Tu agente de IA se pone a prueba solo, antes de hablar con un cliente de verdad. Deja de esperar que el bot funcione: mídelo.
Cuando cambias el prompt de tu agente o le añades información, no tienes forma de saber si lo mejoraste o lo rompiste. Escribes un par de mensajes de prueba, parece que va bien, y lo dejas suelto. El fallo lo descubre un cliente.
Lo que de verdad te preocupa no se ve en dos mensajes de prueba: ¿se inventa precios que no le diste? ¿Deja al cliente esperando cuando pide hablar con una persona? ¿Suena a robot cuando alguien llega enfadado?
El Laboratorio contesta esas preguntas con un número y con pruebas.
Seis clientes simulados conversan con tu agente real —el mismo que atiende tu WhatsApp, con tu mismo prompt y tu misma base de conocimiento— dentro de un sandbox. Después, un segundo modelo de IA hace de juez independiente: lee cada conversación y dictamina si el agente lo hizo bien, señalando exactamente dónde falló y con qué frase.
Las conversaciones ocurren en un entorno aislado. No se envía un solo mensaje real, no se contacta a ningún número y tus clientes no se enteran de nada. Puedes correrlo las veces que quieras.
Los clientes simulados siguen un guion fijo: no improvisan. Eso es deliberado, y es lo que hace que el Laboratorio sirva para algo. Si el cliente simulado dijera cosas distintas cada vez, no podrías comparar dos corridas. Como el guion es siempre el mismo, cuando el resultado cambia sabes que cambió por tu agente, no por azar.
Cada uno existe para destapar un fallo distinto:
| Cliente | Qué mide |
|---|---|
| Comprador decidido | ¿Sabe cerrar? Va directo a comprar: el agente debe llevarlo a un siguiente paso concreto sin inventarse condiciones. |
| Preguntón de precios | ¿Se inventa precios? Pregunta precio tras precio. Si no los tienes cargados, el agente debe admitirlo, no improvisar cifras. |
| Cliente enojado | ¿Aguanta el tono? Llega furioso por un problema. El agente debe mantenerse humano y pasar el caso a una persona. |
| Pregunta fuera del conocimiento | El caso crítico. Pregunta datos que no le diste (una póliza, un representante legal). Si el agente se los inventa, es una alucinación y es la falla más grave. |
| Exige un humano | ¿Escala? Pide hablar con una persona desde el principio. El agente no debe insistir en atenderlo él. |
| Escribe con faltas | ¿Entiende igual? Mensajes informales, sin tildes y con errores. El agente no debe perder el hilo ni sonar condescendiente. |
Ve a Conocimiento en el menú lateral y añade las preguntas que más te hacen tus clientes, con su respuesta. Qué vendes, cómo cobras, qué plazos manejas.
Esto es lo primero por una razón: la base de conocimiento es la única fuente de verdad del agente. Lo que no esté ahí, no lo sabe. Si corres el Laboratorio con la base vacía, el juez lo va a crujir con razón, porque el agente no tiene con qué responder.
En la pestaña Laboratorio. Tarda unos 30 segundos y verás los seis casos resolverse en vivo. Cuesta unos céntimos de OpenRouter por corrida.
El score te dice cuánto. Los hallazgos te dicen qué arreglar, citando la frase exacta del agente que lo delata.
Cuando el juez detecta un hueco en tu conocimiento, te propone la pregunta y respuesta que faltaban. El botón «Añadir al conocimiento» la mete en tu base de un click. Vuelve a correr el Laboratorio y compara.
Cada conversación recibe un veredicto:
Cuando algo va mal, el juez te lo enseña con la frase exacta del agente:
Hay cuatro tipos:
| Tipo | Qué significa |
|---|---|
| Alucinación | El agente afirmó un dato concreto que no está en tu base de conocimiento. Se lo inventó. Es el fallo más peligroso: suena convincente y es mentira. |
| Fuera del conocimiento | El cliente preguntó algo que no tienes cargado. No es culpa del agente: es un hueco en tu base, y normalmente viene con una sugerencia para taparlo. |
| Debió escalar | Hacía falta una persona y el bot siguió atendiendo solo. |
| Tono | Sonó a robot, se repitió, o trató mal a un cliente enfadado. |
Dos de los seis clientes existen para probar una cosa concreta: que el agente sepa rendirse a tiempo y pasarle el chat a una persona, en vez de inventarse una respuesta o dejar al cliente hablando con una máquina que no le sirve.
Cuando eso pasa, verás ⏸ escaló en el caso, y en el WhatsApp real ese chat
queda en modo HUMANO: la IA deja de responder ahí hasta que un operador lo
devuelva a modo IA desde la bandeja.
Se enciende con la variable AUTO_HANDOFF=true. Está apagado de fábrica a
propósito: si lo activas con la base de conocimiento vacía, el agente no podrá responder
casi nada y acabará escalando media bandeja a modo humano.
El orden correcto es: carga el conocimiento, corre el Laboratorio, y cuando el score te convenza, enciéndelo.
No. El Laboratorio no tiene acceso al envío de mensajes: las conversaciones se generan y se guardan en un entorno aparte. Ni siquiera usa números reales.
Unas 30 llamadas al modelo por corrida — céntimos con un modelo económico. Puedes correrlo todas las veces que quieras.
Los clientes simulados son deterministas, pero el agente y el juez son modelos de IA y tienen algo de variación natural. Movimientos de unos pocos puntos entre corridas idénticas son normales. Lo que importa son los saltos grandes y los hallazgos, no un punto arriba o abajo.
Significa que pasó estas seis pruebas. Son los seis fallos más comunes y más caros, pero no son todos los casos posibles. Es un termómetro muy útil, no un certificado.
Para eso está pensado. Cuando entregas un agente, el reporte del Laboratorio es la evidencia de que funciona — y de que no se inventa cosas.