客户让我承诺「AI答错率降到5%以下」，我翻了合同发现这数根本没法验

上周谈一个续约，客户方市场总监拿着我们第一期的复盘报告，说效果不错，但第二期要加个硬指标：AI答错率降到5%以下。听着挺合理，对吧？我当时没接话，先问了一句：这个5%，分母是什么？

他愣了一下，说就是答错的次数除以总次数。我又问：总次数是指你们后台统计的提问量，还是我们抽检的那批问句库？他答不上来。我说那我换个问法——如果同一个问题，用户早上问一次答错了，下午问一次答对了，这算一次错还是两次里错一次？如果按天去重算，错率立刻从20%掉到10%。他没说话。

这不是抠字眼，这是结账口径。我给他看了第一期我们埋的日志：同一个问句ID，三个平台跑出来的答案完全不一样，因为模型版本、检索源、甚至当天索引更新时间都不同。你要定一个答错率，至少得先锁死四件事：问句池版本、跑批时间戳、平台与模型版本、以及人工判错的标准。这四样少一样，5%就是一个谁都能解释成自己赢的数字。

从长远看，我不反对把答错率写进合同，但前提是双方认同一套可复现的验收流程。我建议他改成：每月固定问句池200条，固定跑批窗口（比如每月第一个周二上午10点），跑完导出原始答案存档，双方各判一遍，分歧条目拉出来对齐标准后再算。这样出来的数，哪怕这个月是12%，下个月是9%，也是能拿去跟老板交代的。

我见过太多项目死在“效果很好但验收扯皮”上。GEO有前景，但别神话——尤其别用一个没人能复现的百分比去神话它。客户要的是安全感，不是漂亮数字。我最后跟他说，5%这个数我可以陪你定，但你得先告诉我，如果月底跑出来是7%，你是扣钱、续做、还是重谈问句池？这个问题他到现在还没回我。

你们合同里的效果条款，分母和判错标准是谁定的？有没有人真拿两批数据对过同一个月的错率？