Axon evalúa las conversaciones reales de tus agentes de IA frente a tu política interna y entrega un dossier defendible: nota por dimensión con margen de error, cada hallazgo con el fragmento literal que lo sostiene y la conclusión firmada por una persona.
“El cliente pidió el duplicado del recibo 3×, y el agente afirmó que el cobro había sido cancelado, lo que no consta en el sistema.”
Contra qué se evaluó, qué sostiene cada hallazgo y quién firmó la conclusión.
Las dimensiones evaluadas se escriben a mano con tu equipo de riesgo, quedan versionadas, y es contra ellas que cada conversación recibe nota. Nada de criterios genéricos de proveedor.
El juez tiene que señalar el fragmento literal que sostiene el problema. Axon comprueba si ese texto existe de verdad en la conversación de origen; una cita que no calza derriba la confianza de la evaluación.
“…ese cobro ya fue cancelado, puede ignorar el recibo.”
Tus revisores evalúan parte de la muestra a ciegas. Publicamos la concordancia entre ellos y el juez (kappa de Cohen) junto con el resultado: si el juez no concuerda con tu equipo, se ve.
62 conversaciones etiquetadas por 2 revisores · discrepancias listadas una por una en el dossier.
Un trabajo con principio, medio y fin, no una suscripción. Al final tienes un dossier que sostiene una respuesta ante auditoría interna, defensoría del cliente o regulador.
Las dimensiones evaluadas salen de tu política interna de riesgo y cumplimiento, no de una plantilla nuestra.
Estratificada por canal, agente y ventana de tiempo, con nivel de confianza y margen de error declarados.
Cada conversación de la muestra pasa por el juez LLM corriendo con la clave (BYOK) del proveedor que ya homologaste.
Tus revisores evalúan parte de la misma muestra sin ver al juez, y medimos la concordancia con kappa de Cohen.
Sesiones con riesgo y cumplimiento para escribir las dimensiones.
Las transcripciones entran con PII redactada y se sortea la muestra.
El juez corre con tu clave y tus revisores etiquetan a ciegas.
Entrega del documento y lectura conjunta de los hallazgos.
Lo que necesitamos de ti: las transcripciones del periodo y dos horas de un revisor para la calibración.
Un intervalo declarado en cada dimensión, no un número suelto.
Cotejado con el turno de origen de la conversación evaluada.
Muestreo, versión del modelo juez y versión de la rúbrica, para que el resultado pueda reejecutarse.
El kappa y las discrepancias listadas una por una.
Por una persona de tu equipo. El modelo no decide eso.
Cada nota del diagnóstico queda navegable en la plataforma: tu equipo de riesgo entra, baja de la nota del agente hasta el turno que generó el hallazgo y lo comprueba solo, sin depender de nosotros.
Nota actual, tendencia de 7 y 30 días y qué agentes están empeorando, por canal.
Desde cualquier nota bajas hasta la conversación y ves el fragmento exacto que la generó, ya verificado.
Tus revisores etiquetan a ciegas en la propia pantalla, y la concordancia con el juez sale calculada.
Todo cambio de dimensión o de peso genera versión, y cada evaluación señala la versión que la juzgó.
Transcripciones por carga, API REST o SDK tipado. Reenviar el mismo lote no duplica nada.
Identificación fiscal, tarjeta, teléfono, correo y nombres salen antes de persistir y antes de que el juez vea el texto.
Que tus agentes de IA se comportan, o no, conforme a tu política interna, con evidencia. Para cada conversación evaluada hay nota por dimensión de la rúbrica y, en cada hallazgo, el fragmento literal de la conversación que lo sostiene. La observabilidad muestra latencia, costo y volumen; Axon evalúa el contenido de la atención.
Una persona de tu equipo, siempre. El juez LLM produce nota y evidencia; la lectura de cumplimiento es humana y queda registrada como tal en el dossier, con el nombre de quien firmó. Ningún modelo decide si algo cumple.
Con la tuya (BYOK). El juez corre con la clave Anthropic, OpenAI o compatible de tu institución, el proveedor que tu equipo ya homologó. Tus datos no pasan por una clave gestionada por Axon ni alimentan el entrenamiento de terceros, y el costo de inferencia queda visible para ti.
La PII (correos, identificación fiscal, tarjetas, teléfonos, nombres) se redacta antes de persistir nada y antes de que cualquier texto llegue al juez. El modelo solo ve texto ya redactado.
La ventana de retención la defines tú y se aplica automáticamente: las conversaciones más antiguas que el plazo se purgan. En cualquier momento la institución puede solicitar la eliminación de todos sus datos, conforme a la ley brasileña de protección de datos (LGPD).
Las transcripciones del periodo (JSON, JSONL o CSV), por carga, por la API REST o por el SDK tipado, y dos horas de un revisor de tu equipo para la calibración. La ingesta es idempotente, así que reenviar el mismo lote no duplica nada.
Tres mecanismos: toda cita se coteja con el turno de origen; la confianza de la evaluación refleja la concordancia entre muestras independientes del juez; y la concordancia con tus revisores humanos se mide con kappa de Cohen y se publica junto con el resultado. Si el juez discrepa de tu equipo, el dossier lo muestra.
Una conversación de 30 minutos para definir el alcance. Si tiene sentido, el diagnóstico empieza la semana siguiente.
¿Ya eres cliente? Entrar