的。」
精確度和可靠度是兩個完全不同的東西。但人的大腦把它們混為一談。
一把尺子可以精確到毫米。但如果你用它量一條活蛇的長度，精確度毫無意義，因為蛇在動。
商業環境就是那條蛇。你的 ROI 模型就是那把尺子。尺子越精確，你越相信你量到的數字。但蛇已經移動了。
「數據近視」（Data Myopia）是這個陷阱在數據分析領域的表現，你看到數據告訴你的，就停止了思考數據沒有告訴你的。精確的 ROI 數字是最強的「停止思考」信號，你以為答案已經出來了，不需要再質疑了。
二、真實案例：精確的錯誤如何殺死好決策
案例一：Kodak 的精確 ROI 計算
1975 年，Kodak 工程師 Steve Sasson 發明了世界上第一台數位相機。Kodak 的管理層做了精確的 ROI 分析：
數位相機的成本是底片相機的 10 倍。畫質只有底片的 1/10。市場需求接近零（當時消費者完全不知道「數位相機」是什麼）。
ROI 結論：-200%。不值得投資。
他們的計算精確嗎？在 1975 年的數據下，完美精確。但他們精確地算出了一個讓公司走向破產的結論。因為他們的模型無法捕捉一個不可量化的因素：技術的指數進步會在 20 年後徹底消滅底片市場。
案例二：Netflix 不做 ROI 分析的投資決策
Reed Hastings 在決定投資原創內容時，沒有用精確的 ROI 模型。他的決策邏輯是方向性的：
- 「我們依賴別人的內容，遲早會被卡脖子。」（方向判斷）
- 「十年後我會不會後悔沒投資自己的內容？一定會。」（後悔最小化）
- 「最壞的情況是虧 1 億。最好的情況是改變整個產業。」（不對稱報酬判斷）
沒有一個數字精確到小數點。但每一個判斷都大致正確。
三、「足夠好的 ROI」：精確計算的替代方案
如果精確的 ROI 計算有這麼多陷阱，那用什麼替代？
不是不計算。是計算的方式不同。
方法一：方向性判斷（Direction, Not Destination）
不問「回報是多少%」，問「方向對不對」。
三個方向性問題：
- 這個投資讓我們朝著客戶需要的方向前進嗎？（客戶價值方向）
- 這個投資完成後，我們會比競爭對手更強還是更弱？（競爭力方向）
- 這個投資建立了什麼不可替代的能力或資產？（能力累積方向）
三個答案都是「是」→ 做。有任何一個是「否」→ 三思。
不需要精確到 23.7%。只需要確認方向是對的。因為方向對了，具體回報是 15% 還是 35% 不重要，都值得做。方向錯了，計算再精確也只是在錯誤的方向上跑得更快。
方法二：後悔最小化（Regret Minimization）
Bezos 的經典決策框架：「想像自己 80 歲，回頭看這個決定。我會不會因為沒做而後悔？」
這個框架不需要 ROI 計算。它直接繞過了所有的量化偏誤、倖存者偏誤和確定性幻覺。
它問的是一個根本性的問題：「這件事重要嗎？」
如果重要，具體的回報數字是次要的。「十年測試」的邏輯和後悔最小化完全一致，用更長的時間框架去判斷，而不是用更精確的短期模型。
方法三：量級判斷（Order of Magnitude）
不計算精確的回報百分比。只判斷回報的量級。
- 這個投資的回報是「10 萬級」「百萬級」還是「千萬級」？
- 失敗的損失是「可忽略」「可承受」還是「致命」？
- 成功的概率是「很低」「中等」還是「很高」？
「期望值直覺」的核心就是量級判斷，你不需要知道成功率是 15% 還是 20%，你只需要知道是「低」。你不需要知道回報是 800 萬還是 1,200 萬，你只需要知道是「千萬級」。
低概率 × 千萬級回報 × 可承受的損失 = 值得做。
這三個字的結論，「值得做」，比任何精確到小數點的 ROI 分析都更接近正確答案。
四、ROI 分析的正確用途：思考工具而非決策答案
ROI 分析不是沒用。它的用途是錯的。
ROI 分析的真正價值不是「算出一個數字」，而是「迫使你思考假設」。
做 ROI 分析的過程中，你必須：
- 列出所有假設
- 為每個假設估算一個數字
- 思考每個假設的敏感度，如果這個假設偏離 50%，結論會變嗎？
這個過程比結論重要 10 倍。
把 ROI 分析當「思考工具」：用它來發現你的關鍵假設是什麼、哪些假設最脆弱、哪些假設偏離會改變結論。
不要把 ROI 分析當「決策答案」：不要相信那個精確到小數點的數字。它的精確度是虛假的。
五、行動指引：「反精確」的投資決策流程
下次你的團隊拿一份精確的 ROI 分析報告來找你批准一個投資時，做三件事：
第一，找到三個最關鍵的假設。問你的財務團隊：「這個模型裡，哪三個假設如果偏離 30%，結論會從『值得做』變成『不值得做』？」如果他們答不出來，這份報告的價值近乎為零，他們在做計算，不在做思考。
第二，做方向性判斷。蓋住那個精確的 IRR 數字，只問三個方向性問題：客戶需要嗎？讓我們更強嗎？建立了不可替代的能力嗎？如果三個都是「是」，那個精確的百分比不重要。
第三，做後悔測試。「如果我十年後回頭看，我會後悔沒做這件事嗎？」如果答案是會後悔，那不管 ROI 是 15% 還是 -15%，你都應該找到一個方式去做，也許注碼更小、也許速度更快、也許先做最小可行版本。
你不需要一個精確到小數點後兩位的數字來做好的投資決策。你需要對方向的判斷、對量級的感覺、對假設的質疑。
凱恩斯在 100 年前就告訴你了。大多數 CEO 到現在還沒聽進去。
「寧可大致正確，也不要精確地犯錯。」
