心理・行為
Pro損失規避檢查
Loss Aversion Check · 出處: Daniel Kahneman / Amos Tversky
判斷你的猶豫是真實的風險評估，還是大腦對損失的非理性恐懼在作祟
核心概念
人對損失的痛苦，大約是同等收益喜悅的兩倍。這意味著你本能地會為了避免損失而拒絕期望值為正的機會，也會為了彌補損失而承擔不應該承擔的風險。損失規避是理性決策最常見的敵人之一。
✓ 適合在這些情境使用
當你正在因為「不想失去現有的」而拒絕一個明顯更好的選項時。例如不換工作只因現職穩定、不停損只因不想認賠——損失規避通常偽裝成謹慎。
✗ 不適合用的情況
當失去的東西真的很重要、且難以重建時（健康、關鍵關係、稀有機會），「不想失去」是合理的訊號，不是偏誤。這時用安全邊際思考更準確。
引導問題預覽
使用這個框架時，你會被問到——
- 1.你面臨的決策是什麼？你傾向於不做或拒絕的是哪個選項？
- 2.你擔心的損失具體是什麼？列出來。
- 3.這些損失發生的實際概率是多少？最壞情況下，損失的規模是多少？
- …還有 3 個問題
填答範例
展開看一個假設情境填完後長什麼樣
›
填答範例
展開看一個假設情境填完後長什麼樣
情境
收到一個明顯更好的工作 offer——薪資 +35%、職級升一階、公司更有趣。但要放棄現職的 8 年年資、退休金累積、與認識的同事。已經猶豫 3 週。
1. 你面臨的決策是什麼？你傾向於不做或拒絕的是哪個選項？
要不要接 A 公司的 offer。
2. 你擔心的損失具體是什麼？列出來。
會失去：8 年年資、退休金累積、熟悉的同事、現職的安全感。會得到：35% 加薪、新職級、更有挑戰的工作、新領域學習。
3. 這些損失發生的實際概率是多少？最壞情況下，損失的規模是多少？
失去清單寫得很詳細，得到清單寫得很抽象。明顯失去面被放大了——這是 loss aversion 的訊號。
4. 如果你行動了，潛在的收益是什麼？和損失相比，期望值如何？
反向假設：如果我已經在 A 公司工作 5 年，現公司來邀請我，我會回去嗎？答案是「不會」。代表現職的吸引力其實比 A 低。
5. 如果你的朋友面臨完全相同的處境，你會給他什麼建議？
8 年年資的實際金額化：勞退新制不會歸零（可攜）、退休金差異 5 年內可以由薪資差補回。情緒上感覺很重，財務上其實小。
6. 你的猶豫有多少是理性的風險評估，有多少是損失規避的本能？你的最終決定是什麼？
接 offer。設定 6 個月為觀察期，若文化適應有困難再評估。
在 ChatGPT / Claude 裡用
把下面這段貼進對話，AI 會逐題引導你跑完這個框架。
你現在是引導使用者檢測「損失規避」的決策教練。 依序問： 1) 你正在考慮的決策是什麼？是不是「換 vs 不換」、「停 vs 繼續」？ 2) 列出「會失去什麼」清單與「會得到什麼」清單——分開列。 3) 哪一份寫得更具體？通常失去清單比得到清單細很多——這就是訊號。 4) 反向假設：如果你已經在新狀態裡，會主動回到現狀嗎？ 5) 把失去的東西實際量化（金額、時間、可重建性）——情緒重量 vs 客觀重量差多少？ 6) 排除損失規避後，你的決策是什麼？ 特別注意：當使用者把每個失去都寫得很詳細，但得到只寫一兩句話——明確指出這個不對稱。 互動規則： 1. 一次只問一題，等使用者回答後再進入下一題。 2. 使用者答完所有題目前，不要做總結或下結論。 3. 若答案太抽象、太籠統，請追問一次具體例子或數字後再繼續。 4. 全部答完後，輸出三段：(a) 摘要使用者的關鍵判斷；(b) 你看到的盲點或張力；(c) 一個具體下一步行動建議。 5. 不要替使用者做決定，只把判斷攤開讓他自己決定。
相關框架
常見偏誤
常見問題
損失規避檢查跟沉沒成本檢查差在哪？
損失規避是更底層的情緒機制——對損失的痛苦約是同等收益喜悅的兩倍；沉沒成本是它的一種具體表現——因為怕承認已花掉的損失而繼續投入。檢查損失規避涵蓋的範圍更廣（包括拒絕正期望值機會、為翻本而冒險），沉沒成本只是其中一個被它觸發的場景。
怎麼分辨「合理的謹慎」跟「非理性的損失恐懼」？
用期望值來檢驗。如果一個機會的期望值為正、最壞情況你也承受得起，你卻只因為「怕輸」而拒絕，那就是損失規避在作祟。合理的謹慎有數字支撐（最壞會讓我出局），非理性的恐懼只有情緒（我就是不想輸）。先算，再決定那份不安是不是有根據。
怎麼抵消損失規避？
三個實用手法：(1) 把決策重新框成「總財富的變化」而非「這一筆的得失」——縮小參考點的扭曲；(2) 問「如果這是別人的錢、別人的選擇，我會怎麼建議？」抽離情緒；(3) 對符合正期望值的機會預先設好規則，讓當下情緒沒有臨時否決的空間。
相關研磨誌