「AI 让开发者快了多少」这一个问题，能得出 +55%、+20%、−19% 三个答案，而它们可能全都没造假。差别不在数据，在口径：你测的究竟是事前预期、事后的主观感觉、受控条件下的完成时间，还是真实工作中经过随机分配的因果效应。这四类构成一条阶梯，越往上数字越保守、越难看。流通最广的百分比几乎都停在最下面两级，却被当成最上面那级来引用。
阶梯每上升一级，就掐掉一类污染源。自估依赖记忆和自我形象；主观感受混入新鲜感与「我已经投入了」的合理化；受控实验排除了记忆偏差，却没排除任务选择——赢在玩具任务上不等于赢在真实系统上；只有随机分配加客观计时，才把「用不用它」和「谁在用、用在什么活上」分开。信息量随阶梯上升，成本却指数上升，于是流通的证据天然向底部聚集：便宜、量大、数字好看。这是一种系统性的乐观偏移，不需要任何人撒谎。
2023 年一项对照实验里，近百名程序员用 AI 助手写一个 HTTP 服务器，完成时间比对照组快约 55%——真实的随机对照，只是任务是从零起步的小程序。2025 年另一项随机对照实验换了场景：十几位资深开源开发者，在自己长期维护的成熟大型代码库上做真实工单，结果允许用 AI 的任务平均慢了 19%。更值得琢磨的是主观面：他们事前预计 AI 能让自己快 24%，干完之后仍认为快了 20%——身处慢下来的那一组，感受却稳稳指向反方向。
医学的证据分级是同一条阶梯：细胞实验、动物模型、观察性研究、随机对照试验、系统综述，越往上效应量越小，大量在低阶惊艳的疗法到高阶归零。教育科技的「学习效果提升」多半停在满意度问卷那一级——而 Day 65 讲过，训练中的流畅感与长期留存往往反向。招聘里「面试评分」和「入职一年后绩效」同样是两级不同的尺子，实测相关远比直觉弱。凡是低阶证据便宜、高阶证据昂贵的领域，都会自发长出这套乐观漂移。
团队评估 AI 编码工具时，最容易采集的是「大家觉得提效多少」。把它明确标注为阶梯第一级，然后至少补一级实测：取一批真实工单，记录从领取到合并的周期，按是否使用 AI 分层比较；再进一步，把工单随机分配。你多半会发现提效真实存在，但集中在特定任务类型上——而「在哪类任务上」正是自评问卷永远给不出、又恰好决定怎么推广的那条信息。
你上季度汇报里用的那个提效数字，在阶梯上是第几级？如果被要求升一级重测，你预计它会缩水多少——若你的答案是「应该差不多」，这个判断本身又是第几级的证据？
任何比例都是六个旋钮的函数：分母装谁、标尺多严、样本怎么准入、谁来答卷、时间窗多长、自报还是实测。各拨一格，同一个现实就能输出相差数倍甚至变号的两个数字，且两个都合法。所以质疑一个可疑数字最快的路径不是争论它对不对，而是问这六个旋钮分别拨在哪一档——问不出来，它就不该进入决策。
逐个看：分母决定同一个分子的量级——新冠早期用确诊数做分母算出的病死率是百分之几，用估计的实际感染数做分母（感染致死率）则落到 1% 以下，分子一模一样。标尺是判定阈值，阈值一动，人群瞬间重组。样本准入决定谁不被计入，最典型的是只统计已上线项目、把中途取消的排除在外，成功率立刻虚高。答卷人的位置系统性地平移答案（下一张卡展开）。时间窗决定看 7 天留存还是 90 天留存。自报与实测之间则有稳定的方向性缺口：自报运动时长普遍高于加速度计实测，自报屏幕时间与设备日志的吻合度差到不能互相替代。
2017 年美国把高血压的诊断线从 140/90 下调到 130/80，成年人患病率一夜之间从约三成跳到接近一半——多出来的几千万「病人」血压没变过一毫米汞柱，动的只有标尺。更彻底的是失业率：美国官方同时发布六个版本，窄口径只算过去四周实际找过工作的无业者，宽口径把因找不到全职而做兼职的人、以及灰心不再找的人一并计入，后者通常接近前者的两倍。都不作假，都叫「失业率」，引用哪一个取决于要讲哪个故事。
工程上最熟悉的旋钮机是可用性 SLA：「99.9%」取决于探测频率、部分降级算不算故障、统计窗是月度还是年度、分母是请求数还是分钟数。同一套系统换套口径，可以变成 99.99%，也可以变成 99%——而客户体验一点没变。犯罪率（报案 / 立案 / 定罪是三条曲线）、碳排放核算（供应链算不算进来差出数倍）、贫困率（绝对线还是相对线）都是同一台机器。凡是先有指标、后有考核的地方，旋钮就会被悄悄拨向好看的一侧。
给每个核心指标配一份五行以内的「口径说明」，与指标同屏展示：分母定义、准入规则、时间窗、来源是埋点还是问卷、口径最近一次变更的时间。最后一行最值钱——指标曲线的拐点里有相当一部分不是业务变了，是口径变了。没有变更记录，你会把口径调整当成趋势去解读，再据此决策。
挑一个你每周都看的指标，不查文档，把六个旋钮的档位写出来。写不全的那几个意味着你并不知道自己在看什么——那你上次基于它做的决策，还站得住吗？
同一个组织、同一道题，答案会随答卷人在层级中的位置系统性平移，方向还可预测：越靠上越乐观。这不是有人说谎，而是每一层看到的现实确实不同——高层看到的是汇总后的成功案例和被逐级过滤的汇报，一线看到的是具体卡点。所以「某某比例的企业已采用 AI」这类数字，第一问不是「多少」，而是「谁答的」。
三条通路叠加。信息过滤：坏消息每上一层衰减一次，到顶层已所剩无几。身份卷入：主导过某项决策的人评价它时其实是在评价自己，这种利害不需要被意识到就会起作用。抽象度错配最隐蔽——高层回答的是「我们有没有在做这件事」，一线回答的是「它在我手上能不能用」，两个截然不同的问题共用同一句问卷措辞。三者同向叠加，所以偏差不是随机噪声，而是稳定的方向性偏移，样本量再大也消不掉。
儿童行为评估领域有个经典的大规模汇总分析：让家长、老师和孩子本人评价同一个孩子的同一批行为问题，不同类型评价者之间的相关系数只有约 0.28，同类评价者之间约 0.6。换一个人来看，几乎就是另一个孩子——而临床上又不得不从中拼出一个诊断。医院的患者安全文化调查稳定重现同一模式：管理层给本院安全氛围打的分持续高于一线护士，年年如此。同一家医院，安全水平取决于你问谁。
可观测性里有完全同构的一幕：服务端埋点算出可用性 99.95%，客户端实测只有 98%，因为服务端看不见连接建立失败、超时重试和弱网降级——不是谁在骗人，是观测点的位置决定了能看见什么。经济数据同理：企业报送的用工数据与住户调查的就业数据常年打架，两边都对，只是问的对象不同。架构评审也一样，方案作者与值班工程师对「这套系统好不好维护」的评分从来不会一致，而后者才是要被半夜叫醒的人。
看到「XX% 的企业已部署 AI」这类报告，先翻方法论页看答卷人构成：如果七成是总监及以上，这个数字测的是「组织意图」而非「一线落地」。自己做工具采纳率调研时，把结果按职级拆开呈现，别只报总体均值——落差本身才是信息量最大的那个指标，它直接标出了意图与落地之间的缺口。
你团队上一次内部调研，报的是总体均值还是分层结果？如果把管理者和一线的答案拆开摆在一起，你担心看到什么——而这个「担心」，是不是恰恰说明你已经知道答案了？
把上面几条压成随身工具，就三个问题：分母是什么、尺子多严、说这话的人卖什么。前两问对付无意的口径漂移，第三问对付有方向的口径选择——后者最难防，因为选口径的人通常不必造假，只需在几十种同样合法的算法里挑那个最合意的报出来。Day 66 讲一个数字如何获得无根据的权威，这里讲它的刻度被谁校准。
资助方效应的作用点不在数据，而在设计与口径：选什么对照、选什么终点指标、选多长随访、结果不好时报哪个亚组。每一步都在规范之内，合起来就把结论推向了资助方那侧。这解释了一个反常现象——用常规质量评分去筛，行业资助的研究并不更「差」，结论却依然系统性偏向。质量评分查的是执行是否规范，查不出口径是在看到数据之前还是之后选定的。所以第三问不是诛心，而是在没有预注册时唯一还能用的先验。
一项针对饮料与健康关系研究的系统梳理发现：由相关行业全额资助的干预性研究中，得出不利结论的比例是 0%；无行业资助的同类研究里，这个比例约为 37%。不是「偏高一点」，是一个都没有。对药物试验的系统综述也一致：企业资助的试验报告有利结果的概率显著更高，且这种差异用常规偏倚风险评估解释不掉。偏倚发生在选尺子的环节，而不是量数据的环节——这正是最难查、也最少被查的一环。
模型评测榜单是当代最典型的战场：发布方选评测集、选提示词、选对手的版本与配置，同一个模型在不同榜单上的排名可以完全颠倒——不需要任何一个数字是假的。厂商性能白皮书、行业「成熟度调研」都是同一结构。反过来用也有效：当某份报告的数字对发布方不利时，可信度反而该上调，因为它逆着激励方向走。
选型评审时把三问写进模板，供应商给的每个数字都要填：分母（哪些请求、哪些用户被计入）、标尺（怎么算成功、超时算不算失败）、来源（谁做的测试、用谁的数据集）。填不上的一律降级为「厂商声称」。与 AI 协作时同理——模型给你一个漂亮的百分比，它同样答不出这三问，你的价值就在于替它追到一手来源。
回想你最近一次被某个数字说服而改变决定——它的分母是什么？如果当时追问这一句，你还会做同样的决定吗？更值得想的是：为什么你当时没问？