Anthropic约翰·李斯特警告：数据越多，企业决策可能越糟

今天的企业拥有前所未有的数据。

用户点击了什么、买了什么、停留了多久？哪类会员消费更多？哪个广告版本转化率更高？AI甚至可以在几秒钟之内从海量信息中总结趋势、寻找模式、给出预测。但数据更多，就意味着企业离增长的正确答案更近了吗？

Anthropic经济顾问、芝加哥大学经济学教授，也是实地实验经济学的重要奠基者之一的约翰 · A.李斯特（John A. List）的答案并没有那么乐观。

在他看来，今天真正值得警惕的，不是没有数据，而是在数据极度丰富之后，人们越来越容易把“同时发生”理解成“因果”。尤其在AI时代，机器可以迅速找到大量相关关系，但商业真正需要回答的始终是另一个问题：企业做了这件事，就会导致消费的变化，最终带来增长吗？

这正是相关关系与因果关系之间的区别。

李斯特长期尝试把经济学从论文和实验室带进真实世界，研究学校、企业、劳动力市场、科技平台和零售现场中的真实决策。他曾在共享出行平台Uber、Lyft，以及零售巨头沃尔玛等企业任职。在这些企业中，他把田野实验真正嵌入商业运营，用来研究会员体系、客户留存、定价、平台效率和增长等具体问题。

过去30多年，他反复研究的一个问题是：一个在小范围里看起来有效的想法，为什么到了更大规模之后，常常不再有效？

他提出，规模化不是简单的复制粘贴。企业真正需要理解的是：究竟是什么让一个想法在小范围里有效？当规模、场景、用户和组织发生变化后，这些条件还在不在？所以，管理者需要像科学家一样思考：不要只寻找支持自己判断的数据，还要不断追问“为什么”，主动寻找反证，并通过实验建立真正可行动的证据。

这样的思维能力在AI时代更加重要。AI擅长从海量数据中发现模式，但它找到的仍然是相关关系。如果缺少因果验证，分析速度越快，应用范围越广，一个未经验证的判断也可能被更快地放大。

在与《信睿周报》的对话中，李斯特进一步解释了为什么企业拥有越来越多的数据，却依然可能做出错误判断？当AI越来越深地进入商业决策，企业又该如何穿过纷繁的相关性，找到真正带来增长的因果关系？

《信睿周报》：在AI时代，企业拥有的数据越来越多，为什么仍然不能只依赖数据分析来做决策？

李斯特：数据曾经是稀缺的。人们常说数据是新的石油，但我认为这只说对了一半。真正的新石油，是数据的提炼者和数据的创造者，那才是真正的价值所在。

任何组织决策背后的关键，是证据必须具有可操作性。关键的不是数据表现出的相关性，而是因果。企业真正想探索的是：如果我做了一件事，它是否会改变人们的行为？但相关性不会改变人们的行为。相关性有点像骗子，它看起来具有可操作性，但实际上并非如此。

当你通过实验生成数据时，你生成的是所谓的因果数据，因为这些数据是你自己创造出来的，因此具有可操作性。你可以知道，如果拉动某个杠杆，接下来会发生什么。我进行实地实验，就是因为我想生成数据，不仅是为了衡量某件事，更是为了找到背后的原因。

《信睿周报》：很多企业通过会员计划积累了大量用户数据，但为什么仍然很难真正创造价值？

李斯特：在Lyft，我们做过一个叫Lyft Pink的会员计划。用户支付会员费，之后乘车可以享受折扣。很多企业都有类似的会员计划。

高管曾经来找我说：“我们的会员计划效果非常好。”他说，购买会员的人消费额比非会员高400%。因此，他们甚至开始考虑赠送会员，甚至付钱让人加入会员。

但得出这样的结论必须非常谨慎。

当一部分人主动选择成为会员，而另一部分人主动选择不成为会员时，这个结果未必是会员计划造成的，它可能只是选择效应。

那些本来就很喜欢Lyft的人，更可能购买会员，那些本来就计划下个月增加消费的人，也更可能购买会员。所以，不是会员计划让他们多花钱，而可能是他们本来就准备多花钱，因此才购买会员。

当你看到大量数据时，会觉得会员计划对消费产生了真实影响。但如果从因果推理角度来看，结果可能完全不同：会员计划甚至可能降低利润。

我把消费者分为两类：“无增量（No Goods）”和“有增量（Jo Goods）”。无增量消费者获得会员资格后，并不会消费更多。他们只是消费了原本就会消费的数量，但支付了更低的价格。因此，他们实际上消耗了公司的利润。而有增量消费者成为会员后，会花更多的钱，也会更加忠诚。

所以做会员计划之前，真正需要估计的是：有多少Jo Goods，又有多少No Goods。在Lyft，当时大约90%到95%的人属于No Goods，真正带来增量的Jo Goods只有5%到10%。这说明会员计划的设计并不正确。

《信睿周报》：现在很多企业已经在大量使用A/B测试。这是否已经接近您所说的实验驱动？

李斯特：A/B测试是一个很好的开始，但它远远不够。

A/B测试可以给我们一个因果结果。比如医学试验里，一个人吃安慰剂，另一个人服用药物，然后比较结果。这很好，但只是开始。

下一步，要看调节因素：谁受到正向影响？谁没有受到影响？谁受到负向影响？然后还要进一步问：有没有办法让受到正向影响的人获得更好的结果？有没有办法让受到负向影响的人减少负面影响？

再往下，是中介机制：为什么B比A好？为什么一个广告比另一个广告好？为什么某些激励方式对员工更有效？为什么受试者对某一种激励反应更好？

A/B只是测量。接下来必须继续往下追问：为什么有效？只有理解了这些“为什么”，企业才能知道下一步应该做什么创新。

然后，才能进一步问：它在这里有效，换一个地方还能有效吗？这就是规模化问题。

《信睿周报》：是否所有企业都需要追求规模增长？企业应该如何判断自己的规模边界？

李斯特：每当我听到一些企业在小规模阶段做得非常好，然后说“我们不会发展成为一家大公司”时，我认为这是聪明的。很多组织变得过大时，会出现一个共性：当团队规模达到150人左右，组织会发生根本变化。信任、韧性，以及彼此依赖的关系都会改变。它会从一家小公司变成一家拥有“部门墙”的大公司。而一旦组织出现部门墙，文化就很难再找回来。

这就是为什么我认为那些选择保持小规模的公司非常聪明。他们保持了文化的完整性，而这正是他们成功的秘诀。

所以，一个组织说“我们对自己的规模感到满意，也对自己的生活感到满意”，这是一种成功，而不是失败。

《信睿周报》：如果企业决定继续扩张，最容易掉进什么竞争陷阱？

李斯特：最大的错误之一，就是只在价格上竞争。

我刚加入Uber担任首席经济学家时，第一个任务就是解决“Uber中国问题”。当时我们在中国每个季度亏损7.5亿美元。我们给司机补贴，竞争对手跟进；我们给消费者补贴，竞争对手也跟进。我们陷入了这样一个循环。这是一种完全竞争，在经济学意义上非常典型，但不可持续。

后来CEO问我解决方案是什么，我说很简单：我们需要离开中国。

如果一家企业竞争的唯一维度是价格，那么只需要两个竞争者，价格就可能一直降到边际成本。经济学里，这叫“伯特兰德模型”。

企业必须在价格之外竞争。你需要垂直场景，需要密度，需要服务质量。说到底，这些都属于服务质量和差异化。

比如在沃尔玛，当然要有天天低价，让顾客获得他们应得的价格，但与此同时，货架上也必须有消费者真正想要的商品。同时，企业还应该预测，未来哪些产品会让消费者满意，不能只是创造供给去满足当前需求，还应该创造未来需求，创造人们真正喜欢的新产品。

《信睿周报》：企业越来越依赖数据和AI理解消费者，消费者行为背后的逻辑是否仍然存在一些稳定规律？企业应该如何找到和理解这些规律？

李斯特：经济学有一个非常基本的观点：所有选择、所有决策，最终都可以归结为三件事。

第一，一个人的偏好——他们喜欢什么？

第二，一个人的信念——他们认为未来会是什么样子？比如如果你相信自己10年后应该接受某种教育，人们就会选择接受这种教育；如果你认为汽车价格将在一年内上涨三倍，你可能现在就会购买一辆新车。

第三，约束条件——包括价格、收入和社会规范，比如当我们采取某种行动时，我们的同伴是否认为这种行为是合理的。

一旦你理解了一群人的信念、偏好以及他们所面对的约束，无论是在AI之前、AI期间，还是AI之后，这个模型都将是主导性的模型。

《信睿周报》：随着AI越来越擅长生成内容和知识，人真正稀缺的能力是什么？

李斯特：每个人都可以拥有AI，每个人都可以生成洞见。过去，这可能需要计算机科学家和高度专业的团队。现在，只要稍微了解这些工具，普通人也可能做到过去80%甚至90%的工作。

所以你必须认识到：“生成”不再是一种独特资产，也不再是一项独特技能。真正独特的是筛选能力。

能够筛选的人，会在新的经济中胜出。批判性思考者，以及那些具备软技能和非认知能力的人，会更加重要。他们能够沟通想法，能够解释AI刚刚做了什么，以及它背后的逻辑是什么。

AI可以测量，也可以生成知识。但AI还不能告诉你，一件事情究竟是因果关系还是相关关系。这仍然需要人的判断。