尽管计算决策有着悠久的历史——从边沁到谷歌的自动驾驶汽车，但公允地讲，我们大多数人在做复杂决策时并没有进行任何实际的数学计算。这或许不是一件坏事。最重要的工作在于我们如何创设一个决策，即我们采用什么样的策略来克服源于有限理性的所有挑战：探索多重视角，制订情景计划，确定新的选项。如果我们在绘图和预测阶段做了充分的工作，那么真正的选项往往也就显而易见了。而这也是大脑默认网络厉害的地方之一。我们的大脑非常擅长思考复杂的决定——想象这个决定会如何影响其他人，想象你会如何应对不同的结果。靠着非凡的技能，我们将这些基于直觉的情景规划作为后台程序。但问题是，当我们创建这些情景时，我们的视野往往会受到限制。我们或错失了至关重要的变量，或执着于某个关于事件如何发生的假设，或未能看到有助于调和冲突目标的第三选项。所以，对一个复杂选择来说，我们在绘图和预测阶段所做的努力，实际上是为大脑默认网络提供了更多的可加工素材。
你可以绘制出所有的变量，对你的假设进行红队研判，并为各选项制订相应的情景计划，但到最后，你所做的最终决定往往更接近于艺术而非科学。所有与绘图和预测相关的演练以及在对话中引入多元化观点，都有可能带来先前你未曾预料到的新选项，或有助于你发现你的第一反应是错误的。比如，奥巴马团队也是慢慢才意识到，那栋建筑物内可能真的藏着他们的头号敌人。如果幸运的话，投入决策流程的时间和思考会给你一个明确的选项。
但有时候，这个答案是模糊的。你需要从剩下的几个选项中做一个艰难选择，而每一个选项都会给受此影响的人带去不同程度的痛苦或快乐。在这种情况下，按照线性数值建模等方法计算分数，或会让问题变得明晰。如果你面临的是群体选择，这种选择涉及不同的利益相关方，而他们又都有不同的目标和价值观，那么将计算引入决策无疑是有助益的。但如果做决策的只是少部分人，那么最好的方法可能还是老办法：专门抽出时间细细思考。在某种意义上，决策的前期准备工作应包括时下最先进的策略：事前剖析、情景规划、专家角色，以及利益相关方的集思会等。但一旦这些演练拓宽了你的视角，并帮助你跳出最初的直觉反应之后，接下来你要做的就是静待沉淀，让大脑默认网络发挥魔力。延长散步时间，在淋浴间多逗留一会儿，放飞你的思绪。
面对艰难选择，我们需要训练大脑，避免出现“系统1”思维中的瞬间判断。我们需要对各种新的可能性持开放态度，其中首要的一点就是要接受这样一种可能性：我们对某一事件的直觉反应很可能是错的。本书所描述的几乎每一种策略，最终都是为了同一个目标：帮助你从新的角度看清当前形势，跳出有限理性的局限，并就你从未想到过的事情列一份清单。严格来讲，这些都不是你所面对的问题的解决方案。它们起到的作用是提示、剖析、敦促，是为了让你跳出默认语境，而不是给你一个固定答案。但与达尔文以及维多利亚时代其他人所尝试的庸医疗法不同，这里的很多干预方法都得到了对照实验的支持，并在此基础上做了改进。没有哪一种算法可以百分之百地保证我们做出明智的选择，但却有很多技巧可以阻止我们做出愚蠢的选择。