管理培训里，这常被讲成「五个为什么」的一次大胜：华盛顿的一座纪念建筑在剥落，连问五个为什么，从清洗、鸟、蜘蛛、蠓虫一路问到泛光灯。灯晚开一小时，问题就没了。
大多数版本的细节是错的。可在林肯纪念堂，1990 年确实试过这个办法。负责研究的昆虫学家说，灯晚开一小时，蠓虫少了大约 85%。「可那些开了几百英里车来纪念碑前拍照的游客不高兴。他们天天投诉，灯又照旧开了。」
五个为什么，一个怎么办
这个办法出自开创丰田生产方式的大野耐一。他常说：「没有问题，就是最大的问题。」一旦出了问题，他的建议很直接：「不带成见地去看生产现场。每件事都问五次为什么。」
丰田在 2006 年还讲过他最爱举的例子。一台焊接机器人干到一半停了。为什么？电路过载，保险丝烧了。为什么过载？轴承润滑不够，卡死了。为什么润滑不够？机器人上的油泵供油不足。为什么供油不足？油泵进口被金属屑堵了。为什么会被堵？油泵上没装过滤网。
换根保险丝，机器人能重新动起来；装上过滤网，下次就不会再因为这种堵塞停下。大野耐一写道：「把为什么重复五次，问题的本质和解决办法就都清楚了。」他管这叫「五个为什么，等于一个怎么办」。
这个「怎么办」要靠去看。「数据在制造业当然重要，」他说，「但我最看重的是事实。」
张口就来
跟着大野耐一学过这一套的箕浦辉幸，后来当上丰田负责全球采购的常务董事。2003 年他说，五个为什么常常不如预想中管用，因为大家「最后又退回到推理上」。问他们为什么，「他们张口就能说出五个原因」。再对每个原因各问一遍为什么，冒出来的原因多到「你完全搞不清哪个才重要」。他坚持，回答为什么只有一个正确的办法：去现场看。
设想一位仓库经理，想弄明白送货车为什么总是八点四十才出发，而不是八点。在办公桌前，答案来得飞快：司机磨蹭，路上堵，新人不认路。第二天一早，她改去装卸台站着看。司机七点五十就到了，在等最后一托货；那托货在等发货标签；标签要等夜里的订单处理完才打印，而订单七点四十五才处理完。她在办公桌前的那些猜想，没有一个提到打印机。
一条路，一个原因
研究患者安全的艾伦·卡德 2017 年追查过纪念堂故事的真实版本，他的结论更重：在医疗事故调查里，五个为什么应该弃用。它逼人只走一条路，只找一个根本原因，还默认最后那个为什么就是最该下手的地方。他指出，就连纪念堂的第一个为什么，本来也可以走向别处：雨水、酸雨、冻融。真实的事故很少只有一个原因。用得好的话，这个办法可以分出好几条因果链，「五」也只是个习惯，不是规定。2017 年 GitLab 的数据库被误删，它公开的复盘就同时追了好几条为什么，从被删的目录一直问到没人测过的备份。
纪念堂的故事还暴露了另一个缺口。那条链在它走到的范围里是对的，只是它从没问过：还有谁需要这些灯？
机器速度的推理
箕浦担心的那种推理，语言模型可能以机器的速度做出来。问它东西为什么坏了，它能很快给出听上去说得通的解释。
Meta 的做法是先喂它证据。在 Meta，一套系统先用简单规则，把成千上万条最近的代码改动筛到几百条，再让一个用历史调查数据微调过的 Llama 2 模型排出最可能的五条。拿过去的调查回测、只用每次调查开始时已知的信息，真正的原因有 42% 落在这五条里。Meta 的工程师补充说，它「可能给出错误的根本原因，误导工程师」，所以把把握不大的答案扣下不给。
2024 年，汇丰和香港科技大学的研究者描述了一个基于 GPT-4o 的「五个为什么」智能体，配上一张记录自家系统历史的知识图谱。他们在尚未经过同行评审的预印本里报告：过去归咎于管理问题或外部供应商的事故，大约 70% 其实出在自己的代码上。
智能体可以整天问为什么，它的回答仍然只是候选。在有人据此动手之前，得拿日志、现场，或者把故障重现一遍来核对。这就是 AI 版的「去现场看」。