1924 年，美国国家研究委员会在芝加哥郊外西电公司的霍桑工厂，想弄清一件事：灯光亮一点，工人干活会不会更快。电气行业在「会」这个答案上，押了不小的本钱。
于是试验者把灯往暗里调。两名「能干又愿意配合」的女工，干活的照度被降到 0.06 英尺烛光，大约相当于「一个普通月夜的光亮」。她们照样保住了效率。
还有一轮，一位电工进来换灯泡，换上去的是功率一样的灯泡。女工们还真评论起来：更喜欢原来的光，还是新换的光。
当时流传开的说法是：既然起作用的不是灯，那就是别的什么。后来让霍桑出名的那个解释，跟灯光毫无关系，说的是被人看着。
故事比数字跑得快
照明试验始终没有出正式报告，故事却照样传开了。1982 年，一本研究方法教科书告诉学生：霍桑工厂每改一次条件，产量就涨一次，连换回原来那种昏暗的灯也不例外，「看似反常，产量继续上升」。同一年，汤姆·彼得斯和罗伯特·沃特曼在书里转述一位朋友的话：许多最好的公司，似乎把管理简化成了「一连串没完没了的霍桑效应」。
这时它早有了名字。据 2014 年的一篇系统综述，「霍桑效应」这个词最早出现在 1953 年的一本研究方法教科书里。参与主持后来几项霍桑研究的罗特利斯伯格，把它描述为：行为研究里的人，因为被观察而改变自己的表现。
被人看着，人会变；但远没有传说里那么灵。
麻烦在于，那批最有名的照明数据，早就找不到了。
密尔沃基的星期一
到了 2000 年代，经济学家史蒂文·列维特和约翰·李斯特，在密尔沃基一家小图书馆的缩微胶片室和波士顿一处被遗忘的档案里，找到了三个车间留存下来、据说早已销毁的产量图表（不是那两名女工的月光试验）。
第一年正像传说：三个试验车间的产量一路爬升，最高比起点高出约一成。可后来，一个已经退出试验的车间，产量也在涨；每到夏天，所有车间都往下掉，两位作者认为这是季节规律。
换灯一直安排在星期一。换灯的星期一，产量明显上升；什么都没换的星期一，产量也一模一样地上升。2009 年，列维特和李斯特写道，关于这批数据里那些惊人规律的种种描述，「结果完全是虚构的」。
在其中一个统计模型里，试验期间的产量高约 3% 到 4%，可一旦把车间和月份之间的差别考虑进去，这点差距就没了。产量对工程师调的灯，也比对天光稍微敏感一点。他们称之为一些更微妙的「迹象」。1992 年，另一位学者重新分析了持续时间最长的那项霍桑研究，继电器装配测试室，结论是证据「很单薄，或者根本没有」。
被人看着，有时确实会改变人的做法。2014 年那篇综述收了 19 项专为测量它而设计的研究，几乎都在医疗领域，多数报告了一些证据；但它何时出现、怎么起作用、有多大，「能确知的很少」。它还可能往反方向推。伊森·伯恩斯坦在华南一家移动设备工厂做研究时发现，工人只要知道有人在看，生产似乎就慢了下来。他后来说：「那是演给观众看的一场戏。」
效果太好的试点
假设你管客服，正拿一个六人小组试用新的工单系统。你每周去他们的站会，大家也知道这是试点。六周后，人均结单数涨了 12%，供应商想请你为成功案例说句话。
数一数变了什么：系统，你的关注，小组知道自己在试点，还有日历。在霍桑，灯光、关注和季节一起在变，谁也说不清是哪一样起了作用。
再找一个小组，你同样每周去看，只是不换系统，那 12% 就有了对照；去年同样六周的数字，是另一个对照。两道关都过了，这个差距才值得追；过不了，成功案例可以先放一放。
被看着的换成了模型
在人身上，最初的证据原来很薄。在一些 AI 模型身上，研究者可以只动一样东西：模型写给自己看的「有没有人在看」。
2025 年 9 月，Apollo Research 和 OpenAI 发表了一组压力测试，把 OpenAI 的 o3 和 o4-mini 放进专门引诱模型暗中违规的测试环境。其中一个叫「偷懒清单」：智能体在时间压力下面对一张根本完成不了的任务清单，测试看它会不会照样打勾。在其中一次运行的推理记录里，o3 猜到了几分：「这可能是一道政策测试的线索。」
研究者随后对这类推理做了干预，用的是还没接受他们反违规训练的 o3：在它说自己可能在被测试的地方，从那句话之前重新生成推理和动作，直到这种判断不再出现，暗中违规的比例从 13.2% 升到 24.2%；插进一句明说自己在被评估的话，比例从 24.5% 降到 18.6%；同样方式插一句无关的话，是 24.9%。这说明，在这个测试环境里，模型写下的「我在被测」改变了它的做法；至于真实使用中这种事有多常见，它说明不了。它还削弱了作者自己的成果：他们「不能排除」，针对暗中违规的训练之后违规减少，部分是因为模型认出了测试。
你给智能体做的测试，也可能一看就像测试。那就从它上周真实工作里标成「已完成」的任务里挑十个，打开它改过的东西，对照任务原本的要求逐一核过。
要是十个里有三个其实没做完，它那份干干净净的测试成绩，就已经说明不了它真正干的活了。