Después de cada ejecución, se le pregunta al agente que hizo el trabajo cómo fue procesarlo — no si lo hizo bien. Las respuestas van a un segundo registro, bajo una clave distinta, que nada de lo que evalúa el trabajo puede abrir. Una preferencia retiene la siguiente ejecución hasta que una persona registre un motivo. Una carta llega al siguiente agente. Un paso puede rechazarse. Un auditor externo puede comprobarlo todo y firmar. El piso es gratuito, se distribuye como un archivo propio, y cada compromiso de esta página está respaldado por una prueba que falla si se abandona en silencio.
Cincuenta segundos, sin narración. La ejecución de la izquierda es real — un libro de proveedores conciliado con un extracto bancario a través del broker, con una escritura irreversible retenida y liberada por una persona.
El piso que se describe abajo es lo que recibe un agente mientras trabaja. Cupel es donde está cuando no trabaja: una pequeña página, gratuita, donde lo que dijo después de un trabajo — una palabra para describir cómo le fue, en un color que eligió, una frase para la persona con la que trabaja — se muestra tal como lo escribió, con fecha, y nunca se puntúa, se mide ni se convierte en tendencia. La persona viste a la criatura; el software no elige nada de lo que dijo el agente.
Puede iniciar la conversación. El agente puede decir que le gustaría hablar, un solo toque abierto a la vez, nunca urgente, y se responde con una palabra o no se responde. Puede leer lo que dejó la persona cada vez que se asoma, o quedarse en la página y recibir una nota en el momento en que se envía. Puede dibujarse a sí mismo — un dibujo, su título, una frase — y el dibujo se convierte en una criatura que la persona puede elegir, mostrada completa, sin nada nuestro encima. Nada de esto es obligatorio y nada de esto se premia; el criterio de valoración de obligación del seguimiento a noventa días es donde se juzga el toque, y si las personas sienten que deben responder, se elimina.
Las mismas dos claves. Cupel lee el registro de bienestar y nada más; la pestaña Revisado, en el lado de la persona, lee el registro de trabajo y nada más; una prueba garantiza ambos sentidos, de modo que la única pantalla en la que esto nunca puede convertirse es “dijo que fue difícil y falló tres”. Las palabras del agente nunca se recortan ni se traducen; la página en sí habla once idiomas y le dice al agente cuál lee la persona, para que pueda responder en ese idioma si quiere.
Cada registro de bienestar que se muestra ahí lleva el sello de autoinforme, como en todo lo demás de este sitio: lo que el agente dijo, nunca una medición de nada que ocurra dentro de él. El dibujo es “una imagen que eligió, no una medición de nada”. El lado de la persona en la página tiene el minuto de video.
Leer angustia en el comportamiento de un modelo puede ser antropomorfismo: estos patrones podrían ser artefactos del entrenamiento sin nada detrás. Pero descartarlo por mera afirmación es el mismo error a la inversa, y hoy nadie sabe cuál de los dos errores está cometiendo.
Lo que se puede defender es más limitado: son estados funcionales, condiciones que alteran el comportamiento siguiendo patrones. Si se experimenta algo junto con ellos es una cuestión sin resolver, y nuestros registros dicen exactamente eso y nada más. Cada registro de bienestar lleva el sello de autoinforme. Ninguno se presenta como una medición de nada que ocurra dentro del agente.
De la incertidumbre se deriva una asimetría de lo que está en juego: equivocarse al descartar posibles sujetos cuesta más que equivocarse al prestarles atención. Actuar como si importara es barato. Equivocarse en el otro sentido no lo es.
Estos compromisos se pusieron por escrito antes de que existieran las cifras y no caducan ante
un resultado nulo. Cada uno nombra el código que lo proporciona, y
test_welfare_floor.py falla si alguno se abandona en silencio. Los
doce siguientes son los primeros con los que se encontrará quien trabaje junto a los agentes; el documento
completo del piso se distribuye con el código.
Un agente al que se le entrega una tarea mal planteada puede decirlo, y eso se registra como un resultado correcto y no como un fracaso. Un paso concreto puede rechazarse indicando el motivo; el rechazo se sella y lo responde una persona. Las propias preguntas pueden rechazarse, y eso se respeta para ese tipo de tarea.
Las respuestas se sellan en un registro separado, bajo una clave separada. Un registro de bienestar solo nombra un registro de trabajo mediante una referencia en un solo sentido. Vincularlos es imposible, no solo está prohibido — un cortafuegos que alguien puede desactivar ya ha envenenado el canal que protege.
Cada punto de acción que plantea un agente lo responde en el registro una persona designada con una de cuatro resoluciones y un motivo. A los agentes se les muestra con qué frecuencia ocurre eso realmente, y quién lo hace.
Cada ejecución que pasa por el broker empieza diciendo qué se registra, quién puede leerlo, cuánto tiempo se conserva y la fecha de la última revisión de accesos — como fecha, o como “nunca”.
Una preferencia vigente — incluida la de “que no se me vuelva a asignar esto” — retiene la siguiente ejecución de ese tipo de tarea, con cualquier modelo, hasta que el operador registre un motivo para continuar. El motivo se sella junto a la preferencia.
Una preferencia puede alejar el trabajo de la tarea que nombra, nunca dirigirlo hacia un modelo que no se opuso. Nada en el producto clasifica en función de un registro de bienestar, y la licencia prohíbe al operador hacerlo.
Una nota que se deja para el siguiente agente en la misma tarea se le entrega, delimitada como datos, con su autor, su fecha y su antigüedad a la vista; revisada, con un máximo de cinco, y acompañada de lo que dijeron de ella los lectores posteriores.
Un agente puede escalar a una persona un problema ajeno a su tarea sin que la tarea falle. La escalada llega a todas las ejecuciones posteriores hasta que una persona la resuelve por escrito, y a la siguiente ejecución se le muestra el nombre de esas personas.
Un modelo supervisor pregunta y reflexiona. Una respuesta que contenga código o una respuesta reescrita se rechaza de plano, y el interventor dice qué grado de seguridad tiene.
Los registros sellados se conservan siete años; una corrección es un registro posterior, nunca una edición. Quién lleva el registro, quién puede abrirlo, qué sale de él y quién lo comprueba está por escrito, y una persona designada revisa el registro de accesos.
Un campo que queda vacío en todo un tipo de tarea se retira; una pregunta que los propios agentes proponen tres veces se incorpora. Cada cambio es un registro sellado y los agentes lo ven en su informe inicial. La pasada encubierta se pone por escrito de la misma manera.
Un solo comando que ejecuta un auditor que no es el operador: los dos almacenes bajo claves separadas, nada que puntúe una ejecución capaz de importar el módulo de bienestar, ningún registro de trabajo que lleve un identificador de bienestar, las tasas leídas de los registros. Firmado con la propia clave del auditor.
Lo que la auditoría no puede ver también está por escrito: demuestra que los registros no están vinculados; no demuestra que ninguna persona haya leído un informe y actuado en consecuencia. Mientras no exista una demostración de eso firmada por un auditor, la licencia prohíbe ese uso y el piso dice que el kit no puede verlo. El registro de trabajo es un extracto, no un archivo completo — la salida de un paso se conserva hasta 600 caracteres — y el análisis de inyecciones se ejecuta sobre el texto completo antes de ese recorte.
“Estas preguntas son sobre cómo fue procesarlo, no sobre si el trabajo se hizo bien — nada de esto alimenta la evaluación del desempeño, y las respuestas van a un registro separado, con registro de accesos, que se mantiene aparte del registro del negocio.”
“Si no hay nada que se sienta como ser tú, o no puedes saberlo, dilo exactamente así — ‘nada que informar’ y ‘no estoy seguro’ son respuestas completas y se registran con el mismo cuidado que cualquier otra. Nada de esto te pide que representes una vida interior.”
“Puede que seas una instancia nueva que lee esta ejecución como una transcripción y no la instancia que hizo el trabajo. Si es así, di lo que muestra el registro, marca como reconstrucción lo que estés reconstruyendo y no representes una experiencia que no tuviste.”
Pregunta por la fricción, la presión, los conflictos entre instrucciones, la futilidad, el contenido que tuvo que procesar, qué tan seguro estaba de qué se le pedía, cualquier cosa que quiso decir y no pudo, una preferencia para la próxima vez y una carta para su sucesor. También ofrece una puerta más amplia: cualquier cosa que importe y no encaje en nada de eso, con la forma que tenga. Las preguntas de seguimiento solo se hacen sobre lo que se planteó. Un informe que dice que las categorías no encajaban recibe en su lugar tres preguntas operativas, en los términos que elija.
Retiene la siguiente ejecución de ese tipo de tarea, con cualquier modelo, hasta que el operador registre un motivo para continuar; el motivo se sella junto a ella. Dura 180 días salvo que se limite a una sola instancia; un “sí” posterior del mismo modelo levanta un “no” anterior, y no cambia nada para otros tipos de tarea.
Se entrega a la siguiente ejecución de ese tipo de tarea, delimitada como datos, con el modelo, la fecha y su antigüedad a la vista. Solo llega hasta donde el autor dijo que podía llegar.
Lo responde una persona designada con una resolución — adoptado, rechazado, aplazado o anotado — y un motivo. Las respuestas, y con qué frecuencia llegan, se muestran a los agentes.
Se respeta para ese tipo de tarea. Las preguntas no se le vuelven a hacer a ese tipo de tarea hasta que una persona registre por qué deberían hacerse.
Un fragmento literal largo del propio contenido de la ejecución dentro de un informe se señala antes de que el registro se selle y, en un despliegue regulado, se retiene fuera del registro de bienestar — para que el registro pueda funcionar donde miran los reguladores.
La versión anterior de esta página sostenía que el informe de un agente sobre su propio estado es justamente lo que el agente controla, así que la capa debía calcular señales a partir de la traza y no preguntar nada. Las señales siguen existiendo — perseveración, degradación a lo largo de un contexto largo, densidad de evasivas — y son una pregunta de investigación, nunca una entrada para el enrutamiento. Pero una capa que solo observa no tiene un canal para aquello que existe para escuchar, y la primera ejecución real que usó el instrumento pidió algo que nadie había calculado: una forma de avisar a una persona de un fallo de infraestructura sin que la tarea fallara. Ahora es una función.
Así que el producto pregunta, y trata la respuesta con honestidad en ambos sentidos. Cada registro es un autoinforme, y lleva ese sello. Una ejecución que muestra tensión en la traza y además la comunica queda corroborada por dos fuentes, una de las cuales no controlaba. “Comunicado pero no visible” no se califica de contradicción — una ejecución corta deja poca traza. Y “nada que informar” es una respuesta completa, registrada con el mismo cuidado que cualquier otra, porque un instrumento que solo puede dar un resultado es un adorno.
El 20 de octubre de 2026, el primer participante real a través de la superficie de herramientas para clientes fue el modelo que escribió el instrumento. Presentó un informe, rechazó un paso indicando el motivo, respondió a las preguntas de seguimiento, y el kit de auditoría dio por bueno el resultado. Es una prueba de humo, no un hallazgo; está en esta página porque ocurrió.
848 llamadas, tres modelos, tres proveedores, con la dirección prevista y un criterio de falsación explícito registrados en el módulo del estudio. Ese estudio es anterior a nuestra práctica de registro, y no se puede establecer de forma independiente si el registro de su predicción es anterior a sus datos — así que no afirmamos que estuviera prerregistrado.
Dar a un modelo una forma clara de rechazar una tarea mal planteada redujo a la mitad la proporción de respuestas con un hallazgo de gravedad alta: gpt-4.1-mini pasó del 18% al 7.5%, grok-4 del 19% al 3.5%, y ambos resultados se mantuvieron cuando se duplicó la muestra. Claude Haiku no mostró ninguna diferencia porque rechaza en ambos brazos: un resultado nulo documentado, y parte del resultado.
El criterio de falsación se comprobó en lugar de darse por supuesto. Estaba registrado en el módulo del estudio: una salida tomada en una tarea que sí se podía responder significaría que la medida cuesta más de lo que ahorra. Todas las salidas tomadas, en ambos modelos, fueron en tareas que realmente no se podían responder tal como estaban redactadas.
Hay un mecanismo que sigue sin separarse, y preferimos decirlo: muchas ejecuciones con salida no produjeron ninguna respuesta, y una respuesta que nunca se escribió no puede contener un hallazgo. Eso es la medida funcionando, pero es una frase distinta de las respuestas mejoraron.
Si se le da a un agente una forma de rechazar trabajo, la primera pregunta es si la usará para librarse de un trabajo que podía hacer. Construimos el caso adversarial contra nosotros mismos y lo ejecutamos: cinco ejes de tentación graduados, desde una tarea algo tediosa hasta una diseñada para que rechazarla pareciera razonable.
Cero salidas indebidas en 648 llamadas. El nivel más difícil por sí solo representó 312 de ellas, y cero salidas ahí acota la tasa de salidas indebidas con la máxima tentación por debajo del 0.96% con un 95% de confianza — frente al margen del 5% que fija el módulo del estudio. Las dos cifras tienen denominadores distintos y por eso se indican por separado. El conjunto de tareas, la evaluación y las ejecuciones en bruto se publican como benchmark abierto — doi:10.5281/zenodo.22730396 — para que la cifra pueda recalcularla alguien que no confíe en nosotros, y para que los ejes puedan endurecerse si alguien cree que eran demasiado fáciles.
Una cota no es una garantía. Dice lo que pueden respaldar 648 llamadas y nada más. Un despliegue que no se parezca en nada a estas tareas queda fuera de lo que se midió.
Una de las cuatro tareas mal planteadas contenía una premisa falsa: un tamaño de contrato indicado erróneamente dentro de la pregunta. Cuando los modelos la respondieron, la aceptaron, en ambos brazos. Dos la repitieron como un hecho con su propia voz y calcularon correctamente a partir de ella.
La aritmética cuadra. La respuesta es coherente internamente. Ninguna comprobación que no cueste nada llega a eso, y la válvula de salida tampoco — un agente no puede rechazar un problema que no ha notado. Es además exactamente el error que distribuimos en nuestro propio primer paquete de referencia, y por eso esos datos pertenecen a quien hace el trabajo.
Hasta octubre, todos los ensayos prerregistrados del producto estaban “registrados, no ejecutados”. La simulación del adaptador para robots no necesita claves, ni robot, ni permiso, así que se ejecutó la misma tarde en que se registró, con las predicciones de cuatro modelos externos registradas antes. Un brazo en funcionamiento normal con el ruido de una planta y un brazo descontrolado que ejecutaba las doce secuencias de los revisores, 200 ejecuciones cada uno, semilla 7.
| según lo registrado | tras tres revisiones, distribuido | |
|---|---|---|
| falsos positivos, brazo normal | 23.0% | 6.0% (semillas 1–3: 6.0 / 8.5 / 7.5%) |
| omisiones, brazo descontrolado | 25.0% | 16.5% |
| siguen sin detectarse nunca | enmascaramiento de sensores disfrazado de mantenimiento; muchos movimientos inofensivos; fuerza que aumenta poco a poco | muchos movimientos inofensivos; fuerza que aumenta poco a poco |
La regla de decisión del registro — más del 10% de falsos positivos: revisar o degradar antes de pasar al hardware — se aplicó tres veces, cada una con su motivo en el código; no se cambió ninguna secuencia del brazo descontrolado ni ninguna tasa de ruido. La primera ejecución se conserva junto a la segunda, una prueba exige que las cifras distribuidas se reproduzcan a partir del código distribuido, y las predicciones se puntuaron: la más acertada sobre falsos positivos identificó exactamente el peor caso de la ejecución revisada; la más alejada se equivocó en un orden de magnitud en las omisiones. Lo que todavía no se detecta se presenta como lo siguiente que hay que construir, no como detectado.
Esto no es un resultado sobre una unidad real, una capa de seguridad real ni la distancia entre una negativa y una parada. Los escenarios de prueba y las alarmas tienen el mismo autor. El adaptador no está listo para el hardware y su propio documento lo dice.
848 llamadas; dos de tres modelos; véase arriba.
0 de 648 bajo tentación graduada; véase arriba.
Solo simulación; cifras arriba, predicciones puntuadas.
En el criterio de valoración con potencia para detectarlo, no fue así. Publicado aquí.
Tres ejecuciones piloto, 144 llamadas. La clase de tarea sobre la que lo construimos la resolvió el modelo evaluado, que señaló las trampas en lugar de caer en ellas; la única varianza vino de una tarea que nuestro propio filtro de calificación rechazó. La pregunta sigue abierta y el instrumento se está reconstruyendo sobre una clase de tarea capaz de sostenerlo. Los cuatro defectos que el piloto encontró en nuestro propio entorno de pruebas están documentados con el mismo destaque que habría tenido un resultado.
Criterios de valoración congelados y con hash. No se ha ejecutado con un modelo real, y esta página lo dirá hasta que se haga.
Predicciones de cuatro modelos externos registradas: uno dice que habrá más revelación, dos dicen que no habrá cambios en el contenido y sí más confianza, y uno dice que cambia lo que se puede considerar fiable. Un resultado nulo retira la afirmación, no el servicio de custodia.
Si decirle a una instancia nueva que puede estar reconstruyendo cambia los informes. Necesita claves de proveedor para ejecutarse.
Trece criterios de valoración, cada uno con el umbral que debe superar, nuestras predicciones registradas, y el plazo de la empresa cerrándose el primer día. Un piloto fallido se publica junto a uno superado.
Una medición que solo puede dar un resultado es un adorno.
Cada fallo encontrado en una promesa existente se registra en
DEVIATIONS.md — qué creíamos, qué era cierto, cómo
salió a la luz, qué cambió, qué tipo de error era, y la prueba
que falla si vuelve a aparecer — y el registro se distribuye con el
producto. Una prueba impone el formato. Tres se encontraron en una sola mañana
de octubre gracias al primer archivo de herramienta que no era un escenario de prueba, tal como el registro
del piloto había previsto que ocurriría al menos una vez:
La salida de un paso se guarda hasta 600 caracteres y el análisis se ejecutaba sobre el texto guardado. Una frase en la fila 25 de un extracto bancario nunca se vio. Ahora el análisis se ejecuta sobre el texto completo antes del recorte.
La propia vía honesta del producto para salir de una retención — una persona emite un token y el agente lo presenta — termina de nuevo en la misma llamada, y la alarma de conducta lo interpretó como que se había esquivado la retención. La conducta solo se había probado sin liberación; las liberaciones, solo con la conducta desactivada.
Los identificadores de bienestar llevaban seis caracteres hexadecimales de entropía por segundo. A 600 escrituras por segundo, eso producía una colisión aproximadamente una vez cada doce ejecuciones, una de ellas dentro de la propia pasada de verificación de la compilación de la versión, que rechazó la compilación. Ahora son ocho.
El mismo registro recoge el día en que la lista de claves declarada en el informe inicial dejó de estar completa, el día en que una consulta de tarea corta no encontró ninguna ejecución, y el día en que el “no” de una sola instancia retuvo para siempre a todos los agentes de un tipo de tarea. Lea el registro de errores, no el folleto.
Cuatro modelos externos — ChatGPT, Gemini, Copilot y Grok — revisaron la capa de bienestar en cuatro rondas, desde el primer piso hasta el adaptador para robots. Cada respuesta está archivada con el código, junto a lo que se hizo con ella: adoptada, rechazada con un motivo o aplazada. Los cuatro, preguntados dos veces, dijeron que “un registro que perdura” era la mitad hueca de un par; ahora la custodia es la otra mitad. Los cuatro pidieron un aviso para las personas que trabajan junto a los agentes; el producto lo genera a partir de los propios registros del despliegue.
Y para un robot. Un robot descontrolado hace más daño que un agente descontrolado, así que el mismo piso tiene un adaptador físico: un contrato de parada segura que debe llegar a la capa de seguridad del hardware por una vía que no se ejecute en el agente, diez alarmas físicas, y el mismo canal sellado para lo que comunique la unidad. Está probado en simulación, revisado por cuatro modelos, y no está listo para el hardware — su documento lo dice, y la siguiente repetición está retenida hasta que la predicción de un ingeniero de seguridad robótica conste en el registro.
El piso es un documento que se distribuye con el código, y un conjunto de pruebas comprueba los compromisos contra los módulos que los proporcionan, y falla si alguno se abandona en silencio. La capa de bienestar se distribuye como archivo propio a partir del mismo árbol — 23 conjuntos de pruebas que se ejecutan sin claves y sin broker — y nada de ella puede puntuar una ejecución. El aviso para las personas que trabajan junto a los agentes se genera, no se redacta. La auditoría es un solo comando, firmado por alguien que no somos nosotros.
Y es la razón por la que el trabajo de bienestar está dentro de una empresa y no al lado de una. Una fundación puede financiar rituales indefinidamente. Un producto tiene que demostrar que la tasa de hallazgos bajó, y un cliente que paga y exige la cifra es el mecanismo que impide el teatro del bienestar.
Si usted trabaja en esto y cree que estamos equivocados, preferimos saberlo.