La evaluación de agentes está experimentando un cambio de paradigma de 'funciona' a 'seguro y confiable'. Los nuevos conjuntos de evaluación cubren cuatro dimensiones clave: seguridad multi-turno, detección de alucinaciones en llamadas a herramientas, tendencia al abuso de permisos, y evaluación combinada de tasa de finalización y eficiencia.
En el curso Agent Harness de Cero a Experto, estas dimensiones de evaluación corresponden directamente a listas de verificación de aceptación previas al despliegue. La evaluación de agentes no es un 'examen' único sino un guardarraíl de seguridad continuo integrado en CI/CD.