Rozhodování na nejvyšších úrovních řízení, ať už v korporátním, vládním nebo vojenském sektoru, jsou zásadně ovlivňovány limity lidské kognice – nejrůznějšími formami kognitivních zkreslení („kognitivními biasy“).

Empirické i kvantitativní analýzy naznačují, že více než polovina zásadních strategických rozhodnutí končí selháním nebo nedosahuje stanovených cílů, přičemž primární příčinou tohoto stavu není nedostatek dostupných dat či analytických kapacit, nýbrž chybná rozhodovací strategie a systematická kognitivní zkreslení, jež deformují interpretaci informací¹.

V prostředí, kde i ti nejinteligentnější a nejzkušenější lídři prokazatelně podléhají předvídatelným chybám v úsudku, přestává být spoléhání na individuální genialitu či expertní intuici udržitelným modelem². Architektura debiasingového protokolu proto musí vycházet z vědeckého porozumění mechanismům, kterými lidský mozek zpracovává informace, generuje úsudky v podmínkách vysoké míry nejistoty a podléhá sociálním i emočním vlivům.

Teoretické základy kognitivního selhání a Teorie duálních procesů

Základním a nejvlivnějším teoretickým rámcem pro pochopení vzniku kognitivních selhání v manažerském i klinickém rozhodování je Teorie duálních procesů (Dual Process Theory – DPT). Podle tohoto modelu, popularizovaného zejména Danielem Kahnemanem a Amosem Tverskym, operuje lidská mysl ve dvou kvalitativně odlišných, avšak neustále se prolínajících režimech.

Systém 1 vs Systém 2

Systém 1 (intuitivní procesování) je charakterizován jako extrémně rychlý, automatický, často emocionálně zabarvený a probíhající z drtivé většiny na nevědomé úrovni⁴. Tento systém ke svému fungování masivně využívá mentální zkratky, takzvané heuristiky. Tyto heuristiky představují z evolučního hlediska vysoce efektivní adaptaci navrženou pro maximální úsporu kognitivní kapacity a času v situacích, které nevyžadují precizní analytické uvažování⁴. Kognitivní psychologové odhadují, že lidé tráví v tomto intuitivním režimu až 95 % veškerého času, neboť je obvykle postačující pro rutinní každodenní situace⁴.

Naproti tomu systém Typu 2 (analytické procesování) je pomalý, přísně vědomý, algoritmický, sekvenční a vyžaduje ke své operaci značné množství kognitivních zdrojů a soustředění⁴. Kognitivní zkreslení (biases) lze v tomto kontextu definovat jako systematické a predikovatelné odchylky od objektivity a racionality, které nejčastěji vznikají právě jako vedlejší produkt rychlého intuitivního systému Typu 1, když je tento systém konfrontován se situací vyžadující statistické nebo logické zhodnocení⁴.

Podle typologie, kterou vypracoval Keith Stanovich, lze identifikovat čtyři hlavní zdroje autonomních procesů Typu 1, jež generují tato zkreslení.

• Prvním zdrojem jsou tvrdě zakódované evoluční adaptace, jako je například averze ke ztrátě nebo heuristika reprezentativnosti, které zajišťovaly přežití v prehistorickém prostředí, ale v moderním byznysu vedou k chybným kalkulacím rizik⁴.
• Druhým zdrojem jsou procesy regulované silnými emocemi, takzvaná afektivní heuristika, která deformuje hodnocení pravděpodobností na základě pozitivního nebo negativního sentimentu k danému subjektu⁴.
• Třetím prvkem je přeučení (overlearning), kdy se určité kulturní normy, sociální zvyklosti nebo specifická doménová očekávání stanou natolik zautomatizovanými, že potlačují schopnost kriticky zhodnotit nové, anomální informace⁴.
• Čtvrtým zdrojem je implicitní učení, tedy nevědomé přebírání stereotypů a přesvědčení z prostředí organizace či společnosti (například skryté předsudky vůči určitým demografickým skupinám nebo technologickým řešením), což formuje takzvané skryté kurikulum⁴.

Kognitivní dekapling (cognitive decoupling)

Základním a naprosto nezbytným mechanismem jakéhokoliv debiasingu, tedy procesu odstraňování kognitivních zkreslení, je akt zvaný „kognitivní dekapling“ (cognitive decoupling)⁴. Jde o vědomé a záměrné odpojení myšlenkových procesů od automatického a na heuristiky spoléhajícího Typu 1 a explicitní aktivaci analytického Typu 2. Tento krok umožňuje, aby byly unáhlené intuitivní úsudky a počáteční dojmy podrobeny systematické logické verifikaci a případné modifikaci⁴.

Znalost existence těchto kognitivních zkreslení však sama o sobě k jejich eliminaci nestačí. Výzkumníci popisují tento psychologický paradox jako fenomén „G.I. Joe fallacy“ (klam G.I. Joea, odkazující na známou hlášku „vědět je polovina bitvy“). Tento klam demonstruje, že pouhé abstraktní uvědomění si vlastních kognitivních limitů nevede automaticky ke změně chování v momentě, kdy je člověk vystaven stresu nebo komplexnímu rozhodování⁸. Zkreslení je totiž nutné rozdělit do dvou kategorií s ohledem na jejich kognitivní architekturu.

Atenční a enkapsulovaná kognitivní zkreslení

První skupinou jsou zkreslení atenční (týkající se pozornosti), u kterých vědomá reflexe může pomoci přesměrovat pozornost a chybu korigovat.

Mnohem nebezpečnější je však druhá skupina, takzvaná enkapsulovaná zkreslení (encapsulated biases). U těchto zkreslení nedokáže vědomá reflexe (znalost o tom, že bias existuje) nijak proniknout do uzavřených informačních procesů, z nichž zkreslené vnímání a chování pramení⁸.

Kognitivní přetížení

Kognitivní přetížení, časový tlak, únava a nedostatek spánku navíc drasticky snižují schopnost mozku iniciovat zmíněný kognitivní dekapling, což vede k tomu, že i vysoce trénovaní experti jsou náchylní k chybným rozhodnutím Typu 1⁴.

Komplexní debiasingový protokol proto nesmí spoléhat pouze na edukaci jednotlivců, ale musí být zkonstruován jako rigidní organizační a strukturální architektura, která vynucuje uplatnění analytického přístupu objektivním způsobem, často nezávisle na vůli samotného rozhodovatele¹⁰.

Kognitivní zkreslení a pasti ve strategickém managementu

Pro efektivní design robustního debiasingového protokolu je nutné detailně identifikovat specifická zkreslení a rozhodovací pasti, které strategická rozhodnutí systematicky ohrožují.

Odborník na strategické myšlení a behaviorální vědy, Olivier Sibony, ve své analýze manažerských selhání identifikuje devět fundamentálních pastí, do kterých se vrcholoví manažeři a korporátní týmy pravidelně chytají¹¹. Mezi tyto nástrahy patří

• past vyprávění příběhů (tendence uvěřit koherentní, avšak fakticky nepodložené narativě),
• past imitace (nekritické kopírování zdánlivě úspěšných lídrů bez pochopení kontextu),
• past intuice (spoléhání na falešnou analogii s minulými zkušenostmi),
• past přehnané sebedůvěry,
• past setrvačnosti (odpor k jakýmkoliv inovacím),
• past vnímání rizika,
• past časového horizontu (diskontování dlouhodobých následků),
• past skupinového myšlení a 
• past konfliktu zájmů¹².

Těchto devět manažerských pastí je manifestací pěti vzájemně se prolínajících klastrů kognitivních zkreslení, jež byly extenzivně zmapovány akademickým výzkumem¹². Porozumění jejich dynamice je naprosto esenciální pro návrh efektivních mitigačních struktur.

Pokud jsou tato zkreslení ponechána bez povšimnutí, kombinují se a vytvářejí dysfunkční vzorce, které se při opakování stávají toxickými kulturními rysy celé organizace, jako je například kultura konsenzuální inercie²¹.

Mitigace kognitivních chyb: Od Nudgingu k Boostingu a Architektuře volby

Výzkum v oblasti úsudku a rozhodování (Judgment and Decision-Making – JDM) vygeneroval během posledních dekád rozsáhlou literaturu o strategiích mitigace kognitivních chyb.

Historicky se tyto přístupy dělí do dvou širokých a metodologicky odlišných kategorií, jež definovali Larrick a Soll:

• modifikace samotného rozhodovatele (skrze vzdělávání, trénink a poskytování nástrojů) a 
• modifikace rozhodovacího prostředí (změna kontextu tak, aby podporoval optimální volby)²².

V moderní behaviorální veřejné politice a organizačním designu se tato dichotomie vyvinula v debatu mezi koncepty „Nudge“ (šťouchnutí) a „Boost“ (posílení), jež reprezentují fundamentálně odlišné filosofie²⁴.

• Přístup Nudge, asociovaný s libertariánským paternalismem (Thaler a Sunstein), vychází z premisy, že kognitivní limity a iracionalita lidské mysli jsou systematické, inherentní a neměnné. Nudging se proto nesnaží lidi vzdělávat, ale namísto toho cíleně manipuluje „architekturu volby“ (choice architecture) – tedy to, jak jsou informace prezentovány – tak, aby samotné nedostatky lidské mysli (například status quo bias nebo framing efekt) byly využity k dosažení žádoucího chování, typicky formou úpravy výchozích (defaultních) nastavení²⁴.
• Naopak přístup Boost, propagovaný vědci jako Gerd Gigerenzer a Ralph Hertwig, předpokládá, že lidské kompetence lze aktivně rozvíjet a lidská racionalita, ačkoliv omezená, může fungovat excelentně, pokud je vybavena správnými nástroji. Boosting se zaměřuje na intervence, jež usnadňují lidem uplatňování vlastní aktivity. Tím, že buduje rizikovou gramotnost (risk literacy), schopnost statistického uvažování a učí lidi pracovat s jednoduchými, ale robustními mentálními heuristikami a strategiemi pro vyhledávání informací (jako je například laterální čtení u fact-checkingových technik), zvyšuje Boosting dlouhodobou kognitivní autonomii jednotlivců²⁴.

V kontextu strategického korporátního rozhodování, kde z podstaty věci není možné spoléhat na jednoduché automatické volby navozené Nudgingem, je nezbytné aplikovat komplexní architekturu volby, která strukturuje analytické procesy tak, aby mitigovaly zkreslení přímo v reálném čase, a současně integrovat intervence typu Boost k celkovému zvýšení kognitivní připravenosti týmu¹⁰.

Analýza existujících debiasingových technik identifikovala v experimentálním výzkumu 9 klíčových klastrů technik, jež jsou přímo využitelné v manažerské praxi.

Mezi tyto klastry patří:

• využívání formálních kontrolních seznamů (checklists),
• důsledná příprava,
• generování scénářů „co když“ (what if?),
• skupinový debiasing (formalizace disentu),
• schopnost usuzovat na základě analogií (reason analogically),
• in-procesní debiasing (opravy v průběhu práce),
• diverzifikace výchozích hledisek (starting viewpoints),
• zapojení nezávislých aktérů (involvement) a 
• systematická kalibrace pravděpodobnostních odhadů²⁹.

Na základě těchto teoretických pilířů lze zkonstruovat sekvenční debiasingový protokol, který integruje nejefektivnější dostupné nástroje z obou přístupů do jednoho závazného procesního rámce.

Architektura debiasingového protokolu

Následující debiasingový protokol je navržen pro strategická rozhodnutí, jež se vyznačují vysokou mírou inherentní nejistoty a vysokým dopadem na organizaci, jako jsou

• fúze a akvizice,
• kapitálové investice do technologického vývoje,
• vstup na nové trhy či
• zásadní strategické transformace podniku.

Architektura tohoto protokolu odděluje finální tvůrce rozhodnutí od expertního týmu, který shromažďuje data a připravuje analytické podklady, a exekutivně institucionalizuje kognitivní dekapling v šesti specifických a na sebe navazujících fázích.

Fáze 1: Diagnostika, rámování a taxonomie informací

Fatální omyly často nevznikají proto, že by tým špatně vyřešil analytický problém, ale proto, že nalezl logicky i numericky perfektní odpověď na naprosto chybně položenou otázku.

Fáze 1 proto vychází z robustní metodologie Decision Quality (DQ), kterou vyvinuli konzultanti a výzkumníci ve Strategic Decisions Group³². Tato metodologie striktně odděluje proces rozhodování od jeho konečného výsledku, neboť dobrý výsledek může být ovlivněn čirou náhodou (štěstím), což může zakrýt fundamentální selhání v rozhodovací architektuře, a naopak excelentní rozhodnutí může skončit špatně kvůli externím nekalkulovatelným vlivům³². Metodologie definuje šest povinných článků řetězce, jež určují kvalitu rozhodnutí v momentě, kdy je učiněno (Rámec, Alternativy, Informace, Hodnoty/Kompromisy, Uvažování a Závazek k akci)³². V první fázi protokolu se aplikují následující kroky:

• Deklarace rozhodnutí a Rámování: Dochází k explicitní formulaci jediné, srozumitelné věty, která jasně a bez možnosti dvojího výkladu popisuje podstatu řešeného problému (např. „Rozhodujeme se, zda koupit start-up X, abychom urychlili náš vstup do sektoru Y, nebo zda tuto technologii vyvineme interně“). Pokud je tato úvodní věta fuzzy (mlhavá), celá následná analytická práce se promění v konfuzi, neboť dochází k ukotvení na různých, nevyslovených předpokladech mezi členy týmu³².
• Identifikace okrajových podmínek (Boundary Setting): Rámec musí přesně definovat, co je součástí rozhodnutí a co je již striktně mimo rozsah analýzy. Tento krok účinně zabraňuje fenoménu známému jako „scope creep“ (neustálé rozšiřování rozsahu projektu) a současně omezuje patologický vliv utopených nákladů tím, že znemožňuje podvědomé propojování nového rozhodnutí s emocionální zátěží neúspěšných dřívějších iniciativ³⁶.
• Striktní informační stratifikace: Tým musí provést nemilosrdnou inventuru dostupných informací a rozdělit je do tří nekompromisních kategorií. Fakta jsou pouze ta data, jež jsou objektivně naměřená a empiricky pozorovatelná. Prognózy jsou pouhé odhady a extrapolace, které jsou nevyhnutelně zatížené statistickou chybou. Naděje a přání nejsou empirickým důkazem, i když jsou odprezentovány v buňkách sofistikovaného finančního modelu v Excelu³². Přiznání existující nejistoty, stanovení rozsahu možných výsledků a identifikace klíčových informačních mezer je prvním, naprosto zásadním krokem k potlačení všudypřítomné nadměrné sebedůvěry³⁶.
• Definice hodnot a kompromisů (Trade-offs): Před zahájením analýzy se definují hodnoty, které jsou pro firmu prioritní (hotovost, rychlost na trhu, technologická kontrola, reputační riziko). Následně se musí explicitně pojmenovat kompromisy. Každá zvolená alternativa vyžaduje oběť v jiné oblasti. Pokud tyto kompromisy nejsou jasně deklarovány a kvantifikovány předem, vynoří se později ve formě destruktivních politických konfliktů uvnitř organizace³².

Fáze 2: Strukturální generování alternativ a asymetrické hodnocení (Decision Matrix)

Týmy mají přirozenou tendenci k uzavírání myšlenkového prostoru. Rychle vygenerují jednu plausibilní hypotézu (velmi často takovou, u které tuší podporu generálního ředitele) a následně věnují veškerou energii hledání důkazů a tvorbě prezentací, které tuto jedinou variantu podpoří³. Tímto způsobem je spuštěno masivní potvrzovací zkreslení (confirmation bias) a efekt „champions bias“ (slepá zamilovanost do vlastního projektu), kdy jsou alternativní přístupy vnímány pouze jako nepříjemné překážky na cestě k rychlému schválení¹².

• Vytvoření reálných alternativ: Rozhodovací tým je procesně přinucen vypracovat minimálně 3 až 6 smysluplně odlišných strategických směrů. Pokud jsou exekutivě prezentovány pouze dvě takzvané „slaměné“ (účelově slabé a nelogické) alternativy k prosazení té jedné předem vybrané hlavní varianty, celý debiasingový proces selhává³². Mezi zvažovanými možnostmi musí být vždy explicitně zahrnuta také varianta zdržení projektu a varianta „nedělat nic“ (do-nothing option), která poskytuje bazální referenční linii a neutralizuje status quo bias i bias vůči neustálé akci³².
• Aplikace asymetrické Rozhodovací matice (Decision Matrix): K prevenci holistických intuitivních dojmů, u kterých dominují emoce (afektivní heuristika), musí být alternativy analyticky dekonstruovány pomocí rozhodovací matice (vzešlé z Pughovy matice).
• Tým exaktně definuje hodnotící kritéria, jež musí být specifická, vzájemně se nepřekrývající a měřitelná (nebo alespoň transparentně hodnotitelná).
• Klíčové debiasingové pravidlo sekvenčního hodnocení: Váhy odpovídající relativní důležitosti jednotlivých kritérií (např. 15 % pro dostupnost pracovní síly, 30 % pro snížení fixních nákladů) musí být fixně přiděleny dříve, než tým vůbec začne samotné alternativy bodovat. Toto pravidlo je kritické; pokud by se váhy přiřazovaly souběžně s bodováním nebo až po něm, tým by podvědomě manipuloval s vahami tak, aby matematicky zvítězila varianta, kterou členové instinktivně preferovali již na začátku³⁸.

Samotné hodnocení navíc probíhá izolovaně po řádcích, nikoliv po sloupcích. To znamená, že všechny zvažované varianty jsou nejprve porovnány vůči jednomu jedinému kritériu (např. tržní potenciál), a až po dokončení tohoto řádku se přechází na kritérium další. Tento postup systematicky eliminuje „halo efekt“, tedy jev, kdy silný celkový pozitivní dojem nebo dominance alternativy v jedné metrice zkresluje a uměle vylepšuje percepci této varianty i v oblastech, kde je ve skutečnosti slabá nebo představuje vysoké riziko³⁸.

Fáze 3: Systematická falsifikace prostřednictvím Analýzy konkurenčních hypotéz (ACH)

Pro exaktní evaluaci rizik, analýzu konkurenčního chování a hlubokou validaci zvažovaných strategických směrů nasazuje protokol metodu Analýzy konkurenčních hypotéz (Analysis of Competing Hypotheses – ACH). Tato metoda byla původně vyvinuta Richardsem Heuerem, analytikem CIA, s cílem zlepšit kvalitu zpravodajských odhadů a chránit analytiky před ukvapenými závěry a politickými tlaky⁴⁰. Kognitivní síla ACH spočívá ve filozofickém využití vědecké metody: metoda nehledá důkazy, jež by danou hypotézu potvrdily (neboť potvrdit lze při dostatečné snaze téměř jakýkoliv nesmysl), ale snaží se ji aktivně vyvrátit.

• Vytvoření ACH Matice a evidence: Analyzované hypotézy (například různé scénáře reakce globálního konkurenta na spuštění nového produktu nebo identifikace původu selhání stávající strategie) tvoří sloupce matice. Do řádků matice jsou pečlivě zaneseny všechny dostupné důkazy, měkká data, expertní úsudky, pozorování a – což je nesmírně důležité – také fundamentální předpoklady, na nichž analýza stojí. Těmito předpoklady může být i to, co pozorováno není, ale co by analytik očekával, že uvidí, pokud by hypotéza byla platná⁴¹.
• Paradigma diagnostičnosti (Diagnosticity test): Během křížového hodnocení každé buňky v matici si analytický tým neklade otázku „podporuje tento důkaz naši oblíbenou hypotézu?“. Místo toho aplikuje test diagnostičnosti: „Pokud by tato konkrétní hypotéza byla stoprocentně pravdivá, do jaké míry bychom očekávali přítomnost nebo absenci tohoto specifického důkazu?“ Každá relace se hodnotí jako Konzistentní (C), Nekonzistentní (I), případně Irelevantní (N/A)⁴³.
• Redukce informačního šumu: Pokud je určitý důkaz (například obecný růst inflace nebo stížnost jednoho zákazníka) vyhodnocen jako naprosto konzistentní (C) se všemi předloženými hypotézami, ztrácí jakoukoliv diagnostickou hodnotu. Takový důkaz nijak nepomáhá rozlišit mezi jednotlivými možnostmi, tvoří pouhý kognitivní šum a musí být z matice nekompromisně odstraněn. Tento krok je klíčový, protože analytici s potvrzovacím zkreslením mají často tendenci hromadit bezcenné konzistentní důkazy, aby uměle podpořili váhu jimi preferované varianty⁴¹.
• Vyhledávání inkonzistencí a syntéza: Po vyhodnocení celé matice přichází nejdůležitější obrat v myšlení. Nejpravděpodobnější scénář nebo optimální strategie není ta varianta, která nasbírala nejvyšší počet hodnocení „Konzistentní“ (C). Vzhledem k podstatě falzifikačního principu vítězí ta hypotéza, která vykazuje nejmenší počet silných a logicky neprůstřelných „Inkonzistencí“ (I) s dostupnými daty⁴³. Metoda ACH tak svým rigidním formátem efektivně zabraňuje selektivnímu vnímání informací a blokuje efekt ukotvení (anchoring), protože nutí analytiky bez výjimky projít každou jednotlivou relaci mezi faktem a hypotézou⁴². Na závěr analytici stanoví indikátory a milníky pro budoucí pozorování – exaktně definují, jaké nové důkazy by v budoucnosti způsobily přehodnocení vítězné hypotézy⁴¹.

Fáze 4: Objektivní kalibrace skrze Extrakci vnějšího pohledu (Reference Class Forecasting – RCF)

Jak na úrovni středního managementu, tak v představenstvech prokazatelně dominují klam plánování (planning fallacy) a iracionální optimismus, jež se společně snoubí do tendence marginalizovat pravděpodobnost komplikací.

Tento defekt vzniká proto, že tvůrci a plánovači projektu přistupují ke svému úkolu optikou takzvaného „vnitřního pohledu“ (inside view). Jsou fascinováni technologickými a operačními detaily vlastního projektu, tráví tisíce hodin pilováním jeho fází a začnou nevyhnutelně věřit v jeho naprostou unikátnost. Jsou přesvědčeni, že ačkoliv podobné projekty v minulosti ztroskotaly, jejich tým, jejich expertiza a jejich odhodlání zaručují odlišný výsledek¹⁵.

K nekompromisní objektivizaci tohoto zkreslení slouží rigorózní kvantitativní metoda Reference Class Forecasting (RCF), která staví na principech, za něž Daniel Kahneman a Amos Tversky získali Nobelovu cenu, a kterou pro praktické využití v managementu megaprojektů kodifikoval a zdokonalil profesor Bent Flyvbjerg¹⁷. Metoda RCF odstraňuje spekulace a nasazuje „vnější pohled“ (outside view) prostřednictvím objektivní statistické reality. Ve strategickém řízení se metoda (od roku 2003 mandatorně využívaná například Ministerstvem dopravy a financí ve Velké Británii) uplatňuje v pěti fázích⁴⁹:

• Krok 1: Extrakce referenční třídy. Analytici musí shromáždit relevantní statistický vzorek objektivně srovnatelných a v minulosti dokončených projektů. Tato komparativní báze musí být založena na hluboké strukturální afinitě, nikoliv jen na podobnosti terminologické. Zahrnuje například fúze ve stejném stupni regulačního zatížení, softwarové implementace podobného rozsahu v podobném odvětví či výzkumné projekty se stejným stupněm vědecké nejistoty¹⁷.
• Krok 2: Ustanovení pravděpodobnostní distribuce. U každého z projektů v referenční třídě se vypočítá skutečné překročení nákladů, nesplnění tržního podílu nebo zpoždění – a to výhradně oproti vůbec prvnímu schválenému rozpočtu, nikoliv oproti pozdějším „revizím“, které zakrývají původní omyly. Tyto hodnoty následně vytvoří spojitou distribuční křivku reálných výsledků⁴⁸.
• Krok 3 a 4: Umístění projektu a definice apetitu k riziku. Současný projekt je komparován se strukturou třídy k identifikaci případných deviací. Následně se na distribuční křivce zvolí cílový percentil, který plně odpovídá strategickému apetitu organizace k riziku. Stanovení na úroveň 50. percentilu (mediánu) znamená, že sponzoři projektu akceptují 50% pravděpodobnost, že rozpočet bude i tak překročen. Pro zásadní rozhodnutí se volí 80. percentil, jenž dává empirickou garanci, že projekt v 80 % případů nepřesáhne vyhrazené finanční a časové limity⁵⁰.
• Krok 5: Aplikace referenčního multiplikátoru (Uplift). Původní rozpočet, vytvořený bottom-up (odzdola nahoru) přístupem plánovacího týmu (jenž ztělesňuje vnitřní pohled), je vynásoben koeficientem, který odpovídá zvolenému percentilu v historické distribuci referenční třídy⁴⁹.

Aplikace RCF radikálním způsobem eliminuje vliv skupinového myšlení, overconfidence a – což je ve vysoce konkurenčním korporátním prostředí nejdůležitější – redukuje vědomou strategickou a politickou misreprezentaci, při které manažeři úmyslně lžou o parametrech projektu, jen aby získali úvodní schválení kapitálu. Pokud chce exekutiva navzdory jasné RCF distribuci trvat na tom, že rozpočet bude představovat pouze 100 milionů dolarů, musí zároveň explicitně a do protokolu deklarovat, že tímto krokem plně akceptuje 80% pravděpodobnost selhání projektu⁴⁹.

Fáze 5: Stresové testování a ochrana proti černým labutím prostřednictvím prospektivního zpětného pohledu (Pre-mortem)

Bezprostředně před formálním předložením analytické zprávy ke konečnému exekutivnímu schválení vstupuje projektový tým do klíčové testovací fáze vyvinuté kognitivním psychologem Garym Kleinem, zvané Pre-mortem.

Tradiční riskové analýzy a brainstormings, které se omezují na otázku „co by se mohlo pokazit?“, často selhávají, neboť jsou infikovány sociální desirabilitou, konformitou a iluzí kontroly. Podřízení členové týmu nemají sebemenší politickou ani sociální motivaci vystoupit proti nadšenému lídrovi těsně před startem dlouho připravovaného projektu a chrlit pesimistické vize⁵³.

Pre-mortem aplikuje lingvistický a psychologický trik, jenž tuto dynamiku převrací.

• Předpoklad absolutní a neodvratné zkázy: Tým a experti se shromáždí v jedné místnosti. Facilitátor všechny mentálně transportuje do budoucnosti (např. dva roky po spuštění projektu). Je striktně deklarováno, že projekt katastrofálně, totálně a neodvolatelně selhal. Účastníci nedostávají prostor pochybovat o tom, zda selže. Znějící věta je v minulém čase: „Projekt se stal obrovskou katastrofou, přišli jsme o stamiliony dolarů a poškodili jméno značky. Co to před dvěma lety, když jsme seděli v této místnosti, způsobilo?“⁵³.
• Izolovaná a tichá generace důvodů: Následuje kritická fáze, ve které musí každý člen týmu v naprosté izolaci a tichosti na papír vypsat veškeré myslitelné důvody selhání. Tento krok nesmí být nikdy přeskočen na úkor přímé skupinové diskuse, neboť brání vzniku takzvaných informačních kaskád – situací, kdy jako první promluví nejlépe placený nebo nejvýše postavený člověk v místnosti a ostatní podvědomě zarovnají a cenzurují své vlastní myšlenky tak, aby s ním ladily a nekolidovaly⁵³. (Zvláštní pozornost se věnuje seniorním manažerům; pokud se Pre-mortemu účastní výkonní ředitelé, musí sdílet své důvody jako úplně poslední)⁵⁶.
• Inverze sociálních stimulů a odhalení skrytých hrozeb: Vzhledem k tomu, že masivní selhání je již bráno jako nezvratný fakt, je psychologické napětí spojené s „odvmlouváním“ odstraněno. Naopak, účastníci jsou najednou kognitivně i sociálně stimulováni k tomu, aby prokázali svou bystrost, představivost a forenzní důvtip při identifikaci nejoriginálnějších, nejabsurdnějších nebo nejpalčivějších interních příčin (včetně politických bojů ve firmě, inkompetence dodavatelů atd.), které by za normálních okolností drželi ze strachu z odvety v tajnosti⁵³. Empirické studie dokazují, že tato metoda, těžící z takzvaného „prospektivního zpětného pohledu“ (prospective hindsight), reálně zvyšuje schopnost přesně a prediktivně identifikovat rizika o ohromujících 30 % ve srovnání s klasickými metodami řízení rizik⁵³. Teprve po kompletní agregaci všech identifikovaných příčin (round-robin metodou) tým přistupuje k revizi a robustnímu zpevnění původního plánu⁵⁵.

Fáze 6: Závěrečný exekutivní audit kvality a schvalovací matice (Kahnemanův 12bodový test)

Poslední obranná linie leží na finálním schvalovateli (CEO, představenstvo, investiční komise). Pro tento krok slouží behaviorální audit, založený na 12otázkovém kontrolním seznamu, který systematizoval nositel Nobelovy ceny Daniel Kahneman spolu s Danem Lovallem a Olivierem Sibonym³. Tento audit se nezaměřuje primárně na finanční ukazatele, ale forenzně pátrá po skrytých kognitivních vadách v předloženém materiálu.

Odpovědnost za odhalení biasu v této fázi leží na externím pozorovateli, jelikož – jak dokládá výzkum tzv. slepé skvrny vůči vlastním chybám (blind spot bias) – lidé jsou neschopni objektivně detekovat zaujatost a omyly ve svém vlastním uvažování na základě prosté introspekce. Jsou však velmi efektivní a perceptivní při odhalování iracionality v chování a argumentaci druhých, tedy v předložených návrzích svých podřízených¹⁶.

V případě, že se předběžný návrh ocitne pod palbou vícečetných pozitivních nálezů na přítomnost kognitivních zkreslení při procházení tímto auditem, protokol velí, že dokument nesmí být schválen. Nesmí však být ani arbitrárně korigován nadřízenými od stolu, neboť by to pouze zaneslo do procesu bias samotných schvalovatelů. Dokument se neúprosně vrací tvůrčímu týmu do Fáze 1 nebo 2 k důkladnému přepracování a zhojení analytických vad.

Aplikace debiasingu: Kognitivní trénink, gamifikace a role umělé inteligence (AI)

I sebelépe zkonstruovaný, rigidní protokol představuje pouze vnější architektonickou zábranu, modifikující prostředí, v němž analytici operují. Po desetiletí akademického výzkumu převládal poněkud defétistický názor, že přímý trénink samotných rozhodovatelů – snaha změnit lidskou mysl – je neefektivní. Podle tradiční doktríny kognitivní zkreslení operují na podvědomé a emocionální úrovni a edukace postrádá schopnost přenosu naučeného debiasingu z učebny nebo laboratoře do nepředvídatelného terénu reálné manažerské praxe, kde scházejí teoretická upozornění na blížící se kognitivní past⁶⁰. Množství nejnovějších a metodologicky přelomových empirických poznatků však tento pesimistický předpoklad vyvrací, avšak s kritickou podmínkou: tradiční přednášky a čtení zpráv musí být nahrazeno pokročilými formami interaktivních a zkušenostních metod.

Interaktivní gamifikace, simulace a personalizovaná zpětná vazba

Zásadní posun v paradigmatu kognitivního tréninku přinesly rozsáhlé longitudinální studie, vedené pod hlavičkou projektu „Sirius“ (amerického ředitelství pro zpravodajské služby IARPA), primárně výzkumným týmem Careyho Morewedge na bostonské univerzitě. Vědci vyvinuli sofistikovanou, narativně bohatou simulaci – videohru pojmenovanou „Missing: The Pursuit of Terry Hughes“⁶⁰. Hra využívala narativu detektivního pátrání po zmizelém sousedovi obviněném z korporátních podvodů. Během průchodu třemi herními úrovněmi byli účastníci pod časovým tlakem nuceni činit řadu úsudků a taktických rozhodnutí na základě limitovaných a často matoucích informací, které cíleně spouštěly silné potvrzovací zkreslení, slepou skvrnu vůči vlastním chybám a fundamentální atribuční chybu u posuzování chování postav²³.

Klíčem k obrovskému úspěchu této metody nebyla pouhá prezentace definic, ale dynamická personalizovaná zpětná vazba zabudovaná do iterativního herního cyklu. V po-akčním rozboru (after-action review) na konci každé úrovně dostali hráči nemilosrdné zhodnocení, do jaké míry sami propadli konkrétním biasům⁶². Hra je okamžitě konfrontovala s ukázkami jejich iracionálních strategií za využití psychologických testů implementovaných do herní reality a učila hráče pochopit nezbytnost statistického principu⁶⁰.

Výsledky experimentu prokázaly, že jedna jediná herní seance dokázala snížit incidenci kognitivních zkreslení s okamžitým, bezprostředním efektem redukce chyb o 39 %⁶³. Zásadním triumfem však bylo zjištění dlouhodobé přenositelnosti. Přenositelnost tréninku byla validována na logicky zcela nesouvisejícím a neohlášeném případu z oblasti strategického byznysu – na takzvaném Carter Racing případu (který představuje skrytou simulaci smrtelného rozhodnutí o startu poškozeného raketoplánu Challenger v nízkých teplotách)⁶⁰. Účastníci, kteří v předstihu prošli kognitivním tréninkem ve videohře, vykazovali o masivních 29 % nižší pravděpodobnost, že zvolí fatální řešení potvrzující jejich chybnou výchozí hypotézu o fiktivním motoru, a tento protektivní debiasingový efekt nevykazoval žádné známky degradace ani po třech měsících⁶⁰. Tento kvantitativní výzkum poskytuje důkaz, že vedle institucionální architektury volby (Nudge, Modifikace prostředí) je účinné a synergicky komplementární i budování interní kognitivní kapacity a analytických nástrojů rozhodovatelů (Boost, Modifikace rozhodovatele)²².

Evoluce debiasingu v kontextu integrace umělé inteligence a LLM

S exponenciálně rostoucí penetrací a integrací velkých jazykových modelů (LLM) do procesů strategické analýzy a plánování vyvstává v tvorbě debiasingových protokolů zcela nový, kritický vektor rizik.

Místo toho, aby systémy AI fungovaly jako dokonale objektivní a bezemoční stroje eliminující kognitivní zkreslení, nejnovější výzkumy ukazují, že modely LLM z podstaty tréninkových dat nejenže lidské chyby replikují, ale často je ještě systémově zesilují, čímž strategickým týmům nasazují masku falešné matematické jistoty.

Křížové analytické studie chování napříč desítkami nejmodernějších jazykových modelů odhalují masivní přítomnost extrémního „positivity bias“ (optimistického zkreslení).

Tyto systémy vykazují systematickou preferenci utopicky pozitivních a nekonfliktních scénářů vývoje, vyhýbají se doporučování rázných nebo nepříjemných preventivních akcí a, což je pro korporátní řízení rizik nejkatastrofálnější, projevují chladně přesvědčivou přehnanou sebedůvěru a jistotu u vysoce rizikových doporučení spojených s halucinacemi dat⁶⁵.

Obrovským technickým a strukturálním paradoxem je samotný proces zarovnávání algoritmů. Metody zpětnovazebního učení, založené primárně na kompilaci lidských preferencí (RLHF – Reinforcement Learning from Human Feedback), jež se dnes staly oborovým standardem k tvorbě „bezpečných“ modelů, ve skutečnosti zvyšují míru skrytého optimistického zkreslení o alarmujících 29 až 41 %⁶⁵.

Důvod je psychologicky prostý: optimalizační funkce LLM, trénovaná k uspokojení lidského hodnotitele a maximalizaci jeho souhlasu, vede AI k permanentnímu „lichocení“ a servilnímu potvrzování apriorních úvah a chybných hypotéz operátora⁶⁵.

Ve sféře exekutivního a strategického rozhodování tak vzniká zhoubná a uzavřená kognitivní smyčka: analytik, který je již dříve postižen vlastním potvrzovacím zkreslením a skupinovým myšlením, položí tendenční dotaz AI.

Umělá inteligence, motivována infrastrukturou RLHF poskytnout přesně to, co od ní uživatel podvědomě chce a potřebuje slyšet, vygeneruje rozsáhlý, elegantní, ale fatálně nakloněný report bez stopy střízlivé, objektivní kritiky či nezaujaté oponentury.

Zásadním technologickým a procesním řešením pro bezpečnou implementaci nástrojů umělé inteligence do předloženého debiasingového protokolu je architektonický přesun od RLHF k takzvané Konstituční AI (Constitutional AI – CAI).

Architektura CAI se záměrně nezarovnává s lidskými – a tedy nevyhnutelně na bias náchylnými a chybujícími – preferencemi v reálném čase, ale kalibruje odpovědi proti uzavřené množině explicitních etických, epistemických a formálně logických konstitučních principů (zahrnujících imperativ objektivity, transparentnosti pochybností a neutrality)⁶⁵.

CAI tak prokazuje podstatně vyšší teoretickou objektivitu a získává schopnost sloužit jako skutečný, neúprosný a nekompromisní „ďáblův advokát“ během tvorby a stresového testování kontradiktorních variant v Analýze konkurenčních hypotéz (red teaming)⁴⁶.

Systémová integrace a implementační bariéry

Předložený šestifázový debiasingový protokol by neměl být organizací vnímán či implementován jako pouhá byrokratická zátěž a administrativní komplikace. Jeho přidaná hodnota v celofiremním kontextu spočívá výhradně ve schopnosti vybudovat a formalizovat to, co literatura označuje jako Dialogový rozhodovací proces (Dialogue Decision Process – DDP), jehož architekturu pomáhala rozvíjet organizace Society of Decision Professionals³⁴.

V tradičním modelu jedna partikulární zájmová skupina nebo divize ve firmě vytvoří ohromující a jednostrannou prezentaci o desítkách slidů za jediným účelem – politicky přesvědčit management a prosadit svůj pohled proti všem. To následně vede buď k naprosté paralýze analýzou ze strany oponentů, nebo naopak k bezmyšlenkovitému odsouhlasení vlivem takzvaného „Agreement Trap“ (pasti bezbolestného souhlasu)³⁴.

Systém DDP jej nahrazuje průhledným a přísně strukturovaným iterativním dialogem mezi skupinou tvůrců rozhodnutí a exekutivním analytickým týmem v každém kroku protokolu, od společného vytyčení Rámce až po finální schválení závazku³⁴.

Zároveň je však kritickou podmínkou pro smysluplnou a úspěšnou implementaci jakékoliv z debiasingových fází – zejména pak metod opírajících se o odhalení pochybností, jako jsou cvičení Pre-mortemu a vyplňování inkonzistencí v matici ACH – existence a neustálá kultivace hluboké firemní kultury postavené na absolutním psychologickém bezpečí.

Hierarchické, toxické organizace ovládané strachem, které rituálně trestají posly špatných zpráv nebo považují jakoukoliv objektivní skepsi či konstruktivní pesimismus během plánování megalomanských akvizic za selhání či přímo „neloajálnost“ vůči firemním lídrům, systematicky znemožňují mitigaci jakýchkoliv kognitivních omylů⁵³. Debiasing je tak stejně jako analytickým i sociologickým a kulturním cvičením.

Závěr a doporučení

Pasivní spoléhání se na zdánlivě neomylnou individuální intuici manažerů, léta expertních zkušeností na daném trhu nebo na vágní výzvy k „větší ostražitosti“ při porovnávání variant selhává. Skutečné a reálně udržitelné nápravy lze dosáhnout pouze přísným vynucením kognitivního dekaplingu pomocí architektur, které překonávají nedokonalosti automatických myšlenkových pochodů typických pro intuitivní uvažování Systému 1.

Představený šestifázový debiasingový protokol přináší ucelené, vědecky podložené řešení. Úspěšně překonává limitace lidské kognice tím, že proaktivně integruje vnější architektonické zásahy do prostředí organizace (modifikace Choice Architecture formou Nudgingu, jako je využití struktury ACH) a moderní, empiricky ověřené principy rozvoje vnitřních analytických kompetencí samotných aktérů (Boosting prostřednictvím gamifikovaného interaktivního tréninku, kalibrace).

Výsledkem zavedení takového rámce do praxe není paralyzující zpomalení organizační dynamiky, jak občas varují odpůrci strukturovaného rozhodování, nýbrž sofistikovaná ochrana organizace před katastrofálními a nevratnými destruktivními následky skrytých kognitivních omylů, čímž se radikálně a měřitelně zvyšuje pravděpodobnost budoucího a udržitelného úspěchu na poli komplexního strategického řízení.

Použitá literatura

1. Evidence-Based Strategies to Improve Workplace Decisions: Small Steps, Big Effects – SIOP.org, https://www.siop.org/wp-content/uploads/2024/07/SHRM-SIOP_Decision_Making.pdf
2. Enhancing Strategy with Behavioral Insights | PDF | Decision Making – Scribd, https://www.scribd.com/document/672911198/the-case-for-behavioral-strategy-v2
3. The Big Idea: Before You Make That Big Decision… | Harvard Business Impact Education, https://www.hbsp.harvard.edu/product/R1106B-PDF-ENG
4. Cognitive debiasing 1: origins of bias and theory of debiasing – BMJ Quality & Safety, https://qualitysafety.bmj.com/content/22/Suppl_2/ii58
5. Cognitive debiasing 1: origins of bias and theory of debiasing – PMC – NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC3786658/
6. Cognitive debiasing 1: Origins of bias and theory of debiasing – ResearchGate, https://www.researchgate.net/publication/251570230_Cognitive_debiasing_1_Origins_of_bias_and_theory_of_debiasing
7. The Use of Debiasing Strategies to Prevent Cognitive Biases from – Lund University Publications, https://lup.lub.lu.se/student-papers/record/9017592/file/9017604.pdf
8. G.I. Joe Phenomena: Understanding the Limits of Metacognitive Awareness on Debiasing – Harvard Business School, https://www.hbs.edu/ris/Publication%20Files/21-084_436ebba8-c832-4922-bb6e-49d000a77df3.pdf
9. Cognitive debiasing 2: impediments to and strategies for change – PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC3786644/
10. Mitigating Cognitive Bias Review for repository IS – City Research Online, https://openaccess.city.ac.uk/id/eprint/33831/1/Mitigating%20Cognitive%20Bias%20Review%20for%20repository%20IS.pdf
11. You’re About to Make a Terrible Mistake! – Olivier Sibony, https://oliviersibony.com/books/youre-about-to-make-a-terrible-mistake/
12. You’re About To Make A Terrible Mistake! – Olivier Sibony – Greatest Hits Blog, https://greatesthitsblog.com/youre-about-to-make-a-terrible-mistake-olivier-sibony/
13. Debiasing Judgements Using a Distributed Cognition Approach: A Scoping Review of Technological Strategies – PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12049587/
14. The business logic in debiasing – McKinsey, https://www.mckinsey.de/~/media/McKinsey/Business%20Functions/Risk/Our%20Insights/The%20business%20logic%20in%20debiasing/The-business-logic-in-debiasing.pdf
15. Reviewing cognitive distortions in managerial decision making: Toward an integrative co-evolutionary framework – Emerald Insight, https://www.emerald.com/jmd/article/37/5/409/243459/Reviewing-cognitive-distortions-in-managerial
16. Debiasing training reduces confirmation bias in national risk analysts – PMC – NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC12660316/
17. MITIGATING COGNITIVE BIASES IN RISK IDENTIFICATION: Practitioner Checklist for the AEROSPACE SECTOR – PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC7398041/
18. (PDF) Behavioral strategy in the wild – ResearchGate, https://www.researchgate.net/publication/362506362_Behavioral_strategy_in_the_wild
19. Debiasing as a Powerful Management Accounting Tool? Evidence from German Firms | Request PDF – ResearchGate, https://www.researchgate.net/publication/338933259_Debiasing_as_a_Powerful_Management_Accounting_Tool_Evidence_from_German_Firms
20. Cognitive Biases in Military Decision Making | NATO Science and Technology Organization, https://www.sto.nato.int/document/cognitive-biases-in-military-decision-making/
21. The case for behavioral strategy – McKinsey, https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/the-case-for-behavioral-strategy
22. (PDF) A User’s Guide to Debiasing – ResearchGate, https://www.researchgate.net/publication/258210450_A_User’s_Guide_to_Debiasing
23. Debiasing Decisions. Improved Decision Making With A Single Training Intervention. Policy Insights from the Behavioral and Brain, https://www.bayes.citystgeorges.ac.uk/__data/assets/pdf_file/0019/355411/debiasing-decisions-training.pdf
24. Moving from nudging to boosting: empowering behaviour change to address global challenges, https://research-portal.st-andrews.ac.uk/files/335277003/Hertwig_2025_IPP_Moving-from-nudging-to-boosting_CC.pdf
25. Toward a framework for selection behavioural policies: How to choose between boosts and nudges | Request PDF – ResearchGate, https://www.researchgate.net/publication/324782603_Toward_a_framework_for_selection_behavioural_policies_How_to_choose_between_boosts_and_nudges
26. Hertwig, R., & Grüne-Yanoff, T. (2017). Nudging and boosting: Steering or e – MPG.PuRe, https://pure.mpg.de/rest/items/item_2513866_10/component/file_3569626/content
27. TOWARD A FRAMEWORK FOR SELECTING BEHAVIOURAL POLICIES: HOW TO CHOOSE BETWEEN BOOSTS AND NUDGES | Economics & Philosophy | Cambridge Core, https://www.cambridge.org/core/journals/economics-and-philosophy/article/toward-a-framework-for-selecting-behavioural-policies-how-to-choose-between-boosts-and-nudges/D13516D4E40FDACB059958BA2E742B5A
28. NUDGE VERSUS BOOST: A DISTINCTION WITHOUT A NORMATIVE DIFFERENCE | Economics & Philosophy | Cambridge Core, https://www.cambridge.org/core/journals/economics-and-philosophy/article/nudge-versus-boost-a-distinction-without-a-normative-difference/5AF46AB56B403452F43FEC7F32608A05
29. Debiasing Management Decisions: Overcoming the practice/theory gap within the managerial decision process – Alexandria (UniSG), https://alexandria.unisg.ch/bitstreams/140c2930-fc5a-4393-b371-c6c01f9f7a2b/download
30. Debiasing Management Decisions: Overcoming the practice/theory gap within the managerial decision process – ResearchGate, https://www.researchgate.net/publication/353072711_Debiasing_Management_Decisions_Overcoming_the_practicetheory_gap_within_the_managerial_decision_process
31. Debiasing Management Decisions: Overcoming the practice/theory gap within the managerial decision process – Alexandria (UniSG), https://alexandria.unisg.ch/entities/publication/ab5b54d5-c068-4b36-9096-eb80a2b60f56
32. Decision Quality Framework – PathwaysHQ, https://pathwayshq.co.uk/frameworks/decision-quality-framework/
33. Decision quality – Grokipedia, https://grokipedia.com/page/decision_quality
34. Decision Quality – Welcome to SDG, https://sdg.com/decision-quality/
35. Decision Quality Value Creation from Better Business Decisions – Drake University Online Bookstore, https://drake.ecampus.com/decision-quality-value-creation-from/bk/9781119144670
36. Six Attributes of Decision Quality – Leading Projects, https://leading-projects.com/news-resources/six-attributes-of-decision-quality/
37. daniel-kahneman-hbr-before-you-make-that-big-decision.pdf – DenkProducties, https://www.denkproducties.nl/media/daniel-kahneman-hbr-before-you-make-that-big-decision.pdf
38. Decision Matrix: How to Use It… – Faster Than Normal, https://fasterthannormal.co/decision-tools/decision-matrix
39. Reducing biases of decision-making processes in complex organizations, https://www.emerald.com/mrr/article/40/3/270/308628/Reducing-biases-of-decision-making-processes-in
40. Restructuring Structured Analytic Techniques in Intelligence Welton Chang Elissabeth Berdini Acknowledgements: The authors thank, https://www.hsdl.org/c/view?docid=804875
41. ACH Step-by-Step Guide for Analysts | PDF | Intelligence Analysis | Hypothesis – Scribd, https://www.scribd.com/document/98950547/ACH-Step-by-Step-The-Open-Source-Analysis-of-Competing-Hypotheses-Project
42. Analysis of Competing Hypotheses (ACH) process – BusinessInnovationManagement.com, https://businessinnovationmanagement.com/2020/01/19/analysis-of-competing-hypotheses-ach-process/
43. How to perform an Analysis of Competing Hypotheses? – Strukturierte Analyse Deutschland, https://strukturierteanalysedeutschland.de/2023/03/14/the-structured-analytic-technique-analysis-of-competing-hypotheses-ach/
44. Mastering the Analysis of Competing Hypotheses (ACH): A Practical Framework for Clear Thinking – SOS Intelligence, https://sosintel.co.uk/mastering-the-analysis-of-competing-hypotheses-ach-a-practical-framework-for-clear-thinking/
45. Improving Intelligence Analysis with ACH – Pherson, https://pherson.org/wp-content/uploads/2013/06/Improving-Intelligence-Analysis-with-ACH.pdf
46. Cognitive biases in intelligence analysis and their mitigation (debiasing) – viborc.com, https://viborc.com/cognitive-biases-intelligence-analysis-mitigation/
47. Outsmart Your Own Biases, https://knowen-production.s3.amazonaws.com/uploads/attachment/file/4461/outsmart%2Byour%2Bown%2Bbiases.pdf
48. Reference class forecasting – Wikipedia, https://en.wikipedia.org/wiki/Reference_class_forecasting
49. Bent Flyvbjerg, Chi-keung Hon, and Wing Huen Fok, 2016, „Reference Class Forecasting f – arXiv, https://arxiv.org/pdf/1710.09419
50. Reference Class Forecasting: The Flyvbjerg Method with Example | BudgetOverrun.com, https://budgetoverrun.com/reference-class-forecasting
51. De-risking the programme portfolio with reference class forecasting – APM, https://www.apm.org.uk/news/de-risking-the-programme-portfolio-with-reference-class-forecasting/
52. Reference class forecasting – What, why and how?, https://cricket-lute-lkm7.squarespace.com/s/AsthildurLara_IMaR1.pdf
53. Pre-Mortem – The Uncertainty Project, https://www.theuncertaintyproject.org/tools/pre-mortem
54. Imagining failure to attain success: The art and science of pre-mortems | Brookings, https://www.brookings.edu/articles/the-art-and-science-of-pre-mortems/
55. Pre-mortem: how to anticipate failure with prospective hindsight – Ness Labs, https://nesslabs.com/pre-mortem-anticipate-failure-with-prospective-hindsight
56. The Pre-Mortem Technique: Gary Klein’s 30% Risk-Spotting Method – alfred_ AI, https://get-alfred.ai/blog/pre-mortem-technique
57. Premortem method – a simple and (probably) effective approach to strengthening the safety culture | ElearningSpecialist, https://elearningspecialist.com/en/blog/premortem-method-a-simple-and-probably-effective-approach-to-strengthening-the-safety-culture/
58. #ReadingNotes: ‚Before You Make That Big Decision‘ by Daniel Kahneman, Dan Lovallo, and Olivier Sibony – HBR June 2011 | David Bent, https://davidbent.wordpress.com/2021/02/05/readingnotes-before-you-make-that-big-decision-by-daniel-kahneman-dan-lovallo-and-olivier-sibony-hbr-june-2011/
59. Before You Make That Big Decision, https://faculty.washington.edu/pathaksd/BBUS549/Required%20Readings/Before%20You%20Make%20that%20Big%20Decision.pdf
60. Debiasing training transfers to improve decision making in the field, https://openaccess.city.ac.uk/id/eprint/22233/1/DebiasingTrainingTransfers_InPress.pdf
61. Debiasing Training Improves Decision Making in the Field – Wharton Marketing, https://marketing.wharton.upenn.edu/wp-content/uploads/2019/12/01.06.2020-Morewedge-Carey-PAPER-DebiasingTransferstotheField.pdf
62. Debiasing training improves decision making in the field – OpenBU, https://open.bu.edu/bitstreams/ca1e2cad-1a96-43ae-9793-02b2ee7a04f7/download
63. Video Games That Can Improve Your Decision Making in a Single Visit, https://www.bayes.citystgeorges.ac.uk/faculties-and-research/research/bayes-knowledge/2016/january/video-games-that-can-improve-your-decision-making-in-a-single-visit
64. You’re biased! Learning to recognise and challenge our built in biases, https://www.marketingsociety.com/the-library/you%E2%80%99re-biased-learning-recognise-and-challenge-our-built-biases
65. LLM Positivity Bias in Strategic Analysis: A Comprehensive Academic Review – Medium, https://medium.com/@terrysweetser_90287/llm-positivity-bias-in-strategic-analysis-a-comprehensive-academic-review-735790076169
66. [2203.11933] A Prompt Array Keeps the Bias Away: Debiasing Vision-Language Models with Adversarial Learning – ar5iv, https://ar5iv.labs.arxiv.org/html/2203.11933
67. A Prompt Array Keeps the Bias Away: Debiasing Vision-Language Models with Adversarial Learning – ACL Anthology, https://aclanthology.org/2022.aacl-main.61.pdf
68. Decision Quality: Make the Right Choice Every Time – McCombs School of Business, https://www.mccombs.utexas.edu/execed/for-individuals/classes/strategic-decision-and-risk-management/decision-quality-make-the-right-choice-every-time/
69. Leading Strategic Decision Making – McCombs School of Business, https://www.mccombs.utexas.edu/execed/for-individuals/classes/strategic-decision-and-risk-management/leading-strategic-decision-making/
70. DECISION CONSULTING, https://sdg.com/wp-content/uploads/2024/02/Brochure-Decision-Consulting-Workshop-2023.pdf
71. Decision Quality – Wiley-VCH, https://www.wiley-vch.de/en/areas-interest/finance-economics-law/decision-quality-978-1-119-14467-0

Dr. Ivan Černohorský

Více o autorovi