很多企业花了钱上AI，半年后老板问「到底有用没」，没人答得上来——因为上线前就没定怎么度量。AI落地最容易被忽略的一步，恰恰是评估：没有基线和指标，所有「效果好像好了点」都是自欺。评估不是上线后的事，是立项时就要写进验收标准的。本文给一套能直接抄的指标体系，以及怎么用回归思路验证AI真的有功。

为什么评估比模型更难

模型准不准有准确率、召回率，但「对企业有没有用」是另一回事。一个客服机器人准确率95%，但如果只接住了最容易被省下的简单问题，省下的人力可能还不如它占的接口费。评估难在因果：业务指标变好，真的是AI的功劳，还是正好赶上旺季？所以评估要同时解决两件事——度量指标要选对，归因方法要严谨，缺一不可。很多企业栽在「只报模型指标、不报业务指标」，汇报漂亮、算总账亏钱，半年后才发现AI根本没省到钱。

先定基线：没有「前」就证不了「后」

上线前必须记录当前业务指标，这就是基线。客服场景记人工解决率、平均响应时长、转人工率；质检场景记漏检率、客诉率；报表场景记制作耗时。基线的要求是「可对比的同口径」：同一时段、同一口径、同一范围。常见错误是上线后换了统计口径，把好看的当成效。建议立项当天就把基线写进文档，锁定，后面只跟它比，避免有人悄悄挪标尺。

核心指标怎么选

按场景给一套：客服看「AI独立解决率、转人工率变化、CSAT」；营销看「有效跟进量、响应率、转化率」；内部提效看「单任务工时、人天节省、错误率」；预测类看「预测准确率、缺货率、周转天数」。每个场景挑3到5个主指标，宁少勿杂，多了没人看。指标要能追溯到具体动作，比如「人天节省」要能说出省在哪个环节、谁验证的。指标定完，挂成周看板，owner每周过目。一个常见反例是只盯「AI调用次数」当成效，调用多不代表有用，得回到业务结果，否则看板越漂亮越误导，老板更信错了方向。

灰度对比：用AB或前后对照证因果

想证明「是AI的功劳」，最便宜的方法是灰度：切10%到20%流量给AI，和原流程同跑两周，用真实数据对比。没法做AB的，用中断时间序列——AI上线前四周和上线后四周比，扣除季节性趋势看净变化。注意外部因素要控制：大促、组织调整会干扰，分析时标注。很多项目烂在「老板觉得不错」式定性验收，半年后算总账才发现没省多少钱，灰度能把这种自欺拦在最早。

回归验证：AI贡献能不能被算出来

进阶玩法是用回归把AI的贡献从混杂因素里拆出来。比如设「是否启用AI」为变量，控制行业、季节、客群等，跑回归看AI对转化率的净效应和显著性。做法不复杂，用现成统计库就能跑，价值是给管理层一个「可信的因果数字」而非感受。中小企不一定做这么重，但至少要用灰度前后的差异，减去同期大盘自然波动，得到AI的净贡献。能说出「净提升X%」，预算才好续。中小企不必请数据科学家，用现成的表格和统计函数就能跑通，关键是养成「用证据说话」的习惯，而不是凭老板心情定下一期投不投，那样AI预算永远在赌。

长期看板与防退化

评估不是上线那一下，是持续动作。模型会随数据 drift 退化，所以看板要长期挂：周看主指标、月看趋势、季度复盘。设阈值，比如独立解决率掉到65%以下就触发复盘。同时记录bad case数量，看人工回流是否跟上。没有长期看板的AI，三个月后悄悄变菜也没人知道。见过最可惜的案例：模型上线时解决率70%，半年掉到58%无人察觉，因为没有长期看板，等业务发现时已丢了大批客户。把评估做成「日常仪表盘」，AI的价值才看得见、守得住，下一期预算也才批得下来。

AI落地值不值，靠评估说话而非感觉。立项就锁基线、按场景选3到5个主指标、用灰度或回归证因果、把看板长期挂起来——把这套做成公司立项SOP，企业就不再是「听说AI有用」盲目投，而是「测出AI有用」精准投。