09｜为什么一个随机的数字也能影响你？

一、先说结论

二、我们先理解一个问题

设想你在商场看到一件外套。

吊牌上写着原价两千元，旁边贴着一行红字：限时价九百九十九。

你会不会觉得“挺划算”？大概率会。可如果换一种呈现：这件外套从来没标过两千，直接就是九百九十九，你还会觉得它便宜吗？多半不会——你会开始盘算它到底值不值这个数。

问题来了：那个两千元，是商家自己写的。它不代表成本，不代表市场行情，甚至可能从来没人在两千元买过。可它一旦出现在你眼前，就变成了你判断“贵不贵”的起点。

一个并非由你选择的数字，替你设定了判断的基准线。 这就是本篇的核心。

三、作者到底提出了什么观点？

卡尼曼认为，人对数量的估计，很少从零开始，而是从某个已经出现的数值出发，再往上或往下调整。这个过程就是锚定与调整。

关键在于两点：

1. 锚可以来自完全无关的来源。 它不需要有信息量，甚至不需要你认为它相关。
2. 调整总是不充分的。 我们通常从锚出发移动一段，就停下来，最终结果仍然偏向锚的一方。

作者用一系列实验说明：即使被试明确知道锚是随机产生的，估计值依然会被它拉动。由此他得出一个相当强的结论——锚定效应不是粗心，而是估计过程本身的结构。

四、把这个观点翻译成人话

人的估计像什么？

不像一把从零开始量的尺子，倒像从某个起点出发的一次短途移动。

系统 1 拿到一个数字，就顺手把它当成出发点；系统 2 负责从那里往“正确答案”的方向挪，但它很懒，挪几步就停了。于是最终停在哪里，很大程度上取决于从哪里出发。

所以你看到的那个两千元，并不需要说服你，它只需要先出现。它是起跑线，而起跑线一旦被定在远处，你跑得再认真，落点也会偏。

锚定的可怕之处在于：你越觉得自己在独立思考，越可能只是从锚出发挪了一小步。

五、为什么会这样？

从估计过程看，锚的路径大致是这样的：

flowchart TD
    A[一个数字进入视野] --> B[系统1自动将其设为起点]
    B --> C[系统2从锚出发向上或向下调整]
    C --> D{调整是否充分}
    D -->|通常| E[调整不足, 停在锚附近]
    D -->|少数| F[明显偏离锚]
    E --> G[最终估计偏向锚]
    F --> H[估计较接近真实值]
    A --> I[即使知道锚无关也照旧]
    I --> B

注意 A 到 I 的那条回路：知道“这个数字是随机的”“这个标价是虚的”，并不能自动关闭锚定。信息层面的知情，管不住估计过程本身的起点。

六、举一个现实生活中的例子

商场里的“先标高、再打折”，是锚定效应最日常、也最赚钱的一次应用。

一件衣服的真实价值可能就在八九百元附近。但如果它先被标成两千，再降到九百九十九，你的判断就变了：你不是在问“它值不值九百九十九”，而是在问“它从两千降下来，我占了多大便宜”。

这里发生了两件事：

第一，锚替换了参照系。 你的比较对象从“同类商品的市场价”，变成了“这件衣服的吊牌价”。前者需要你去查、去比；后者就挂在你眼前，免费、醒目、即时。

第二，折扣制造了一个“你赢了”的感觉。 从两千到九百九十九，落差本身就是奖赏。你可能根本没需要这件衣服，但“省了一千”的感觉让你觉得买下它是理性的。

这也解释了为什么很多商家宁可标一个虚高的原价，也不愿意直接定低价：低价只告诉你“它便宜”，虚高原价则告诉你“你赚了”。而人，往往对后者更没抵抗力。

七、回到书中重新理解

卡尼曼在书里讲过一个著名的实验：先让被试看一个转盘，转盘停在某个数字上，然后请他们估计“非洲国家在联合国中所占的比例”。

关键设计在于：那个转盘的数字是被做过手脚的，而且被试清楚地知道它是随机转出来的、与题目毫无关系。可结果依然惊人——转到较小数字的人，给出的估计明显偏低；转到较大数字的人，估计明显偏高。

一个明知随机、明知无关的数字，就这样改变了人们对一个真实比例的估计。

卡尼曼还提到过另一类证据：在房地产场景里，即使是经验丰富的从业者，其估值也会受到挂价的影响。一个本应被专业训练纠正的偏差，依然顽固存在。

他由此指出，锚定是“启发式与偏差”里最难对付的一类，因为它不依赖你的无知，也不依赖你的粗心——它依赖的是估计这件事本身的工作方式。

八、这个观点背后还有什么？

有几个隐含点值得拎出来。

第一，锚不限于数字。 一个先被提出的方案、一个开场的报价、一个先入为主的说法，都是锚。谈判里“先出价”之所以有优势，正源于此。

第二，锚的作用不对称。 它既能把你拉高，也能把你拉低；而在损失与收益的语境里，同一个锚可能引发完全不同的反应。

第三，它与“参照点”是一对概念。 锚定义了你从哪里出发，参照点定义了你如何感受得失——后者是理解前景理论的关键。

第四，它解释了默认选项的威力。 一个预先勾选的框、一个系统推荐的数值，本质上都是锚：大多数人不会去改，不是因为认同，而是因为起点已经被设好了。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于卡尼曼思想的现代延伸，不是卡尼曼的原话。

在电商、金融与谈判的界面里，锚定几乎被系统化了。

“划线价”与“到手价”的并置，是把锚直接画在屏幕上；“建议零售价”“参考区间”“同类均价”，都是精心选择的起点；分期方案把一个大数字拆成几个小数字，是在用月供当锚，削弱你对总额的痛感。谈判里先开口的一方，往往不是在给价，而是在放锚。

一个更现代的观察是：算法也懂锚定，因为它服务的正是被人性偏好的界面。 平台知道你更容易被“从高往下”的落差打动，于是把落差摆在你眼前。这不是阴谋，而是对系统 1 的精准适配。

对个人来说，比较实在的做法有两个：一是在看到任何价格或数字之前，先自己形成一个独立估计；二是主动用一个相反的锚重估一遍，看看结论会不会变。锚无法被删除，但你至少可以不让它独占起点。

十一、这一篇真正应该记住什么？

1. 锚定效应：无关数字也会拉动后续估计。
2. 调整不充分：我们从锚出发，却总停在锚附近。
3. 知情不管用：明知锚随机、明知标价虚高，仍会受影响。
4. 它无处不在：谈判、定价、量刑、估值、默认选项。
5. 对抗方式：先形成独立估计，或用相反的锚重估一遍。

十二、留一个问题

下一篇：锚定告诉我们，一个数字出现的方式，就能改变我们的判断。但还有一层更硬的疑问：当统计数字把真相明明白白摆出来时，我们为什么仍然更相信一个生动的印象？

下一篇我们就来拆开这个问题——为什么统计数字说服不了我们？