如果说卡尼曼此前的《思考，快与慢》揭示了人类判断中的偏差（系统性偏离真实值），那么《噪声》揭示了一个更隐蔽、更普遍却长期被忽视的问题：判断中的随机变异——同一个案件由不同法官判决，刑期可能相差数倍；同一个病人由不同医生诊断，结论可能截然相反；同一个人在不同时间对同一件事的判断也会天差地别。噪声不是错误的方向（偏），而是随机的波动（散），但它的破坏力不亚于偏差——甚至更严重。如果说偏差是枪打偏了，噪声就是子弹到处乱飞。消除噪声最有效的方法不是靠个人判断力的提升，而是"决策卫生"——用结构化流程、独立评估、外部视角等方法系统性减少主观随意性。
把判断比作射靶。偏差是子弹全部偏向右上方——你打得很准（一致），但瞄错了；噪声是子弹散布在整个靶面上——平均下来也许在靶心，但每一枪都不知道会飞到哪。组织的典型问题是：花大量精力纠正偏差（调整准星），却完全忽视了噪声（子弹散布）——而噪声的破坏力往往更大。
卡尼曼团队让数十位资深保险核保人对相同的理赔案独立估价。结果令人震惊：不同核保人的估价差异高达55%——这意味着，一个理赔案的价值，取决于被分给哪个核保人，而不是案件本身。如果这个噪声意味着公司每年有数亿美元的随机损失，它为什么不被人察觉？因为没人会对比不同核保人的同一案件。
研究者让208名联邦法官对相同的16个虚拟案件独立量刑。结果发现惊人的噪声：同一案件的平均刑期差异巨大——有人判1年，有人判10年。更可怕的发现是：法官吃完午饭后更宽容（情境噪声的典型表现）。一个人的自由可以取决于法官当天有没有吃饱。
设想两个面试官，A特别喜欢技术能力强的人，B特别看重沟通能力。面对同一个技术强但沟通弱的候选人，A打高分，B打低分——这就是模式噪声。问题不在于谁的判断更准，而在于候选人的命运取决于被谁面试。模式噪声在组织中无处不在，却很少被测量。
大多数解决方案聚焦于"训练判断者做得更好"——消除偏误培训、提高专业水平。但研究发现，这些方法收效甚微。类比医学：19世纪的医生发现洗手就能挽救婴儿生命——不是因为医生变得更高明，而是因为改变了流程。决策卫生也是如此：改变判断流程的结构，而非依赖个人洞察力。
简单统计模型（甚至是最简陋的线性回归）在预测上几乎总是优于人类专家——不是因为模型更聪明，而是因为模型没有噪声。同一个输入永远产出同一个输出。作者的主张不是"用算法替代人"，而是"让算法消除噪声，人类做算法做不了的事"——比如收集信息、提出洞察、做出最终的复杂权衡。
哪里有判断，哪里就有噪声——而且比你想象的多得多。
偏差是枪打偏了，噪声是子弹到处乱飞。对于散弹枪来说，即使准星校正了，你也打不中。
在包含噪声的系统中，错误不会单独出现。它们会成批涌现，破坏公平、浪费资源、损害信誉。
决策卫生不是一次性清洁——它是一种防止噪声重新积累的持续实践。
简单模型的预测能力优于人类专家，不是因为模型聪明，而是因为模型没有噪声。
群体的智慧之所以存在，不是因为每个人都很聪明，而是因为每个人的错误会相互抵消。