Demostrar que tu agente hace lo que debe, antes y después de cada cambio de modelo o de prompt.
Un agente que consulta datos, rellena formularios o actúa en nombre de un usuario no se puede validar leyendo unas cuantas respuestas. Hay que comprobar su trayectoria: qué herramienta eligió, con qué datos, si respetó sus límites y si supo parar o pedir ayuda.
Construyo y opero agentes en producción en el departamento de IA de una multinacional europea, sobre Amazon Bedrock AgentCore, con identidad corporativa y límites estrictos. Mi agente público tiene 138 tests automatizados, incluidos casos adversariales.
Sprint de evaluación de 2 a 3 semanas, desde 6.000 €. Tu equipo se queda el harness, las métricas y la documentación.
Sí. Evalúo el comportamiento observable del agente, sea LangGraph, un SDK de proveedor o código propio.
Una evaluación documentada y repetible es evidencia útil de control y supervisión. No sustituye al asesoramiento jurídico.