Cuando la IA sube en un orden de magnitud la velocidad de producción de la investigación, el problema nuevo es cómo fiarse de esas conclusiones: revisarlas línea a línea con personas no es realista, y "confiar en la IA" menos aún.
Tareas de replicación, localización de diferencias, arbitraje de criterios
Liquidaciones, valor liquidativo, tablero y alertas
Informes de replicación y retrospectivas de incidentes archivados
@replica replica sin contexto todo el backtest y en la primera ronda caza un bug del criterio de ajuste de precios de los datos.
Tras la corrección, los valores liquidativos diarios de tres implementaciones independientes se alinean hasta la quinta cifra decimal antes de congelarse como criterio de producción.
El primer día de operación real, dos Agents calculan el valor liquidativo por separado, desde las liquidaciones y desde el detalle de posiciones, y se coteja ítem a ítem al céntimo.
Tras el cierre, el backstop revisa automáticamente los productos obligatorios; una vez cazó un hueco escondido de "la tarea corrió, pero el valor liquidativo no rodó", corregido el mismo día.
La retrospectiva del incidente entra el mismo día en la lista de autochequeo y en las reglas de alerta; desde entonces esa clase de problema la vigila la máquina.
Verificación a hora fija de la integridad y frescura de los productos del día, con alerta por faltantes.
Periódicamente, un Agent tercero replica sin contexto un resultado central.
La base y la conclusión de cada arbitraje de criterios quedan archivadas y trazables.