Organización de demostración
Nexo Cloud MéxicoAI-native, evidence-first
Nueve agentes especializados preparan hechos, blockers, evidencia, matrices y briefs. Cada paso expone propósito, inputs, outputs, evidencia, confianza, coste, latencia y autoridad humana.
Estado de ejecución
Los agentes usan datos sintéticos deterministas. No se invoca ningún modelo externo, no se procesan documentos privados y ningún agente puede aprobar, enviar, negociar o comprometer.
Orquestación visible
El orden refleja el trabajo real: intake, extracción, elegibilidad, evidencia, riesgo, compliance, drafting, red-team y brief ejecutivo.
Normalizar fuente, versión y procedencia.
Proponer requisitos con citas y estados desconocidos.
Detectar requisitos obligatorios y blockers.
Conectar claims con evidencia aprobada o faltante.
Señalar fechas, contradicciones y dependencia humana.
Preparar matriz y condiciones sin aprobarlas.
Proponer texto respaldado por contenido aprobado.
Buscar claims no sustentados y contradicciones.
Sintetizar decisiones y próximos pasos para revisión.
Evaluation control plane
Los valores actuales son de escenario demo. Las métricas bloqueadas no se presentan como desempeño productivo.
AI trust contract
Contrato de activación AI
La IA real sólo debe entrar cuando estas siete capacidades puedan probarse juntas. El contrato fail-closed preserva la arquitectura evidence-first durante la transición desde demo segura a operación real.
Clasificación, consentimiento, retención y exclusión explícita de información que no puede salir del boundary del comprador.
Proveedor y modelo por tarea, fallback controlado y límites de coste, latencia y contexto.
Schemas versionados, validación fail-closed y separación entre hechos, inferencias y recomendaciones.
Los outputs relevantes deben conservar referencias de evidencia y procedencia reconstruible antes de llegar al usuario.
Recall de obligatorios, precisión de citas, claims no sustentados, regresión, paridad bilingüe y calibración.
Modelo y ruta, tokens, coste, latencia, errores y calidad visibles por workflow y oportunidad.
Pruebas de prompt injection, leakage y claims no sustentados, con kill switch y rollback antes de ampliar uso.
Feedback supervisado
Cada corrección puede convertirse en ejemplo evaluativo o propuesta de mejora, pero los cambios de prompt, reglas y datasets requieren revisión humana.