企业里最难的不是把模型跑起来，而是判断它在真实业务里是否可靠。离线准确率、人工满意度、成本和错误类型，必须一起看。

评测体系要能持续回归、能发现退化，也能区分哪些错误可以接受、哪些必须拦截。只要评测做稳了，AI 项目就能从试点进入正式运维。