EnterpriseVal：量化生成式AI在企业中的效能、可靠性与价值

前沿语言模型如今产出的专业交付物，在相当比例具有经济价值的任务上被专家评审判定媲美人类作品，然而大多数企业GenAI举措未能展现可度量的业务效果，且大量Agentic项目预计将被取消。我们认为这在很大程度上是一个测量问题：公开基准回答的是模型能做什么，而部署决策需要回答的是——这个工作流是否适配、可靠、安全并值得扩展，在此地、在我们的数据上、在我们的管控之下？我们提出EnterpriseVal，一个用例级评估系统来弥合这一差距。它包括：（i）用例及被测冻结社会技术配置（模型、提示、检索、工具、护栏与人类监督）的形式化规范，配有自主级别与后果层级，共同决定所需的评估强度；（ii）涵盖保真度、效用、效率、可靠性、保障与监督的指标目录；（iii）通过预测驱动推断以校准的LLM-as-judge评分扩展盲评专家判断的评分协议；（iv）以可执行算法表述的两层阈值门，将带置信界的指标向量映射为REJECT/CONDITIONAL/SCALE决策；（v）将评审员捕获率作为实测参数的价值与风险模型。我们报告在一家全球银行的三个工作流上的试点：在信贷备忘录起草中，最佳模型的人工评分引用精确率达88%、幻觉率1.6%，对应门槛为70%与5%；在流程转换中，分析师的精修工作量从估计的每份文档27.4小时降至2.9小时。我们区分了既有结果、有据可查的试点证据、所提系统与开放假设，并给出完整验证所需的实验。