ThinkingBox preveruje AI agentov podľa výsledku v databáze, nie podľa presvedčivej odpovede
Benchmark ThinkingBox od Microsoftu ukazuje veľký rozdiel medzi jednorazovým úspechom AI agenta a spoľahlivým dokončením podnikovej úlohy. Namiesto textu či správneho volania nástroja kontroluje konečný stav databázy a nežiaduce vedľajšie účinky.