一本讲判断和决策的高中教材编了大约一年，丹尼尔·卡尼曼拿自己的团队做了个练习：每人私下写下，要多久才能把完整的初稿交给以色列教育部。他把答案写上黑板。答案都挤在两年上下，最短的一年半，最长的两年半。
接着他转向团队里的课程专家西摩·福克斯，问他知不知道别的从零开始编课程的团队：从现在这一步算起，他们后来又花了多久？
福克斯沉默了。然后他承认了一件自己以前从没意识到的事：走到这一步的团队，并不是都写完了。他估计，大约四成始终没写完。卡尼曼又问，写完的那些用了多久。「我想不出哪个团队用了不到七年，」福克斯说，「也想不出哪个用了超过十年。」
黑板上也有福克斯自己的估计，就在那堆「两年」里头。
眼前的那份计划
我们照着自己的计划估时间，忘了别人做同样的事花了多久。
卡尼曼和阿莫斯·特沃斯基在 1977 年的一份技术报告里给这个错误起了名字，报告 1979 年正式发表。他们写道，科学家和作家「出了名地容易低估完成一个项目所需的时间，哪怕他们早就多次没赶上自己定的进度」。他们管这叫规划谬误，还指出，就算低估会受罚，它也常常照样出现。
他们的解释是一道算术题。一栋楼要按时完工，得材料没延误、没罢工、天气不反常。每一件单看都不太可能发生，可至少碰上一件的概率，也许不小，而直觉不会把这笔账加起来。计划是一张你想得到的步骤清单，拖垮项目的，偏偏是谁都没想到的那些事。卡尼曼后来列过他们团队碰上的：离婚、生病、和官僚机构之间的协调危机。
福克斯的两个回答，正好是两种预测法。问他自己的团队，他看眼前的活儿，说两年；问别的团队，他看那些团队后来怎么样了。卡尼曼和特沃斯基后来把这两种看法叫作内部视角和外部视角。那次讨论之后又过了八年，书才写完。
钱上也有同样的事。Zillow 给自己定过一条护栏：每套买来转卖的房子，盈亏控制在正负 2 个百分点以内。从 2021 年第二季度到它对第四季度的展望，波动约 12 个百分点。
五十五天
卡尼曼自己提醒过，别把一个故事看得太重：他们团队的结局和福克斯的数字对得这么准，他写道，多半是碰巧。更扎实的证据来自实验。
1994 年，罗杰·比勒、戴尔·格里芬和迈克尔·罗斯找了滑铁卢大学 37 名心理学专业的学生，他们正处在荣誉论文的最后一个学期。问他们什么时候能交。在最终交上的 33 人里，平均估计是 33.9 天，实际平均用了 55.5 天；另外 4 人，到研究者两个学期后停止追踪时还没交。按自己最靠谱的估计按时交上的，不到三分之一。研究者还让他们估一个「假如一切都糟到不能再糟」的日子，连这个日子都赶上的，也不到一半。
同一篇论文也找到了偏差变弱的地方。让人去预测别人什么时候做完，结果反过来：他们会高估别人要花的时间，也更会参考过去的经验。还有一项研究里，研究者要求参与者把过去的经历和这次的预测联系起来，乐观偏差就消失了。外部视角也有前提。卡尼曼替它辩护时加了一个条件：「如果参照组选得恰当」。而挑哪一组来比，本身就得靠判断。
日子要由你来报
假设上头问你，团队迁到新计费系统要多久。你把计划过一遍：导出、映射、测试、切换。加起来六周，你觉得这个数挺老实。
发出去之前，你打开任务系统，翻出团队最近做过的三次迁移。每次计划都是六周左右，每次实际都花了十到十四周，拖延的原因没有一条写在当初的计划里。
现在你可以报两个数：计划说的六周，团队记录说的十到十四周。要为上线排人手的那个人，可以自己决定押哪一个。
「用了 AI 会更快」
引进一个 AI 工具，本身也是一次预测：这下会快。2025 年初，研究机构 METR 拿这个预测做了检验。16 位经验丰富的开源开发者，从自己的项目里列出 246 个真实任务，每个任务随机分到「可以用 AI」或「不能用 AI」。
开工前，开发者预计 AI 能让他们少花 24% 的时间。结果，可以用 AI 的任务反而多花了 19%。做完之后，他们仍然以为 AI 帮自己快了 20%。
这项研究是一张快照：2025 年初的工具，熟悉自己代码库的资深开发者，不代表今天的一般开发。2026 年 2 月，METR 写道，它认为用新工具的开发者很可能比当时快了，但后续实验有选择偏差，它的数据只能算很弱的证据，说不清快了多少。原来那项随机试验并没有撤回。
你自己的参照组，开个头很容易。接下来的十个任务，先记下这次用不用 AI、预计要花多久，再记下实际用时。做满十个，把那一栏估计和那一栏实际时间并排摆在一起。它告诉你的是，按你实际的做法，你估得准不准；它没法告诉你同一个任务换一种做法要多久，也算不出 AI 本身让你快了多少。