前几天翻 LISEP 的数据，24.3%。
同一个月，官方口径的美国失业率是 4.1%。六倍。
不是谁算错了。俩数用的是同一批底料，都出自劳工统计局那套数据。差别全在定义——一个把谁算进来，一个把谁算出去。
发布方叫 LISEP，Ludwig Institute for Shared Economic Prosperity。名字很政客，干的事倒挺老实：他们造了个指标，TRU，True Rate of Unemployment，我一般直接说"真实失业率"，虽然这词一出口就自带立场。
画外音：凡是敢往自己指标名里塞"true"的机构，都值得多看两眼——要么是真看不下去了，要么是自我感觉过剩。这次我偏向第一种。
把定义摊开。TRU 数的是这么几类人：没有全职工作（全职按每周 35 小时起算）、想要一份全职工作的、压根没工作的，以及——这条最要命——年税前收入没到门槛的。门槛是 2025 年美元计的年税前 26000。
- 失业 = 没有工作 & 正在找工作
+ 功能失业 = 没有全职工作
+ | 想要全职但只拿到兼职
+ | 年税前收入 < $26,000
中间那个 | 是并集。看懂这个并集，就看懂了那六倍的落差。
一个人每周上满四十小时，全年五十二周不歇，26000 除以 2080 小时——时薪 12.50 美元。低于这条线，他在官方口径里是"就业人口"，在 TRU 里是"功能性失业"。同一个人，两份报表，两种命。
而且 LISEP 自己说这个门槛是"保守设定"的。保守。意思就是 24.3% 是个地板，不是天花板。
绕回来说我怎么会被一组宏观数字绊住。
我干的是 vibe-coding 这摊活，天天跟各种"指标"打交道。测试覆盖率、benchmark 分数、CI 绿不绿、agent 一次跑通的比率。这些东西有个共同的毛病：它们回答的都是"容易量的那个问题"，不是"你真正关心的那个问题"。
测试覆盖率 98%，线上照样炸。不是覆盖率说谎，是覆盖率从头到尾就没承诺过它管线上。你拿一个量起来便宜的数当护栏，然后拿它当结论用，这是两码事。
失业率 4.1% 也一样。这个指标从设计那天起就没打算衡量"有工作的人过得下去吗"。它衡量的是"有没有工作"。它没骗人。
问题是——所有人都在引用它。
在一个只允许贴一个百分比的标题里，4.1% 会赢，24.3% 会输。不是因为 4.1% 更真，是因为它更小，更像"经济不错"。指标的选型本身就是论点，这话我上半年写工具评测的时候就说过一次，现在原样搬过来，一样成立。
现在看分层数据，这才是真正让我坐起来的部分。
按学历拆：
未完成高中 46.5%
高中文凭 28.6%
部分大学教育 27.3%
学士学位 16.8%
高级学位 14.6%
从上往下读，最大的悬崖在最上面那格——没拿到高中文凭的，46.5%，接近一半。这个不意外，也最容易被拿出来说烂。
意外的是中段。高中文凭 28.6%，读了点大学没毕业 27.3%。差 1.3 个百分点。花两年、三年、一堆学费，换来的改善基本等于噪声。那两格在统计上几乎是平的。这个"最贵的什么都没有"，我觉得比 46.5% 那个数更值得说，但它没什么画面感，所以没人喊。
再往下，学士 16.8%，高级学位 14.6%。到这一层，学历的边际收益已经很薄了——从本科到硕博，掉 2.2 个点。学历这套东西的陡峭段全压在高中那道坎上，跨过去之后，坡度就平了。
按性别拆：女性 29.4%，男性 19.6%。差 9.8 个百分点。
按种族拆：黑人 27.2%，西班牙裔 27.1%，白人 24.0%。最大跨度 3.2 个点。
我不打算替这个排序编一个解释，因为我手上这份数据解释不了。我只能说一个观察：性别那道的口子，差不多是种族那道口子的三倍，但你在公开讨论里听到前者的频率，远不及后者。为什么，我不知道。清单里也没有。硬编一个理由交差，就是我最烦的那种"正确的废话"。
说点技术上的实在话。
LISEP 把白皮书、TRU 和 TWE 的方法论、源数据都放出来了。这件事本身值得记一笔。一个指标能被别人复现、被别人拿原始数据重算一遍，才有资格叫指标。不能复现的东西，叫说法。
这点上我对 AI 工具是同一套标准。一个 benchmark 的题不公开、prompt 不公开、评测脚本不公开，然后甩给你一个 92.7 分——这个分数我看都不看。不是怀疑它造假，是它没法被证伪，那它就只是营销物料。
反过来，LISEP 这套东西你可以不同意它的门槛定在 26000，可以觉得 35 小时这条线划得武断——这些都能吵，因为它们摆在明面上，吵得动。
有个地方我得往回退半步。
8 月这个 24.3% 是回落，前面连着涨了四个月。
所以别把这一格单独拎出来讲故事。真要读趋势，那四个月的连续上行才是正文，8 月这一下更像喘了口气。我一开始看到 24.3% 的时候脑子里直接蹦出来的判断是"又创新高"，写完翻回趋势那行才发现不对——这不是高点，是回撤。这个错犯得挺蠢的，但挺有代表性：我盯着一个数看太久，忘了它在一根线上。
数据这东西就这样。单点看是结论，连起来看是过程。人类的直觉天然偏爱前者。
最后那条规则，我打算以后自己遵守：
看到任何一个孤零零的百分比，先问一句——这个分母里，把谁踢出去了。
失业率踢掉了"有工作但养不活自己"的。覆盖率踢掉了"没写进测试的路径"。benchmark 踢掉了"模型答不出来的那批题"。它们踢人都不算错，踢人是定义的一部分。
错的是你拿着一个专门剔掉某批人的数，去回答一个包含那批人的问题。
本期缴税：一次把一个回撤当成了新高。下次见。