優秀領導者都要克服的五大偏見

獵雲註：偏見存在於每個人，對於創業者來說，如果存在偏見，就會蒙蔽雙眼，出現認知偏差，快速找到適合企業發展的最佳人選？這是每一位領導者都要正視的問題。文章轉自：紅杉匯（ID：Sequoiacap）。

[ 編者按 ]如果你把一個絕佳的主意給了一個平庸的團隊，他們會把它搞砸；如果你把一個平庸的主意給了一個出色的團隊，他們要麼完善它，要麼直接扔掉它並提出更好的主意。

對於創業企業來說，領導者的核心任務就是去發現和培養頂級的人才。但偏見，如固有思維、光環效應、認知偏差……往往會蒙蔽我們的雙眼。如何認識和掌控偏見，快速找到適合企業發展的最佳人選？這是每一位領導者都要正視的問題。

每期監測和精編中文視野之外的全球高價值情報，為你提供先人一步洞察機會的新鮮資訊，為你提供升級思維方式的深度內容，是為[ 紅杉匯內參 ]。

優秀領導者

都要克服的五大偏見

作者 /Jake Wilder

編譯 / 洪杉

皮克斯創始人之一艾德文·卡特姆在描述「人才的確比想法更重要」時寫道：

如果你把一個絕佳的主意給了一個平庸的團隊，他們會把它搞砸；如果你把一個平庸的主意給了一個出色的團隊，他們要麼完善它，要麼直接扔掉它並提出更好的主意。

——艾德文·卡特姆

領導者的核心職責之一就是尋找和培養頂尖人才，但很多人最終都不能得償所願。不是因為不夠努力，而是因為他們沒能認識到培養人才的關鍵。另外，他們錯失了幫助人才成長的機會。

無論我們是否能意識到

我們其實都心懷偏見

諾貝爾獎獲得者、心理學家丹尼爾·卡尼曼如此描述內心的偏見如何影響我們的信念並助長自我想法對我們的誤導：「人們對自己觀點的信心並不是衡量論據質量的標準，而是用來衡量我們大腦所構建的故事的連貫性。」

我們每個人都在不斷尋求節省精力的方法。因此，我們形成了心理捷徑，以便更輕鬆地處理新信息並做出艱難的決定。雖然這些心理捷徑確實減少了認知負擔，但也導致了糟糕的判斷。

作為領導者，這些判斷經常會影響我們評估和培養人才的方式，從而限制領導和組織工作的有效性。

光環效應

在一項經典研究中，美國社會心理學家所羅門·阿希描述了兩個人的性格，並詢問了參與者對這兩個人性格的看法。

艾倫：

聰明–勤勞–衝動–挑剔–頑固–嫉妒

本：

嫉妒–頑固–挑剔–衝動–勤勞–聰明

如果你跟大多數人一樣，那你看待艾倫的態度會比本積極正面得多。儘管兩人列出了完全相同的特徵，但列表中的初始特徵改變了後來出現的特徵的含義。一個聰明人的固執可能會被視為是合理的，也許還會引起別人的尊重，但一個嫉妒且頑固之人的智慧會使他更加危險。

當一個正面特徵主導我們對某人的看法時，光環效應就會產生，從而導致我們原諒他的負面傾向並忽略其關鍵弱點。

在這些情況下，我們忽略了人們成長的機會，而且我們總是依據一組有限的特徵選擇候選人。

克服光環效應的重點在於找到其他觀點來平衡自己的想法。個人觀點可能有失偏頗，了解情況的同事們的一般觀點往往更加準確。

可得性偏見

人們傾向於通過從記憶中檢索問題的輕鬆程度來評估問題的相對重要性，而這在很大程度上取決於媒體報道的程度。

—— 丹尼爾·卡尼曼，《快思慢想》

可得性偏見使我們過度重視那些最近發生的經歷，以及在我們的記憶中更容易被想起的經歷。

我們往往會記住重大事件，而不是典型的日常活動。和相對久遠的事情相比，最近發生的事情更容易從我們的記憶中檢索出來。因此，當我們試圖回憶起某一時期的事情時，我們的看法會被最先想到的那些生動的事情所左右。然後，我們會把這些回憶投射到整個時期。

最典型的事例之一是防範鯊魚，如何「意外」拯救了潛在溺水者的生命。對聖地亞哥附近海域死亡事件的詳細分析表明，當出現游泳者被鯊魚所傷害事件後，溺水造成的死亡人數也會下降好幾年。之所以產生這種效應，是因為鯊魚襲擊造成的死亡報道比溺水報道更令人記憶深刻。

同樣，當領導者依據記憶評估個人時，他們會過度重視最印象深刻的事例。無論這些事例是包括重大事件還是僅僅是最近發生的事件，結果就是在較長的一段時期內，有一小部分行為不能被準確評估。

為了抵消這種偏見，領導者可以試著更加頻繁地評估員工的表現，用月度或季度評估取代過時的年度績效評估模式。然後，人們會獲得更加頻繁的反饋，也會有更多改進的機會。

此外，我們應該為人們的成功制定（並分享！）客觀標準。一組特定的標準會消除記憶交互的主觀性，並將評估重點放在實際結果上。

確認偏見

人類最擅長的就是解釋所有新信息，以便使得他們先前的結論保持不變。

——沃倫·巴菲特

這樣的事情經常發生：兩個人面對同樣的證據，但卻對同一個主題持相反觀點。這就是確認偏見。它反映了我們往往會選擇性地接受那些能證實我們現有觀念的信息，而拒絕與其相矛盾的信息。

確認偏見符合我們對一致性的渴望。儘管一致性與穩定性和合理性相關，我們通常還是會將前後不一與「猶豫不決和缺乏可靠性」聯繫起來。此外，我們總是在尋找潛在的捷徑和節省精力的方法。正如羅伯特·西奧迪尼在《影響力》中所描述的：「一旦我們對一個問題下定決心，棘手的不一致性就會讓我們產生一種非常吸引人的奢侈想法：我們真的不必再仔細思考這個問題了。」

在一個你的思想變成你的弱點的世界中，確認偏見成了重要的威脅。受其影響，保守的選民不承認之前的判斷錯誤。而在人才發展方面，我們要麼忽略一些負面品質，要麼看不到努力奮鬥的人想要進步。

要克服這種偏見，我們需要把正確期望和既定正確期望區分開。正確期望是對真理的渴望。執拗於正確期望則是驕兵必敗，它使我們看不到自己的錯誤，從而阻礙我們獲取知識。

我們需要積極找出可以衝擊我們最初印象的證據。不斷問自己「我需要看些什麼來改變我的想法」？這可以改變我們看待潛在證據的方法。

我們還需要記住卡爾·薩根「謊言檢測工具箱」的第五條原則——不要因為是你自己的假設就過度依戀它。

敘事謬誤

我們都會給自己講故事，以此來理解世界並獲得愉悅。講故事可以影響我們的行為。

類似地，我們傾向於通過講一個故事來評價別人。我們會講給我們自己、老闆們和同事們聽。我們考慮僱用或提拔某人的時候，會去找那些能幫我們講最好故事的人，而不是最合適的人。

當公司的最佳人選的故事不是最激動人心的時候，問題就會出現。比如，下面這兩個故事哪個聽起來更激動人心？盡職盡責來上班並處理她所有的分內之事的人；不斷扭轉局勢解決關鍵問題的人。

我們喜歡解決關鍵問題帶來的刺激，因為這會是個更好的故事。但這會導致公司獎勵那些在最後關頭逞英雄的人——即使問題是由他本人造成的。然而，那些在問題出現之前就能解決問題的人大部分會被忽略。

公司獎勵問題解決者而不是問題預防者的時候，只會鼓勵員工把一些小問題放到之後再解決。

要避免這些謬誤，我們需要提前明確成功的客觀標準。先讓員工根據自己對成功的預想和對表現的評價方式參與工作，當每個人的績效與公司的任務要求相符時，我們就更容易確定，所鼓勵的是最好的行為方式，從而也可以降低敘事謬誤帶來的主觀性。

乘法系統

請快速計算：365×24×60×60×0＝？

希望你能在藉助計算器之前得到答案。我們都學過，任何數字乘以零都等於零，也做好了關於這個問題的數學突擊考試，但我們經常忽略乘法系統如何應用於領導力。

你的車有很多功能和安全性能，然而一個關鍵部件的毀壞就會破壞整體功能。如果爆胎，那麼正常運作的變速器也無濟於事；如果發動機過熱，再好的懸架也不起作用。這些特性都會成為潛在的「零」使整個系統癱瘓。

所以，你的汽車是一個乘法系統而不是加法系統。汽車每個配置的功能所發揮的作用是按乘法計算的而不是按加法。

同樣的道理也適用於商業中的人才發展。我們經常把人的品質和能力看作可以相加的因素，但事實上，我們大部分優點和缺點都是乘法性質的可變因素。

人的大部分技能都是相互依賴的，所以改變關鍵性弱點——例如社交、情商、銷售、策劃、執行和影響——通常比僅僅增強某種能力會帶來更廣泛的影響。

有太多領導者要麼盲目追從強勢領導信條，要麼以最終走向平庸的全面技能為目標。他們應該花點時間去搞清楚哪些品質會有乘法效應。因為在今天的商業世界，真正的領導者會尋找可以帶來10倍增長的機會。

預測

二氧化碳變汽油燃料？

中國科學院大連化學物理研究所孫健在這篇論文中探索了二氧化碳在直接轉化為汽油方面的工業潛力，二氧化碳可否變的有用，不再是禍害？

這是《Nature》雜誌最近從2017年所刊登的論文中，推選出的最有可能改變世界的250多篇文章之一。《Nature》連續四年舉辦這一活動，旨在發掘那些應對現實挑戰的科研解決方案，也鼓勵更多科研人員去關注有關重大社會挑戰的研究。

情報

#人工智慧重塑醫療產業#

未來10年，AI能為人類健康做什麼？

改善診斷流程。我們也許不再需要採集生物組織樣本，醫生可以通過AI提供的影像信息判斷腫瘤性質。

引進大腦-計算機交互界面。當病人喪失表達、活動以及與環境互動的能力，人腦和計算機的直接交互可快速恢復患者的機能，實現有效交流。

減少看護成本。埃森哲預測，截至2026年，人工智慧將每年為衛生保健機構節省1500億美元的成本。

實現重複性工作的自動化。AI將幫助衛生保健機構透過大量數據發現新的關係，精簡流程，提高服務的速度和質量。

#六年來，出貨量首現增長趨勢#

PC的春天回來了嗎？

Gartner數據發現，今年第二季度全球計算機出貨量總計6210萬台，比去年同期增長1.4%，這是自2012年第一季度以來首次出現同比增長趨勢。增長動力主要來源於企業客戶。

新的計算能力要求使用新的計算機。過去幾年，人工智慧、商業智能、大數據以及大數據集已經成為企業標配，企業對硬體的需求正急劇增長。

各行各業都要求強大的計算能力。實現AI產業化以及人類知識在網路各個節點的應用，使得企業界和教育學術界對高端計算機的需求不斷增長。

處理密集型應用的關注。AI的興起，特別是機器學習，引起了人們對處理密集型應用的關注，由此產生了對CPU密集型計算和GPU密集型計算的需求。

AI將與企業活動和軟體深度融合。相比智能手機，計算機、雲計算與雲服務興起的主要原因在於其適於聚合、存儲、人工智慧/機器學習模型運行以及分析。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！