假设你需要在两个活动方案之间做选择：A 方案参与人数多、流程长，B 方案参与人数少、节奏快。你只有十分钟就要给出结论，手头信息却零散且互相矛盾。此时最容易犯的错误是直接凭印象拍板，或者反复纠结却迟迟不决。更稳妥的做法是借用假设检验的思路：先把猜测写成可验证的命题，再用现有信息逐条比对，最后决定是接受、否定还是暂缓。这个框架不依赖任何特定平台的功能，只依赖你对信息的组织方式。
很多人卡住，不是因为信息不够，而是因为问题本身没定义清楚。以刚才的场景为例，如果你问的是“哪个方案更好”，这个问题太大，无法直接回答。你需要把它收窄成可判断的形式，比如“在参与门槛相近的前提下，A 方案的单位时间产出是否高于 B 方案”。问题越具体，后面的判断就越有方向。
这一步的产出应该是一句可检验的陈述，而不是一个模糊的愿望。例如把“我希望选对”改写成“如果 A 方案的人均耗时低于 B 方案，那么我优先选 A”。这样你才知道接下来要找什么信息。
接着，把你手上所有信息分成两栏。左栏是已经确认的事实，比如已知的参与人数区间、已知的流程环节数量、已知的时间约束。右栏是尚未确认的假设，比如“人数多意味着产出高”“节奏快意味着体验好”。假设本身没有错，但如果不加区分地当成事实使用，判断就会失真。
一个实用的做法是给每条假设标注来源：是别人告诉你的、你自己推测的，还是从过往类似情境中归纳的。来源越弱，后续越需要留出验证空间。这个动作不需要额外工具，一张纸或一个文档就能完成。
假设检验的核心不是找支持证据，而是主动寻找可能推翻它的反例。回到 A、B 方案的选择，如果你的假设是“人数多等于产出高”，那就问：有没有人数多但产出反而低的情况？比如流程环节过多导致等待时间上升，或者协调成本超过增量收益。只要能想出一个合理的反例，这条假设就不能作为唯一依据。
这一步常被跳过，因为它让人不舒服——你原本倾向的结论可能站不住。但正是这种不舒服，帮你避免了事后才发现判断失误的代价。你可以把反例写下来，再评估它发生的可能性，而不是只用“应该不会吧”来回应。
在信息不完整的情况下，你仍然可以决策，前提是提前设定标准。比如：如果 A 方案的人均耗时不超过 B 方案的 1.2 倍，就选 A；如果超过，就选 B；如果两者差距在 10% 以内，则暂缓并补充一条关键信息。这个标准要在看数据之前定好，否则你很容易在看到结果后临时调整理由。
止损点同样重要。假设你决定暂缓，就需要明确暂缓到什么时候、需要补哪一条信息。没有期限的暂缓等于拖延，而有期限的暂缓才是策略。
把上面的思路整理成步骤，方便下次直接套用：
这套流程的价值不在于保证每次都对，而在于让错误变得可追溯。当你发现判断失误时，能定位是假设错了、信息错了，还是标准定得不对，而不是笼统地归因于“运气不好”。
回到开头的场景：十分钟内你未必能收集到全部信息，但你可以完成前两步，并给出一个有条件的结论。比如“在人均耗时相近的前提下选 A，否则选 B，并在活动结束后核对实际耗时”。这比凭感觉拍板更稳，也比无限期纠结更有效率。下一步，你可以挑一个近期正在犹豫的小决策，用这五步走一遍，看看哪一步最容易卡住，再针对性地补足信息或调整标准。
