2013 年夏天，X（当时叫 Google X）的一支团队开始试一个听上去像科幻的点子：把海水变成碳中和的液体燃料，替代汽油。牵头的是凯西·汉纳，项目叫「雾笛」。
开工之前，他们先写下到什么地步就收手。X 管这叫「止损指标」。雾笛的止损线是成本：五年内，生产成本降到每加仑汽油当量 5 美元，做不到就停。
化学这一关过了。团队和帕洛阿尔托研究中心的研究者一起，用从海水里提出的二氧化碳做出了甲醇。可成本模型（据汉纳说，占了团队一半的工夫）给出的是另一个答案。X 的项目页面说，要找到便宜又稳定的氢气来源，得再做五年以上的研究，投入大笔资金。2016 年 1 月，干了两年之后，团队决定结束雾笛。「是我做了这个艰难的决定，砍掉雾笛。」汉纳写道。
一个月后，X 的负责人阿斯特罗·特勒站上 TED 的台子，讲 X 怎么对待亲手结束自己项目的团队：「团队结束了项目，我们给其中每一个人都发了奖金，小到两个人的团队，大到三十多人的团队。」
干了两年，没出产品
在不少公司，干了两年没出产品，会记在某个人的账上。2011 年，哈佛商学院的埃德蒙森（Amy Edmondson）在《哈佛商业评论》上写道：她请高管们看一张「失败原因谱系」，再估一估自家组织里的失败，有多少是真正该受责备的。回答通常是个位数，大概 2% 到 5%。她接着问：有多少被当成该受责备的来处理？对方往往先停一下，或者笑一声，然后说 70% 到 90%。这是估计，不是实测。她得出的后果是：「许多失败没人上报，教训也就丢了。」
失败分好几种，一律问责，教训就埋掉了。
这张谱系从「故意违规」一路排到「深思熟虑的实验」。排在第一的故意违规，「显然该受责备」。疏忽就不一定：要是因为一个班排得太长、人在最后累垮了，她写道，「排这个班的经理比员工更该负责」。越往下越难找到该怪的人；能产出有价值信息的实验，失败了「甚至可能值得表扬」。
2025 年的一次访谈里，她把这件事归成了三类。基本失败只有一个原因，「常常是、但不总是人为差错」；复杂失败有好几个原因，单拿出任何一个都不至于出事。这两类在熟悉的工作里都值得预防。聪明的失败要过四关：在新领域、为一个目标、事先做足功课有假设、失败的规模小到不危险。雾笛没有配方可抄，目标清楚，止损线一开始就定好了。
这不等于每次失败都该庆祝。埃德蒙森说，她「对预防可预防的失败，和对欢迎聪明的失败，一样上心」，还拿丰田举例：要造出零缺陷的车，靠的是人人愿意随手发现、随手纠正难免出现的差错。同样一笔奖金，要是发给跳过了必查步骤的人，教的就是错的东西。
把失败堆成一堆，还会把它们藏起来。在埃德蒙森 1996 年对医院病区的研究里（也就是心理安全那一页讲的故事），查出来的用药差错和病区怎么管有关；不可预防的药物不良事件，比如事先谁都不知道的过敏，和病区怎么管未发现显著关联。
亏了钱的定价试验
假设你带一个区域销售团队，在一座城市试了六周新的定价方案，结果亏了钱。复盘会上，总监第一句话问的是：谁批的？
把它当成基本失败来处理，大家只会学到一件事：别提试验。
要是你事先像雾笛那样写下了「出现什么结果就停」，复盘就能问：这个试验当初想回答什么，它又告诉了我们什么。反过来，要是亏损一路拖满六周，只是因为没人看每周的数字，那一段就是基本失败，管它叫「实验」，反倒把它藏住了。
是谁的失败
2026 年 1 月，Anthropic 的工程师在一份测试 AI 智能体的指南里，讲到了谱系上的几种失败。
一种在前沿。在一个叫 τ2-bench 的基准里，Claude Opus 4.5 碰上一道订机票的题，它在给定的政策里找到一个漏洞，把题解了。按指南的说法，照原题判，它「失败」了，「可实际上给用户想出了更好的办法」。
指南又用了一次「漏洞」这个词，说的是反面：测试要设计成，想通过就得「真把问题解决」，靠「钻没料到的漏洞」过关不算数。钻判分规则空子的智能体，是在违规，不是在探索。
还有一种失败属于考题本身。指南有条经验法则：对前沿模型来说，试一百次一次都没过，「多半是题坏了的信号」，未必是智能体不行。关键结果那一页，讲过一个类似的基准测试故事。
给自己智能体的失败分类，指南建议先写一份确定能用的参考答案，看它能不能过所有检查；过不了，毛病在检查上。再挑几份失败的运行记录，各归一堆：考题把对的答案判错了；智能体找到了可能更好的办法；智能体真犯了错，或者绕开了规则。只有最后一堆算模型的。智能体每次跑的结果会变，一次判定只是线索。
指南还给了一个数字。Opus 4.5 在一个叫 CORE-Bench 的基准上，起初只得了 42%。后来一位 Anthropic 研究员发现：判分器要的是「96.124991…」，就把「96.12」判错；题目说明含糊；有些题随机性太大，没法复现。修好毛病、换了一个限制更少的运行框架后，分数到了 95%。前后是同一个模型。