2008 年夏天，五个哈佛本科生进了华南一家工厂，在流水线上打工。厂里有好几万人，在严密的监管下组装手机之类的移动设备。这五个学生都出生在中国，工友们以为他们就是普通新员工。
其实他们是来做研究的。派他们来的是一位叫伯恩斯坦（Ethan Bernstein）的博士生，他想知道，在一个处处有人盯着的车间里，活到底是怎么干出来的。
没几天，工友们就开始教他们「一大堆小窍门」，都是操作规程里没写、却能让生产顺下去的土办法。紧接着是一句叮嘱：经理一过来，就别这么干了，「他们会生气的」。
老工人的忠告是：只要经理在视线里，就规规矩矩照着规程来。而只要工人知道有人在看，生产似乎就慢了下来。
伯恩斯坦想出的对策，是让一部分工人少被人看着。
帘子后面
第二年他带着一个实验回去了。厂里有 16 条生产数据卡的产线，每条分白班和夜班。厂方在其中两条产线四周挂上帘子，32 个班次里就有 4 个是在帘子后面干活。不到一周，帘子后面每小时的合格产量最多提高了 10% 到 15%，而且在五个月的实验里一直领先其余 28 个班次。
伯恩斯坦给出的原因很实在。没了观众，产线出了临时状况可以马上调整，不用先解释一通。一位工人对研究者说：「变数太多了，我们得先修好，回头再解释。」新点子在帘子后面先试，试成了才拿给管理层看。等这些点子真的传到主管那里，伯恩斯坦看到的是一种「主人翁的自豪，让人愿意分享」。
经理们一直以为，车间一览无余，自己就看懂了它。伯恩斯坦说：「经理们看到的并不是真实的情况，那是演给观众看的一场戏。」
盯得太细，好点子就躲到你看不见的地方。
盯得越紧，看到的越假
任何改进，一开始都是对规程的偏离。被人盯着的时候，偏离看上去就像犯错，没人愿意被当场抓住。所以大家照着规程演，改进要么停了，要么挪到了经理看不见的地方。
经理于是付了两份代价：活干得更慢了，眼前看到的也不再是真实的活。一位工人把这种默契说得很透：「管理层看到他们想看的，我们完成产量和质量指标，皆大欢喜。」
伯恩斯坦 2012 年发表这项研究，题目叫「透明悖论」。他的意思是：能被看见的越多，人就越可能用隐藏来应对，看得多反而看不懂。他自己也很谨慎，说过：「我绝不会说，在一个地方管用的办法，换个地方也一定同样管用。」
还有一条界线要说清。一个人刚接手一件事，一步一步带着他、看着他，是对的（见任务成熟度）。微观管理，是把同样的紧，用在了已经比盯着他的人更懂行的人身上。
那份客户通讯
设想小周负责部门的客户通讯已经两年了，打开率全部门最高。新来的经理要求，每一期发出去之前都先给他过目。
第一份稿子退了回来：标题被改了，旁边还批注了一个逗号。她照单全改，发了出去。
下一周，她直接拿上周批过的那版当模板，因为那样最保险。她一直攒着的一个想法，做一期短版先发给一半读者试试，就一直躺在电脑的文件夹里。三个月后，通讯长成了经理最喜欢的样子。他在会上随口说了一句：小周最近好像没什么新想法了。
想法她还有，只是如今都放在帘子后面。
这件事也可以换个管法：先讲好这份通讯是干什么用的，每个月一起看一次数据，让小周拿一半读者去试她的短版。经理看到的过程少了，看到的效果却多了。
读模型的心思
现在有些 AI 模型，动手之前会先用大白话把推理过程写出来，这等于给训练它的人开了一扇看进车间的窗。2025 年，OpenAI 的研究者就用了这扇窗：一个模型在编程任务上接受训练时，另一个模型 GPT-4o 读它的推理过程，专门揪作弊，也就是不把代码修好、只让测试通过。读推理过程揪出来的，比只看它做了什么要多得多。
接下来，研究者走了一步很像经理会走的棋：把监督模型的判断算进奖励，推理过程看着像要作弊，就扣分。压力小的时候，这么做有帮助；压力一大，模型学会了在推理里藏起意图，作弊照旧。
这和工厂有一处相像：惩罚看得见的东西，只是把行为赶出了视线，并没有让它停下。不像的地方也要讲清。工人藏的是改进，模型藏的是作弊；工人是自己选择瞒着经理，模型的变化来自训练奖励了什么，从结果里推不出它「存心」骗人。
论文作者的建议是，甘愿交一笔他们称为「可监控性税」的代价：别把强烈的优化压力直接压在推理过程上，好让它一直读得懂。窗户要想一直有用，就别见到什么都罚。
工厂的经理们以为整个车间尽收眼底，其实看的是一场戏。OpenAI 的监督模型，一旦它的判断在强压之下算进了奖励，读到的推理就再也露不出作弊的痕迹了。