参与者被告知，他们要扮演 MBA 招生官。每位申请人都是真实的，他们看到的是申请材料里常见的信息，比如 GMAT 成绩、面试和文书评分、工作经历，要预测这个人后来在项目里表现如何。表现按几项算：成绩、同学的评价、第一份工作单位的名气，以及毕业两年后的升职加薪。
另有一个统计模型，用同样的信息、根据几百名往届学生建成，也做同样的预测。
第一阶段，参与者要过 15 位申请人。按随机分到的组，他们看到的反馈不同：有的只看自己的预测对不对，有的只看模型的，有的两样都看，有的什么都不看。接着是真正要紧的决定：再做 10 次预测，每次和真实结果相差不超过 5 个百分位，就多拿 1 美元。他们得选，算钱时用谁的预测：自己的，还是模型的。
模型更准。沃顿商学院的伯克利·迪特沃斯特（Berkeley Dietvorst）、约瑟夫·西蒙斯（Joseph Simmons）和凯德·梅西（Cade Massey）2015 年发表的五项研究里，人预测 MBA 学生的误差比模型大 15% 到 29%；另一项任务是给美国各州的航空旅客人数排名，人的误差大 90% 到 97%。每项研究的每个组里，选模型都能多挣钱。
可看着模型干活，改变了人的选择。看过模型的预测和它出的错的人，比没看过的人更不愿押它。看着自己的预测落空，却没让人明显少押自己，尽管自己错得更多。
最能说明问题的，是两样都看的那组。几项研究合起来，这组 741 人里有 610 人在第一阶段亲眼看到模型赢了人类预测者，少数人看到的是人赢。他们仍然是最不愿选模型的人之一。第一项研究里，用 1 到 5 分打对模型的信心，什么预测反馈都没看的对照组平均 3.04，只看过模型预测的人平均 2.49。
研究者把这种倾向叫作「算法厌恶」。他们的解释是，看到同样的错误，人「对算法预测者失去信心，比对人类预测者快」。
三年后，同一个团队找到了一个办法，任务换成了预测学生的标准化数学测验成绩。其中一项研究里，能把模型的预测上下调 10、5 或 2 个百分位的几组人，合起来有 70% 选择用它；只能原样接受的那组，是 47%。允许调多少，几乎不影响这种偏好。而因为更多人用了模型，允许调整的几组整体误差更小，比不允许调整的那组更准。