谁也预测不了谁，包括你自己

1985 年，可口可乐做了大约 20 万次口味测试，参与者明显偏爱更甜的新配方。于是公司改了旗舰产品的配方，推出新可乐，然后眼睁睁看着公众群起抗议。79 天后，原版可乐重新回到货架。20 万人明明白白地告诉了可口可乐自己想要什么，可这 20 万人都看错了自己。

时间快进 35 年。2020 年，Quibi 融了 17.5 亿美元做一款短视频流媒体应用，手握一线明星、深入的市场调研，还有科技圈最受尊敬的两位高管。它预计第一年能拿到大约 700 万订阅用户。上线 6 个月后，用户只有 50 万左右，随后就关门了。世上再多的信心和钱，又一次没能把“人们说想要”变成“人们真的会去做”。

再快进到 2026 年。GitHub 上星标最多的新 AI 项目之一，是一个叫 MiroFish 的开源“群体智能引擎”，口号干脆就叫“预测万物”（Predict Anything）。可翻开它自己的常见问题，里面悄悄说了实话：输出结果应当看作“探索性的决策支持”，是一次“在动用判断、分析和真实世界验证之前”的预演。哪怕是最敢夸口的工具，一说实话，也得从“预测”退回到“预演”。

40 年过去，工具从焦点小组换成了百万个彼此互动的 AI 智能体，犯的错却从来没变。我们一直相信自己能预测人会做什么，也一直在错。

这篇文章想讲清三件事：这种信念为什么从根上就是个范畴错误，真正的极限在哪里，唯一管用的办法又是什么。

预测用户行为，一场十亿美元级的执念

预测消费者行为的梦想无处不在，而且很烧钱。光是购买意向预测，企业每年就要花掉 10 亿美元量级的钱。回报却很差：新上市的消费品，大约五个里有四个会失败。在问卷里说“一定会买”的人，真去买的也远没有回答里说的那么多。行内的惯例是，连这批勾了最高一档的人也要打个折扣：他们当中真正掏钱的，只有三分之二到四分之三。

这种落差在可持续消费上最明显。问卷一再显示，60% 到 80% 的消费者表示关心可持续，也愿意为更环保的产品多花钱。后来贝恩公司去货架前量了量实际情况：消费者说愿意多付约 12% 的溢价，而企业实际收取的可持续溢价接近 28%，是消费者自称能接受水平的两倍多；绿色产品在实际销售中也始终只占一小块。人们没有撒谎，他们真心相信自己说的话。他们只是预料不到，真到了掏钱的那一刻，面对实实在在的预算和取舍，自己会怎么做。

大多数评论都漏掉了这一点：这不是 AI、问卷或任何一种方法的缺陷。这种执念比这些技术出现得还早，而且犯糊涂的其实不是研究人员。好的研究人员几十年来一直在讲陈述偏好的局限。让这种幻觉经久不衰的，是市场对预测的渴求，是那些希望一项调研能像预言一样灵验的高管。问题不在工具，而在目标。

为什么你预测不了一个人会做什么

先从这个领域最确凿的一个发现说起：言行差距（say-do gap），也叫意向-行为差距（intention-behavior gap）。综合数百项研究，意向和行为的相关系数约为 r = 0.53。听着挺高，换算一下就不是那么回事了：它只能解释约 28% 的方差，而且说自己打算做某件事的人里，大约 47% 最后根本没做。经济学家举的例子更直白：办了昂贵月卡的健身房会员去得太少，摊到每一次的花费，远高于按次付费的价格。他们信心满满地预测了未来的自己，未来的自己却根本没露面。

一个人为什么这么难预测？原因有两个，一个是维度太少，一个是维度太多。

维度太少的问题在于，我们严重高估了几个特质能概括一个人多少。大五人格模型是心理学里验证最充分的框架，可它对任何单个行为，也只能解释大约 9% 到 16% 的方差。用特质去预测一个人在许多情境下的平均行为，要准得多，这是“个体与群体”那条规律在一个人身上的翻版；但要预测他接下来具体做什么，天花板很低。特质和行为之间的相关有个出了名的叫法，“人格系数”（personality coefficient），数值也同样出名：大约 r = 0.2 到 0.4。流行的替代品 MBTI（迈尔斯-布里格斯类型指标）就是个反面教材：只隔 5 周重测，大约一半人会得到不同的四字母类型。一个模型隔 5 周就能把一半人重新归类，测的就不是什么稳定的东西。它就像一只停在 3 点的钟，永远一致，也永远没用，因为一致不等于准确。几百万人相信这种按维度分型的方法，说明的是这个故事有吸引力，不是这种预测有效。

维度太多的问题正好反过来。一个真实的行为，是特质乘以情境、乘以一时的情绪、再乘以纯粹的噪声。情境和随机的成分，远远盖过了稳定的特质成分。最让人清醒的一个数据是：一个真人两周后重新回答同一份问卷，和自己之前的答案只有约 81% 一致。你并不是一个输入性格、输出行为的确定性函数。你连自己都没法可靠地预测。

研究者试过靠规模破局，结果输了。在脆弱家庭挑战赛（Fragile Families Challenge）里，160 个团队用机器学习，加上一份每个家庭都有数千个变量的详尽追踪数据，去预测人生结果。最好的模型在最容易预测的那项结果上，R² 也只有 0.2 左右，其他大多数结果接近于零。更多的数据、更好的算法都没能抬高天花板，因为天花板是人类行为本身决定的，不是模型决定的。

为了不把话说过头，得补一句实话：日常的习惯性行为，是能预测的。你大概还会再买咖啡，打开同一个 App，走同一条通勤路线。难以预测的，是具体、新鲜、不按习惯来的举动，而这恰恰是大多数商业决策押注的那类行为。

“可我们明明天天都在预测行为”：个体与群体的分界线

说到这里，敏锐的读者会提出异议，而且有道理：保险公司、银行和科技公司每天都在预测行为，而且预测得很准。那到底谁说得对？

都对。解开这个矛盾，正是整篇文章的主线。消费者行为可以在群体层面预测，但永远无法针对单个人预测。 这些行业预测的是一群人里的比率，不是其中任何一个人的举动。

寿险公司的死亡率表，能把一大群人里明年有多少人去世预测得准得惊人，却没法告诉你，你会不会是其中之一。用 FICO 自己的话说，信用评分的作用是“对借款人还款风险的可能性做排序”，而且明确说明，对单个借款人，它“并不是用来给出具体、固定的信用风险估计的”。所谓概率，是拿一群 760 分的人和一群 700 分的人比出来的。A/B 测试、需求预测、流失模型和选举预测都是同一个路数：对群体很准，对个人不置可否。

这不过是大数定律。19 世纪的统计学家凯特勒（Quetelet）就观察到，犯罪率和自杀率年复一年稳定得出奇，尽管谁也没法预见某一起具体的犯罪或自杀。个体的随机波动，放到很多人身上就相互抵消了。规律藏在整体里，不在个体身上。

话也不能说满，有两点要提醒。第一，群体预测只在底层行为保持稳定时成立。大环境一变，连群体模型也会崩：有些新冠疫情预测偏差达到一个数量级甚至更多，原因恰恰是人的行为和政策发生了模型看不到的变化。第二，小心那条流传很广的统计：“人类行为 93% 可预测”。这个数字出自一项知名的人类移动性研究，是用熵推导出的理论上限，不是实际达到的准确率；它真正预测的是日常规律：你通常不是在家，就是在公司。可预测的是习惯，不是人。

一句话总结：预测人群，别预测个人。

行为数据再多也没用，社交媒体数据也一样

个体行为难以预测，可我们现在手握社交媒体和点击流里海量的行为数据，总该能把这个缺口补上吧？补不上。原因可以归结为一条值得记住的原则。

聚合能抵消随机噪声，抵消不了系统性偏差。

保险和信贷之所以管用，是因为预测用的数据和要预测的目标是同一类行为，而且都是直接观察到的：过去的还款行为预测未来的还款行为，过去的购买预测未来的购买。从社交媒体推到购买，是另一条链，而且是断的，原因有三。第一是领域不匹配：你发帖、点赞、转发，属于表达性的行为。这就是经典的陈述偏好与显示偏好之间的落差：人们嘴上说的，和真要掏钱时做的，本来就不是一回事。把 10 亿条这样的表达聚合起来，也消除不了这种方向性的偏差，只会给你一个信心十足的错误答案。第二是代表性：发帖的人是嗓门大的少数，不是掏钱买东西的那群人。第三，两者之间的实证关联本来就很弱。一项 2026 年的元分析研究了心理定向营销（psychological targeting），发现数字足迹只能解释人格约 5% 的方差，对下游行为的影响接近于零。在销量预测里加上社交媒体情绪，各项研究的结论是帮助有限，而且时有时无；它追踪的是关注度，不是购买。

公平起见，也要说清一个细节：社交数据确实能预测同一领域内的社交行为。它能告诉你哪个标题点击更多，因为点击和发帖属于同一个领域。它只是跨不过通往购买的那道坎。不同品类之间也有同样的边界：一个品类里的行为，放到另一个品类就不太灵了。营销科学发现，即便是价格和促销敏感度，跨品类的相关性也只有约 0.32 到 0.58。所以，用咖啡数据校准的模型，对企业软件几乎说明不了什么。缺的不是更多数据，而是对的数据：领域要对，还要和真实结果挂钩。

模拟真正能做的：群体选择，而不是个体行为

那么，如果不当水晶球用，AI 模拟和合成用户该放在什么位置？老实回答这个问题，整个品类的定位都要重新想。

第一，先分清一件事，一个表面上的悖论就解开了：生成一个合成人物，不等于预测一个真实的人。不管你叫它合成人物画像还是合成受访者，合成智能体都只是用来构建人群分布的抽样单位，不是对某个具体的人的预测。没有哪个严肃的从业者会说，一个合成智能体能告诉你某位客户下周二要做什么。Argyle 等人的 Out of One, Many 是这个领域的奠基论文，它把目标称为“算法还原度”（algorithmic fidelity）：还原一个人群的分布，同时讲明这并不意味着模型能模拟某个具体的人。个体只是脚手架，人群才是检验有效性的单位。

第二，这类系统擅长的，是在受控的框架里模拟选择，而不是在真实世界里模拟行动。同样三个选项，照这样描述，一群人会更偏向哪一个？背后起作用的是哪些取舍？基于选择的联合分析（choice-based conjoint）是一种在真人身上做的问卷方法，几十年来回答的就是这个问题。做得好的联合分析，留出样本命中率大约在 50% 到 70%，群体层面的份额预测，往往比对个体选择的预测更准。语言模型的模拟能不能做出这样的成绩，还是个悬而未决的问题。目前诚实的回答是：只有做了分品类的校准才有可能，而且在个体层面还做不到。它之所以多少能起作用，是因为它待在决策框架之内，不去押注现实行为的一团混沌。

第三，有个警告，这个领域到现在还没消化完。语言模型有一股向“平均人设”看齐的同质化拉力。哥伦比亚大学一项严谨的研究 Digital Twins as Funhouse Mirrors（数字孪生是哈哈镜），用每人 500 多个数据点构建了个人的数字孪生，结果发现，在 94% 的结果变量上孪生体的离散度仍然不足，和对应真人的个体相关系数只有约 r = 0.20。陷阱在于：聚合治不了这个病，因为这种偏差是系统性的，每个智能体都往同一个方向偏。一个漂亮的群体准确率数字，底下可能是一群几乎一模一样、已经坍塌的个体。人群整体看起来没问题，却恰恰丢掉了你想捕捉的那份多样性。

行为预测的关键全在校准，而且必须分品类

如果模拟产出的选择只是嘴上说说，限定在框架之内，还可能过度同质化，那它凭什么可信？只有一样：用真实结果校准。

想想一支总是高 5 度的温度计。单拿它来用，毫无价值。但把它放在已知温度旁边对几次，知道它偏高 5 度，以后每次都减掉，它就成了一件可靠的仪器。行为模拟的校准就是这么回事：在真实结果已知的案例上跑预测，量出系统性的差距，然后修正。

成败系于两点，在相信任何一组模拟样本之前，都值得拿来问一问。第一，校准是不是分品类做的？言行差距本身在不同品类之间就差得很远。在群体层面，说出来的购买意向几乎能完美预测汽车购买；而可持续食品这类带有理想色彩、用来彰显身份的商品，差距要大两到三倍。所以在一个品类里学到的校准，没法原样搬到另一个品类。第二，它有没有纠正观点的离散程度，而不只是平均值？聚合可能掩盖同质化的个体，所以真正要检验的，是模拟出来的多样性和真实的多样性对不对得上。办法是拿合成回答的离散程度和真人基准的离散程度比，而不只是比均值。

由此可以立一个标准，值得大声说出来，因为市场基本对它视而不见。这个领域里你看到的准确率数字，那些动辄 90% 以上的，大多是厂商自己报的。真正独立、公开、可复现的验证很少见。诚实的说法不是“我们做到了 92%”，而是“这是我们的方法，这是我们的数据，这是我们事先登记的预测，这是真实结果，你自己去核对”。一个数字在经受住这样的检验之前，都只能当作假设，不能当作结果。

洞察人，要学天气预报

有个成熟的领域，预测的是和人们日常生活同一尺度的事件，而且预测得很好。它早在一百年前就接受了上面这一切：气象学。

天气预报没法告诉你，某一滴雨会不会落在你头上，这件事噪声太大，根本无从预测。它能告诉你的是，今天下午这一带经过校准的降水概率是 70%，而且这类预报确实准，还在越来越准。着眼群体，用概率说话，一遍又一遍拿实际发生的情况来验证，直到这些数字值得信任。

这才是洞察人的正确思路，也是所有做行为模拟、买行为模拟的人应有的姿态。别再问某一个人会做什么。没有人答得出来：最好的 AI 不行，最好的研究者不行，那个人自己也不行。要问的是，一群人面对一组选项会倾向哪一个；然后拿真实世界的结果去检验这个答案，报告时带着报概率的那份谦虚，而不是装出陈述事实的笃定。

预测人群，别预测个人。模拟一个人群，用现实去校准它，永远别把地图当成疆域。40 年来，错的从来不是工具，而是问题本身。换一个问题，科学终于会站到你这一边。