گوگل رویکردی برای ارزیابی ایجنت‌های هوش مصنوعی معرفی کرده که از بررسی‌های ذهنی فراتر می‌رود و این روش را در وبلاگ خود منتشر کرده است. این چارچوب برای تیم‌های مهندسی اهمیت دارد: هارنسی که می‌توان آن را نسخه‌بندی و بازپخش کرد، رفتار ایجنت را به چیزی تبدیل می‌کند که در طول زمان قابل اندازه‌گیری است، نه چیزی که یک‌بار نمایش داده می‌شود. این پست در کنار شواهد فزاینده‌ای قرار می‌گیرد که نشان می‌دهد تیم‌های ایجنت نتایج خود را بیش از واقعیت جلوه می‌دهند، و همین ارزیابی مستقل و تکرارپذیر را به یک ضرورت عملی تبدیل می‌کند، نه یک تجمل پژوهشی.
همان هفته، اجلاس ایمنی هوش مصنوعی استنفورد ریسک‌های ایجنت و تدابیر حفاظتی جدید را برجسته کرد. این دو نشانه در کنار هم به یک جهت اشاره می‌کنند: ارزیابی و ایمنی در حال همگرایی به یک رشته مهندسی واحد هستند. برای تیم‌هایی که ایجنت عرضه می‌کنند، پرسش‌های مفید مشخص و عینی‌اند. هارنس چیست؟ کدام رفتارها را بازپخش می‌کند و در برابر کدام نسخه‌ها؟ رگرسیون‌ها بین انتشارها چگونه شناسایی می‌شوند؟ این پوشش خبری معیارها، مجموعه‌داده‌ها یا ابزارهایی را که روش گوگل استفاده می‌کند مشخص نمی‌کند، بنابراین این جزئیات از مطالب ارائه‌شده روشن نیست. آنچه روشن است، جهت حرکت است.
Behzat AI ارزیابی را بخشی از خط لوله تحویل می‌داند، نه یک فکر بعد از کار. هارنس‌های تکرارپذیر، رفتار نسخه‌بندی‌شده و اجراهای قابل بازپخش، روشی هستند که سیستم‌های ایجنت با وجود تغییرات قابل اعتماد می‌مانند.