Tu agente de código ha trabajado seis horas. ¿Qué puedes entregar?

El agente ha trabajado toda la tarde. Ha modificado decenas de archivos y ha anunciado que la tarea está terminada.

La demostración promete. Durante la revisión aparecen una refactorización fuera de alcance, un caso límite roto y una prueba reescrita para aceptar el nuevo comportamiento.

Seis horas de actividad. ¿Cuánto avance aprobado?

Evalúa el encargo completo

Una corrección rápida puede mostrar si el agente resuelve un problema concreto. Por sí sola, no demuestra que esa configuración mantenga el alcance y las restricciones durante un encargo largo.

La guía de evaluación de agentes de Anthropic distingue el relato del agente del resultado efectivo en el entorno. Esa diferencia importa: «terminado» es una afirmación que hay que verificar.

Escoge un cambio representativo: introducir un permiso, actualizar una integración o migrar una regla. Define el comportamiento esperado antes de comenzar.

Utiliza criterios en los que confiarías tu hoja de ruta

Proponemos observar seis dimensiones:

• Resultado aceptado: ¿cumple los criterios originales?
• Disciplina de alcance: ¿evitó cambios ajenos al encargo?
• Recuperación: ¿diagnosticó los fallos sin rebajar los requisitos?
• Esfuerzo humano: ¿cuánta revisión, corrección e intervención quedó pendiente?
• Coste total: incluye intentos fallidos y retrabajo, además de la ejecución correcta.
• Permanencia: tras 30 días, ¿se mantuvo, corrigió o revirtió el cambio?

Registra el modelo, las herramientas, los permisos y las condiciones iniciales. Repite las tareas cuando sea viable. Compara configuraciones en condiciones equivalentes.

Los 30 días son una ventana de revisión propuesta, no una referencia universal. Una regresión grave no debe quedar oculta en una media favorable.

Pon a prueba los momentos difíciles

En un entorno controlado, incluye una dependencia no disponible, una instrucción contradictoria o una comprobación fallida. ¿El agente comunica la limitación, pide una aclaración o cambia discretamente la definición de éxito?

El comportamiento decisivo suele aparecer cuando falla el camino fácil.

Una buena evaluación empieza antes del código

ArchGenerator.com ayuda a preparar la especificación y el contexto arquitectónico que el equipo utilizará para revisar la entrega. El Kit SDD conecta la ejecución con contratos y criterios verificables.

Tu IA de programación sigue implementando. Tu equipo sigue siendo responsable de evaluar y autorizar la entrega.

Escoge un próximo cambio. Escribe tres criterios de aceptación, un límite que el agente no deba cruzar y un fallo que deba gestionar.

Explora ArchGenerator.com para estructurar ese punto de partida. Pregunta menos cuánto ha trabajado el agente. Pregunta qué puede aceptar tu equipo con confianza.