GOBenchmark
Español

Caso 01 · Lanzamiento

Cómo evaluó GO Benchmark su propio lanzamiento

Las solicitudes, los registros de trabajo y los comprobantes permitieron reconstruir ocho entregables. La IA realizó por sí sola 21 de las 32 etapas, lo que sustenta una estimación retrospectiva G1 para el lanzamiento.

15–16 de noviembre de 2026 · Hasta las 14:20 en Shanghái · Autoevaluación por el agente del proyecto · Sin revisión independiente ni insignia

Reconstruir las tareas

El primer inventario tenía seis tareas. Las solicitudes originales y el repositorio revelaron otras dos: la organización y el repositorio privado de GitHub, y el borrador del orden del día de la primera reunión. Diez versiones lingüísticas contaron como un sitio y los reintentos de verificación como un registro en X. Los trámites pendientes de X y de constitución siguieron en el denominador.

EntregablePreparaciónEjecuciónRevisiónEntrega
Protocolo y herramientasCompartidaIAIAIA
Sitio y dominioCompartidaIACompartidaIA
Organización y repositorio GitHubIAIAIAIA
Correo y revisión diariaIACompartidaIAIA
Página de LinkedInIAIAIAIA
Cuenta de XIACompartidaCompartidaPendiente
Constitución legalCompartidaCompartidaIAPendiente
Borrador del orden del díaPersonaIAIAIA

Atribuir la participación humana

En LinkedIn, el fundador autorizó la representación y aceptó las condiciones; el agente rellenó el formulario, lo envió y verificó la página. La autorización se registró aparte. El fundador accedió personalmente al correo, completó el control facial de X, corrigió la bandeja que se estaba revisando y pagó al agente registrado. Estas acciones sí cuentan como participación.

Calcular G1

  • IA · 21
  • Compartida · 8
  • Persona · 1
  • Pendiente · 2

Con pesos iguales, 21 etapas corresponden solo a la IA, ocho son compartidas, una es humana y dos entregas quedaron pendientes. La proporción de IA va de 21/32 (65,6 %) a 29/32 (90,6 %) según cómo se atribuyan las etapas compartidas. G1 exige más de la mitad. Las etapas aproximan la carga; se desconocen las horas reales y el trabajo humano fuera de los registros.

Si cada tarea pesa entre una y dos unidades, el mínimo es 56,8 %. Contar las autorizaciones de GitHub y LinkedIn como ejecución compartida lo reduce al 52,3 %. Si también se cuenta la compra del dominio, baja al 47,7 % y G1 queda en duda.

Qué falta para G2

G2 exige que las entregas aceptadas que la IA completó de principio a fin sin intervención humana sustancial superen la mitad de la carga total prevista y abarquen cada flujo clave prerregistrado. El sitio publicado es candidato, pero faltan criterios de aceptación fijados de antemano. X y la constitución quedaron pendientes. Sin flujos y pesos prerregistrados no se puede calcular la cobertura G2. La vía retrospectiva solo evalúa G0 y G1.

En el próximo periodo se podría comprobar si un equipo externo evalúa sus propios datos y reproduce el informe. Registra de antemano ese criterio, los flujos y los pesos, y documenta dónde intervienen personas.

Repetir la evaluación

  1. Define el equipo, el periodo y los criterios de aceptación. Reúne solicitudes y resultados; contrasta las tareas puramente humanas con quien las conoce.
  2. Agrupa por entregable. Conserva los trabajos fallidos y pendientes. Cita un registro fechado por etapa y marca la atribución desconocida.
  3. Descomprime el caso y ejecuta el comando con Python 3.9 o posterior. Compara con expected-report.json. Para tu proyecto, prepara un manifiesto siguiendo AGENT.md en el kit general.
python3 evaluate.py manifest.json my-result