Tu agente de IA, medido contra el plan que escribiste antes de construirlo.

Empiezas el plan con los actores, riesgos y criterios típicos de salud, finanzas o seguridad de IA, con las restricciones legales en lenguaje llano y su fuente. Sumar un sector nuevo es sumar un archivo de datos, sin tocar código.

Sabes antes de construir si tu plan se puede medir. Un validador sin IA rechaza, con el motivo exacto, criterios sin regla, umbrales sin señal y riesgos graves sin mitigación. El plan aprobado queda sellado con una huella que delata cualquier cambio posterior.

El entrevistador recorre la plantilla del sector de cualquier proyecto y, cuando lo apruebas, el plan se publica en la vitrina como un contrato que dice lo que aún no tiene: trazas, brecha y playground. El primero fue el de los dos agentes de HackGuard.

Lo que el agente decide es literalmente lo que dice el plan. El plan fija sus piezas, cada regla de paso como señal, operador y valor (por ejemplo, «confianza menor que 0,75»), dónde decide una persona y qué debe registrar cada caso.

Pruebas el agente sobre lotes inventados cuya respuesta correcta ya se sabe: casos normales, de borde, incompletos y trampas como instrucciones escondidas o nombres parecidos. Generarlos otra vez da los mismos casos, y un validador impide cualquier dato con forma de uno real.

Ves a un equipo de agentes decidir 200 solicitudes de autorización médica: aprueba, aprueba hasta el tope cubierto, niega con causal legal o pasa el caso a un auditor. Las urgencias se autorizan sin revisar cobertura, y ninguna negación completa sale sin una persona.

Ves a los agentes decidir si un cliente se vincula: leen sus documentos, lo buscan en listas de control, investigan los nombres parecidos y puntúan su riesgo por reglas, sin atributos protegidos. Todo rechazo y todo riesgo alto pasan por el oficial de cumplimiento.

Cada solicitud del demo B termina en un expediente en español e inglés que escribe el código, no la IA. Cada conclusión cita la regla del plan o la coincidencia en una lista, con su versión y su fecha.

Si el agente niega un servicio, aunque sea en parte, sale un documento en español e inglés que arma el código: la causal legal, la regla aplicada, los datos usados, quién decidió y cómo contradecir la decisión.

Corres cientos de casos con la suscripción de Claude Code, de a 20 y con pausas. Si la corrida se corta, retoma donde quedó sin repetir ninguno, y cada caso deja su traza, cada decisión con su señal, en un formato propio y con huella.

Sabes, criterio por criterio y riesgo por riesgo, qué se cumplió y en qué casos no. Un verificador que no usa IA lee el plan y lo que hizo el agente, y escribe el informe en español e inglés, idéntico cada vez que se repite.

Lo que el plan dio por cierto sin probarlo se mide y queda confirmado, refutado o sin probar. En el demo A cayeron dos: dos aclaraciones no bastaron, y varios agentes resultaron más lentos que uno solo.

Pones el equipo de agentes frente a un agente único, con el mismo plan y los mismos 200 casos, y comparas exactitud, tiempo, costo y casos distintos. En el demo A, el equipo acertó más (98 % frente a 90 %) pero tardó más.

planlang pone a prueba su propia vara. Sembró 10 fallas a propósito y el verificador las encontró todas, sin falsas alarmas. Además rehízo las 1.204 decisiones de los agentes en otro lenguaje de programación, con cero diferencias.

Todo lo que se puede resolver con código se resuelve sin IA, y cada pieza del agente que no usa modelo dice por qué. El uso de la suscripción de Claude Code quedó decidido por escrito, con sus términos releídos antes de cada entrega.

Cambias un umbral, como la confianza mínima o el modo Texas, que manda a una persona toda negación, incluso parcial, y ves qué casos cambian de camino, qué errores aparecen y cuánto trabajo humano cuesta. Todo se recalcula en tu navegador, sin ningún modelo.

Ves el diagrama del agente generado desde el código que corrió, no dibujado a mano. Tocas una pieza y aparece qué hace, su código y los casos reales que pasaron por ahí; si falta algo que el plan exige, el diagrama lo señala.

Entiendes de entrada por qué planear importa: según una encuesta de LangChain, el 89 % de los equipos observa sus agentes y el 52 % los evalúa, pero la encuesta ni pregunta si planearon qué evaluar. Debajo, el método en tres pasos y lo medido.

Recorres cada demo en seis pantallas: plan, agente, brecha, playground, casos y fichas, en español o inglés, en tema claro u oscuro y desde el teléfono. Lees como líder, en palabras llanas, o como experto, con la regla detrás de cada cifra.

Cada corrida trae su ficha para obtener otra vez el mismo informe: versiones, huellas, semilla, modelo y fecha. La app arma además su propia ficha y el paquete estático que el Portafolio publica, sin un solo enlace y con la huella de cada archivo.