假设五名患者的真实风险完全相同，模型也把每个人的概率都预测准确。最终只有一人发病，但在既定风险门槛下，模型会建议五人全部接受干预，决策与“全治”毫无区别。此时模型的相对效用仍可能是 0。换句话说，概率报得完全正确，不等于能提前点名谁会发病。
Linard Hoessly 解释，相对效用（relative utility，RU）衡量的是净收益：把正确干预的好处与不必要干预的代价合并计算，再看模型比“全治”和“全不治”中较好的策略前进了多少。RU 为 1 的上限，则是假想的“结果先知”——提前知道每个人最终是否发病，因此不会误治或漏治。这对应特定门槛下的完美分类，而非完美的概率预测。论文提醒，RU 距离 1 还有多远，不能直接理解为模型还能提升多少；它更适合回答一个实际问题：采用模型做决策，是否真的胜过不用模型的简单策略。