核查问题：AI在受监管企业上线前必须满足什么条件

# 核查问题：AI 在受监管企业上线前必须满足什么条件

来源：https://arxiv.org/html/2607.28666
（2026 年 7 月）

###### 摘要

企业级 AI 项目以某种速度停滞，这个速度被广泛引用，却很少有解释。本文对这一机制进行了测量。论文在四个模型家族和三种工具配置上，对六类文档密集型工作流（受监管金融服务日常执行的那类）各运行三次，在 72 个配置上产生了 5,093 个经评分的输出元素。每个配置被评估两次：一次对照演示标准，即对单个案例的单次正确运行；一次对照生产标准，后者要求持续准确率、跨重复的可复现性、可验证的依据性，以及一个携带信息的置信信号。72 个配置中有 57 个通过演示标准，32 个通过生产标准，存活率为 56.1%。随后，本文计算每个配置所施加的审查负担，并以样本外方式而非事后方式估计。一个不给出置信度的工具要求对其 100% 的输出进行审查，因为它没有给审查者提供任何分流依据。要求工具引用来源并给出置信度可将其降至 49%，同时令残余误差容忍度在 20 个配置中的 17 个中得以保持。增加自验证环节会带来 2.3 倍于朴素配置的延迟，达到 44%，并且是唯一无法保持误差容忍度的配置。实际启示是：AI 工作流的价值与其说取决于它正确的频率，不如说取决于还有多少输出必须由人工检查；而后一属性是可测量的，却很少被测量。

## 1\. 问题

企业 AI 折损率的统计数据被引用的频率高于被解释的频率。常见的解释包括模型能力、数据质量、集成难度和变革管理。每种都有道理，每种都是断言。

本文提出一种不同的机制并对其进行测量。试点项目被评判所依据的标准与受监管部署必须通过的标准是两种不同的标尺，后者测试的是前者看不见的性质。一个工具可以对着一个文档向一位友好的观众演示一次，并产出正确答案。这项演示无法证明它能否两次产出相同答案、所引用的证据是否真实存在、或它是否知道自己何时出错。这些性质在演示中不可见，在生产中却具有决定性。

本文贡献有三：一套工具、一次测量和一项成本核算。工具是一对验收标准，完整发布，读者可以质疑或应用它们。测量是同一批工具分别对照两套标准评估时所发生的情况。成本核算则是弥合差异所需付出的代价