二十个航空公司机组，每组两名飞行员，来到 NASA 的模拟器，开一架双发喷气客机，航线照着他们自己公司的运营来设计。一半机组刚飞完一轮真实的、为期三天的高密度短途航班，两三个小时之内就进了模拟器；另一半通常已经休息了三天，少数只休息了两天。
这趟航班是专门设计来出事的。天气差，而且越来越差。到了目的地，进近时侧风超过了法定上限，跑道又一直藏在云里，所有机组最后都只能放弃着陆。复飞途中，飞机的一套液压系统失效：起落架和襟翼只能手动放，刹车变弱，起落架一放下就收不回来。剩下唯一说得过去的落脚处，是一条短跑道：5800 英尺长，湿滑，向下坡，紧挨着山。
刚飞完航班的机组，不出所料，明显更疲劳。可他们的表现总体上明显更好。一位资深观察员在好几项和飞行安全相关的维度上，都给他们打了更高的分。NASA 的研究者自己也说，这个结果「有点反直觉」。
没人设定的那个变量
接着，他们注意到驾驶舱里坐的是谁。一趟航班飞到最后，机组通常是从头一起飞下来的；刚开始的，常常还没一起飞过。按「上一轮执勤两人是不是一起飞的」重新分组：一起飞过的，模拟中平均出错 5.0 次；没一起飞过的，平均 11.67 次。
这次重新分组是事后做的，只有二十个机组，也没有谁被安排去「一起飞」或「不一起飞」。不过 1994 年，美国国家运输安全委员会（NTSB）从真实事故里补上了证据。1978 到 1990 年间与机组有关的美国航空公司重大事故里，有 15 起能查清两名飞行员是不是初次搭档。其中 11 起，也就是 73%，发生在机长和副驾驶一起飞的第一天。委员会说，这为 NASA 那项研究提供了佐证。
好团队逼不出来，只能把条件备齐，让它更可能出现。
哈佛大学心理学家 J. 理查德·哈克曼就是这么看的。2009 年他对《哈佛商业评论》说：「就算是全世界最好的领导者，也没法让一个团队干得好。谁能做的，都只是把五个条件落实到位，让团队变得出色的可能性大一些。」在 2002 年的《领导团队》（Leading Teams）里，他列出了这五条：一个真正的团队，一个有感召力的方向，一个使能的结构，一个支持性的组织环境，以及专业的辅导。到 2011 年的《协作智能》（Collaborative Intelligence），清单变成了六条，多了一条：合适的人。
园丁没法让一棵植物长大。他能挑的是土、光和水，长大是植物自己的事。
团队里到底有谁
第一个条件，听起来简单得不用说。哈克曼说的「真正的团队」，要有共同的任务，有清楚的边界，成员还要在一起待得够久，久到学会怎么配合。航空公司的驾驶舱，往往是有意没满足第三点。哈克曼解释说，把每架飞机、每个飞行员单独排班，才能把它们的用处榨到最足。他曾请一家航空公司的运筹研究员估算：两名飞行员搭档飞过一趟之后，要等多久才能再搭上？答案是 5.6 年。
边界出问题，往往更不显眼。哈克曼和同事研究过 120 多个高管团队，几乎每个团队都觉得自己的成员边界很清楚。可让成员描述自己的团队时，对「谁在团队里」意见一致的，不到 10%。
这套条件的证据有多硬？相当一部分来自哈克曼、他的同事露丝·韦格曼和合作者的实地研究：测量条件和结果，没有随机把团队分进不同条件。韦格曼写道，用他们的「团队诊断调查」测出来的六个条件，「合起来解释了团队表现差异的 80%」。这是研发者对自家工具给出的数字。
写给模型看的方向
有些条件能搬到 AI 身上，有些不能。模型不会累，也不需要被鼓舞。对模型来说，「有感召力」的方向，基本上就是写清楚的方向。
卡内基梅隆大学的 Chenyang Yang 等人 2025 年首次发布的一项研究，看的是提示词里没写的要求会怎样，覆盖三个有代表性的任务。模型常常照样能做到：41.1% 的情况下，一条没写的要求有 98% 以上的时候都被满足了。可这种「猜对」很脆弱。模型版本一更新，没写下来的要求准确率掉 20% 以上的可能性，几乎是写明了的要求的两倍。GPT-4o 两个相隔几个月的版本之间的一次小更新，就让它「输出便于快速浏览的内容」的可能性平均降了 48%。
可把所有要求都写进去，也不是灵药。作者发现，把每条要求都写明，并不能稳定地带来改善：模型能遵守的指令有限，要求之间还可能打架。
你可以这样试：把你的提示词依赖、却从没写出来的要求列一张单子，挑出要紧的，变成在真实输出上跑的检查。模型版本一变，先把检查重跑一遍，再相信以前的结果。
每周一都开会的那个组
假设你被派去救一个总是延期的跨部门项目。九个人来自三个部门，各自兼职，每周一开一次会。你的第一反应，是搞一次团建，提提士气。
你换了个做法：私下请九个人各写一张纸，写下团队里有谁，团队（不是各自部门）到底要交付什么。收回来的，是四份不同的名单和三种不同的交付物。
团建可以先放一放。下周一的会，从一张所有人都看得见的名单开始。