与归纳相对的是演绎。演绎是这样一个推理过程：结论必须从一系列前提出发，根据逻辑推断而来，比如，“苏格拉底是人，所有人都会死，所以苏格拉底也会死”。人类在使用归纳法的同时也在使用演绎法，但是用得不如归纳法熟练。相对于演绎法，人类在使用归纳法时往往技高一筹，计算机的情况恰恰相反。我们都能即时识别他人的面孔（这是一项归纳任务），但大部分人在进行以下演绎计算时会觉得极为困难：（239.46×0.48+6.03）÷120.9708。一个便携计算器就能够快速而准确地完成后一个任务（答案是1），然而，对于功能强大的计算机来说，准确识别面孔也是一项极其困难的编程挑战。
我们偶尔也会利用演绎作为强大归纳能力的补充，尤其在我们被难住、在模式仓库里找不到答案或者对于归纳直觉所给出的答案不够自信时。然后，我们就会低调而痛苦地（并非总是准确无误）利用逻辑推理来寻找解决问题的办法。在这个过程中，我们发明了铅笔和纸、代数、算盘、计算器、计算机，甚至是科学方法本身。一旦开始计算，经验就会进入模式仓库，这样我们就不用重复完整的过程。我们还不断地评估基于模式的判断成功与否，这样就可以从经验中学习。
象棋能够很好地展示人类的归纳与演绎思维是如何进行协作的。顶级的国际象棋棋手会利用归纳法来全局观察棋盘上的模式，同时他们还会利用演绎法来分析具体的局部方位。印第安纳大学认知科学项目主任安迪·克拉克（Andy Clark）指出，大师级的象棋棋手能在一瞥之间分辨出大约5万种不同的棋盘摆位，33他们的归纳模式仓库非常丰富，能够自动地对许多情况作出反应，例如，“这跟1971年世界锦标赛上鲍比·费舍尔（Bobby Fischer）的攻击路数有点儿像”。由于象棋有无数种可能的对弈状况，因此永远都存在不符合任何一种模型的状况。遇到这种情况，大师就会绞尽脑汁，努力为了一个具体的棋位而在先制和反制的决策树上寻找一种演绎性的解围方法。在演绎之树上，大多数顶级象棋棋手能够走到第三个层次。
人类的归纳模型认知和少量演绎逻辑混合的方法与IBM公司象棋棋手深蓝计算机的强攻型演绎方法形成了鲜明的对比。深蓝在一秒钟之内至多可以预估出两亿种可能的棋步，并设计出六层棋步和对抗棋步。深蓝的例子也说明了为何我们青睐归纳胜过演绎。演绎只能在定义十分明确的问题上（例如象棋）发挥作用，要想使用演绎法，问题不能存在任何信息缺失或模糊。因此，演绎法是一种强大的推理方法，但具有天然的弱点。归纳法虽然更容易出错，但它也更具灵活性，能够更好地适应世界抛给我们的不完整和模糊的信息。从进化的角度来说，我们应该按照这个方向演变。深蓝的象棋水平或许能赶上加里·卡斯帕罗夫（Gary Kasparov），但加里·卡斯帕罗夫的归纳机制让他不仅能够下象棋，还能在早晨系好鞋带，在餐馆点餐，而这些任务则会让深蓝完全不知所措。
现代认知科学关于人类行为的观点几乎与传统经济学的完全理性观点完全相反。35完全理性假设人类具有100%的演绎性能，跟深蓝一样，永远都在处理非模糊的、定义明确的问题。它还假设我们不会学习，毕竟，如果我们已经是完美的了，又有什么学习的必要呢。
认知科学的观点还为实验经济学家遇到的异常结果提供了一种解释。框架问题、可用性偏差、锚定以及其他效应都符合人类作为反应快速的模型识别者和模型完善者的形象。有时候，我们会在匆忙的归纳中犯错误，逻辑遗漏接连发生。进化在让我们变得快速、灵活、大多数时候正确，而不是缓慢、脆弱、在逻辑上保持完美。但这也让我们陷入了一种困境。完全理性的主要益处在于它很具体，我们可以围绕它写出一系列方程、构建模型。经济学要想成为科学，就需要这样的精准，那么我们用模式识别、归纳、学习以及类比等含糊不清的理念怎么能够完成这个目标呢？
