F2 模型失败

模型失败发生在第 ② 环：对「现实怎样运作」的理解出了错，或者在理解上花了太多。

F2.1 错误因果与反馈误解#

• 表现：把同时发生的事当成因果；忽视延迟，以为动作没用就不停加码；系统开始振荡。
• 机制：反馈误解〔理论〕（Sterman, 1989） 的啤酒游戏实验显示，即使规则完全透明，人也系统性地忽视时间延迟和存量，导致过度订货和振荡。人的心智模型通常是线性、单向、短时距的，而现实是有回路、有延迟的。
• 证据：B 稳健。实验室结果多次重复，实地对应的证据较少。
• 对策：P05 先找瓶颈与杠杆，显式写出延迟。
• 产品现状：覆盖。M10 系统动力图、滞后纪律（窗口内未见不算反证）正是对这个机制的回应〔产品，M6、M10〕。

F2.2 规划谬误#

• 表现：每次都觉得「这次两周能做完」，每次都用了六周。
• 机制：规划谬误〔理论〕（Buehler, Griffin & Ross, 1994；Kahneman & Lovallo, 1993） 指出，人从内部视角出发构造一个顺利的情景，而忽视同类项目的基础比率。对策是参考类预测 （Flyvbjerg, 2006）：先问「类似的事通常要多久」。
• 证据：A 稳健。
• 对策：P09 小步、可逆；执行预测与结清。
• 产品现状：部分。M8 有执行预测和结清〔产品，M8 §4.2〕，这能慢慢校准对本人的预测；参考类目前只作为冷启动置信度的来源之一〔产品，P1〕，没有用于目标级、阶段级的时间估计。

F2.3 过度建模、分析瘫痪#

• 表现：要素图越画越大，信念越记越多，就是没有开始做。模型的精细度早已超过任何一个决定需要的程度。
• 机制：三个理论指向同一点。一是信息价值〔理论〕（Howard, 1966）：信息只有在可能改变决定时才有价值，不会改变决定的分析价值为零。二是有限理性 （Simon, 1955） 与生态理性 （Gigerenzer & Gaissmaier, 2011）：在不确定的环境里，简单的启发式常常不输复杂的模型，因为复杂模型会过拟合噪声。三是 Cynefin （Snowden & Boone, 2007）：在复杂域，「分析清楚再做」本身就是错误的策略。
• 证据：C。「分析瘫痪」作为个人现象缺乏直接的实验证据；理论推理较强。
• 对策：P04 模型够用即止，价值按「改变了哪个决定」计。
• 产品现状：过度。〔建议修改〕冷启动流程 P1 要求先建目标卡、要素图、系统动力图、路径图、单元清单，再开始行动〔产品，P1〕。v0.6 的诊断也写到任务几乎全是取证和建模〔产品，90-决策记录 v0.6〕。见 S11 懒建模。

F2.4 自我确认与 AI 回声#

• 表现：只找支持自己想法的证据；让 AI 分析自己的方案，AI 顺着说；AI 生成的推断被当成证据，再被 AI 引用。
• 机制：确认偏差〔理论〕（Nickerson, 1998）；谄媚 （Sharma 等, 2024）：经过人类反馈训练的模型倾向于迎合用户的观点；自我偏好 （Panickssery, Bowman & Feng, 2024）：模型评估时偏爱自己生成的内容。
• 证据：B。确认偏差 稳健；谄媚与自我偏好有多项实验。
• 对策：P06 异源证据、主动反证，AI 不是 AI 的证人。
• 产品现状：覆盖。M6 规定「AI 推断不能单独移动置信度」（G3），同源证据合并为一条（G5）〔产品，M6〕。这是一心行动设计得最好的地方之一。

F2.5 在恶劣环境里学错#

• 表现：从一两次成败里得出确定的结论；把运气当本事，把坏运气当错误决策。
• 机制：恶劣学习环境〔理论〕（Hogarth, Lejarraga & Soyer, 2015）：反馈稀疏、延迟、有噪声时，经验会教错。小样本加上结果偏差 （Baron & Hershey, 1988），就会学到错误的规律。
• 证据：B。
• 对策：P17 判断过程而非结果，按证据强度定步长。
• 产品现状：部分。五档置信度和「单条最多一档」防了「一次就下结论」〔产品，M6〕，但固定步长对强证据反应过慢，见 S2。