Dawn Song, este punto de vista es muy importante: mirar solo las puntuaciones es como mirar solo la puntuación total de un informe médico; lo que realmente se debe preguntar es "¿dónde está mal, cómo se dañó?". La evaluación de los agentes inteligentes también debería ser así, descomponiendo los fracasos en patrones diagnósticos para poder tratar la causa específica.

La investigación de Berkeley AI y la perspectiva de Dawn Song enfatizan que al evaluar agentes inteligentes se debe prestar atención a las causas específicas de los fallos en lugar de solo considerar las puntuaciones de referencia. Se deben desglosar los fracasos a largo plazo en patrones diagnósticos para localizar y analizar con mayor precisión dónde y por qué falla el agente. El texto original no proporciona información sobre métricas específicas, detalles de análisis o clasificación de patrones de fallo.