政企 Agent 评测：从"能不能做"到"敢不敢上

上个月去一家省级政务云厂商，总监挺兴奋地给我看大屏：他们的政务 Agent 在 GAIA 榜单拿了 60 多分。我问他一句：“那你敢让它在你们市的 12345 热线独立派单吗？”他沉默了几秒，说“还在灰度”。

这几秒沉默，比那个 60 分更说明问题。互联网那套考卷测的是能力上限，政企要的是上岗资格。把通用榜分数直接拿来验收，就像用科目一满分判断一个人会不会开公务车——不代表他不会在十字路口把领导甩出去。

政企评测得看四件事。前两件是能不能做、稳不稳。后两件才是命门：敢不敢用、值不值这个钱。技术方自己定的成功标准，居然只是“接口返回 200”，结果 Agent 把错误请求也返回了 200，上线一个月才被业务方发现。

强流程场景里，偏离审批链路的“聪明路径”一律判失败。一笔补贴跳过二级审批直接发了，哪怕数字对、群众满意，在政务系统里也是违规。评测报告不是 QA 测试单，它是要拿去给审计和网信办交差的治理凭证。

下次有人拿 GAIA 分数汇报，你先别鼓掌。问他三句：这分能拿去给等保测评老师看吗？能给审计看吗？能给市民看吗？