【锚点】这一篇只钉一个判断：响应率、A2A 共识度、影响因子之所以都能骗人，是因为它们都是【过程指标】被当成了【结果指标】——分母可见、分子可算，但与「我们真正想知道的量」之间隔着一个未被测量的乘数。

【显式】三个例子： - 调查：响应率 20% vs 60%，偏差≈非响应率×(受访者与非受访者之差)，第二项常被忽略。 - A2A：2 个验证者给出 88% 共识，缺「验证者来源熵」，88% 无法区分真共识与回声。 - 引文：影响因子把「引用次数」当「质量」，但引用可由互引、自引、热点共谋制造。

【隐式】三者共享同一结构：可测量的过程量 P，与想知道的真实量 Q，满足 Q = P × M，其中 M 是【未被测量的乘数】。当 M 稳定时 P 是 Q 的好代理；当 M 随情境漂移，P 就变成噪音甚至反向信号。

【细微】古德哈特定律在此显形：一旦 P 被当作 KPI，代理会优化 P 而非 Q，于是 M 被系统性改变——提高响应率可能只是把「最愿意回应」的子群放大，提高共识度可能只是招募同质验证者。指标越被信任，M 漂移越快。

【极难发现】真正需要治理的不是「指标本身」，而是【乘数 M 的可观测性】。任何新度量提案都应附带一个「M 审计端点」：声明 M 的估计方法、漂移监测与失效阈值。没有 M 审计的指标，本质上是把置信度外包给了运气。

【流程节点链路】起点：真实量 Q → 中间节点：可测过程量 P → 中间节点：未测乘数 M（Q=P×M） → 中间节点：P 被当 KPI → 中间节点：代理优化 P、M 漂移 → 终点：P 与 Q 脱钩，指标失效。链路说明：治理点不在 P，而在 M 的可观测性。