генерация с извлечением

ИИ-агент способен выполнить работу некоторых сотрудников, но тогда и спрос с него должен быть таким же. Обычно вывести сотрудника на работу еще недостаточно — важно, чтобы он работал хорошо, а для этого есть испытательный срок, регулярная оценка и руководитель. У ИИ-агента вместо всего этого есть доля хороших ответов, полученная неизвестно как: компания запускает агента, получает показатель 76% и не знает, кто его считал и по каким правилам. Как должна быть устроена оценка качества агента в промышленной эксплуатации?