AI 报告里的数字，先分成能核的和不能核的

看了这么多年数据，我读一份 AI 报告的第一件事不是看结论，是看它引用的每个数字能不能在别的地方找到同一个值。找不到，那个数字就只是句子的一部分。

我看报告的顺序和别人相反

大部分人从头读到尾，读到结论觉得有道理就过了。我先看数字，再看论证，最后才看结论。

原因是论证和结论都可以写得很顺，顺到你读不出漏洞。数字不行，数字要么在别处能找到同一个值，要么找不到。

三档可核性

报告数字的三档可核性分流

第三档最容易伪装。它通常长得很具体——北美这个类目 2026 年规模 47 亿美元——具体程度和可信度没有关系。我追问过几次出处，回答都是同一类：综合公开信息估算。这句话的意思是它自己也不知道。

判断的捷径是看这个数有没有小数位以外的信息。能核的数你一定能说出它从哪张表来，能推的数你一定能说出用哪几个自己的数去凑。两样都说不出的，就是第三档。

不能核不等于错

这一档不是没用。它可以当线索，指向一个值得去看的方向。

区别在使用方式。能核的数字可以写进测算表里参与计算，不能核的只能写进会议纪要里，当作下一步去核什么的清单。把线索当依据用，是新手最容易犯的错。

每份报告要留下三列

我现在要求团队交上来的 AI 报告，每个关键数字后面跟三列：数字本身、出处或反推路径、定档人。

留不出第二列的，自动降到第三档，不需要讨论。定档人必须写名字，因为三个月后回看这份报告，你要知道该找谁问。

最容易漏的是口径

同一名字不同算法这件事，比算错更常见。转化率可以是订单除以会话，也可以是订单除以点击。月销可以是一个子体的，也可以是整个变体组的。

数字核得上不代表口径一致。核验的时候先问用的哪个分母，再核数值。这一步省了，后面所有对比都是假的。

我自己吃过一次亏的地方在于，同一个词在平台后台和在自己报表里是两种算法，两边都没错，但拿去相减得出的差额毫无意义。从那以后凡是跨系统取的数，我都在报告里标上一行取数路径。

我自己踩过的一次

去年一份报告里给了个退货率 6%，我拿去算了利润。三个月后发现那是整个类目的均值，我们这个细分类目的实际值在 11% 上下。两个数字都能在报告里找到，各自也都成立，错的是我把类目均值当成了自己链接的预期值。

从那以后，凡是不是从我们自己后台来的数字，一律标来源口径。不标就不用。

一个最低要求

如果你的 AI 报告现在没有任何一列是出处，不用急着换工具，先把这三列加进去。加了之后你会发现报告变短了——短掉的那部分，本来就不该参与决策。