本文系统性地调查了大型语言模型（LLM）在欺诈检测、诈骗调查、内容审核及其他信任与安全（Trust-and-Safety）工作流中的部署证据现状。作者指出，现有公开文献大多将LLM作为独立模型进行评估，而较少关注其在运营流水线中作为组件的实际表现，这导致了决策证据上的关键缺口。为此，论文采用欺诈优先的视角，对49份操作相关的来源进行编码分析，涵盖欺诈检测（18份）、内容审核（14份）和跨领域鲁棒性（17份），并辅以15份上下文参考以确立调查边界。这些来源包括系统、基准、框架和部署相关调查，而非49个实际生产部署。主要发现是证据不平衡：欺诈类文献提供了最多的任务特定证据，但审核类论文更明确地报告了延迟、成本、治理和公平性方面的公开证据。在18份欺诈和调查来源中，没有一份报告了干净的每次决策延迟、每次决策美元成本或校准证据；多数仅报告了离线任务性能、检索增益或案例研究准确率。本文贡献了一个角色与证据组织框架FORTE，用于将LLM定位为分类器、检索接口、解释生成器、审核助手、智能体、特征提取器或升级组件。此外，还提出了一个最小部署证据检查清单，涵盖延迟预算、单次决策成本、决策阈值、解释完整性和对抗压力。最终得出的研究议程指出了支持LLM在欺诈和信任安全工作中部署声明所需的研究。