14 de noviembre de 2026Fathy Shalaby17 min de lectura
Handoff de agentes de IA: cuándo tu producto debe preguntar, actuar o detenerse
Decide cuándo un agente de IA debe preguntar, actuar dentro de límites claros o detenerse y ceder el control a una persona, con datos reales y una plantilla que puedes copiar.
Un handoff de un agente de IA es el momento en que una funcionalidad de IA devuelve el control a una persona: para pedir información que falta, obtener aprobación antes de una acción con consecuencias o detenerse y dejar que alguien tome el mando. Un contrato de handoff decide, antes del lanzamiento, cuándo el producto debe preguntar, cuándo puede actuar por su cuenta y cuándo debe detenerse, así como qué ve el usuario en cada caso.
Conclusiones clave
Los agentes ya se detienen por sí mismos con más frecuencia de la que las personas los interrumpen. En el estudio de Anthropic sobre unas 500.000 sesiones de Claude Code, el agente pidió aclaraciones más del doble de veces en las tareas más difíciles que en las sencillas, y más a menudo de lo que los humanos lo interrumpieron (Anthropic, 2026).
El motivo principal por el que el agente se detuvo fue presentar una elección entre diferentes enfoques (35%). El motivo principal por el que los humanos interrumpieron fue aportar contexto faltante o correcciones (32%). Ambos son problemas de contexto de producto, no problemas del modelo.
La guía de agentes de OpenAI señala dos detonantes para la intervención humana: superar umbrales de fallo y acciones de alto riesgo que sean sensibles, irreversibles o de gran impacto (OpenAI).
La confianza del modelo no es un permiso. Estar «seguro al 90%» no autoriza a enviar un correo electrónico o modificar el registro de un cliente.
Un revisor humano no es una red de seguridad por defecto. En un metaanálisis, los consejos erróneos de los sistemas de soporte a la toma de decisiones aumentaron el riesgo de una decisión incorrecta en un 26% (Goddard et al., 2012).
¿Qué es el handoff de un agente de IA?
El término tiene dos significados y resulta útil separarlos.
Handoff de agente a agente. En el Agents SDK de OpenAI, los handoffs permiten que un agente delegue una tarea en otro; por ejemplo, un agente de triaje que transfiere una solicitud de reembolso a un agente de reembolsos. El modelo interpreta cada handoff como una herramienta, por ejemplo transfer_to_refund_agent (OpenAI Agents SDK). La guía de OpenAI lo describe como una transferencia unidireccional que traslada consigo el estado de la conversación.
Handoff de agente a humano. El agente transfiere el control a una persona porque no puede o no debe continuar. La guía de OpenAI ofrece dos ejemplos: en atención al cliente, escalar a un agente humano; en un agente de programación, devolver el control al usuario.
Este artículo trata sobre el segundo tipo, que es una decisión de producto más que un detalle de orquestación. Un agente en un producto puede recomendar el siguiente paso, prepararlo o ejecutarlo. Son tres comportamientos distintos, incluso cuando la pantalla muestra un único y amigable botón de «Continuar». La pregunta que responde un contrato de handoff es: ¿qué puede decidir este producto en nombre del usuario, con qué información y qué ocurre cuando la respuesta es incierta?
A los usuarios les preocupa que esto se gestione bien. En la encuesta de 2025 de Stack Overflow, el 86,9% de los desarrolladores estaban preocupados por la precisión de la información de los agentes de IA, y el 81,4% tenían dudas sobre la seguridad y privacidad de sus datos al utilizarlos (Stack Overflow, 2025). Una política de handoff clara aborda ambos problemas: el agente actúa menos cuando las pruebas son débiles y no interviene sin permiso.
Ese es trabajo de producto. El product manager aporta el criterio de negocio: qué se considera una acción razonable, qué trade-offs son aceptables y qué errores exigen que el usuario tome el control. Los ingenieros transforman esa política en un comportamiento en producción y se aseguran de que sea fiable. El PM no está asumiendo la propiedad del código.
¿Por qué «human in the loop» es demasiado ambiguo para un agente de IA?
Un brief que solo diga «mantener un humano en el loop» deja sin resolver las preguntas más difíciles:
¿Qué persona revisa y tiene el contexto necesario para juzgar?
¿Está revisando una sugerencia, un borrador o una acción que ya se ha ejecutado?
¿Puede modificar la acción o solo aprobarla?
¿Qué ocurre si nadie responde?
¿Qué errores nunca deben delegarse?
Los marcos normativos exigen a los equipos responder a esto, pero no lo resuelven por ti. El AI Risk Management Framework 1.0 del NIST solicita a las organizaciones definir roles para las configuraciones humano-IA (GOVERN 3.2), documentar los procesos de supervisión humana (MAP 3.5) y contar con mecanismos para anular, desconectar o desactivar un sistema de IA que opere fuera de su uso previsto (MANAGE 2.4) (NIST).
La Ley de IA de la UE (EU AI Act) va más allá en sistemas de alto riesgo. El artículo 14 exige que las personas que los supervisen sean conscientes del sesgo de automatización, puedan desestimar, anular o revertir los resultados, e interrumpir el sistema mediante un botón de «parada» o un procedimiento similar (EUR-Lex). Tras el Ómnibus Digital, esas obligaciones se aplicarán a los sistemas de alto riesgo del Anexo III a partir del 2 de diciembre de 2027 (EUR-Lex, Reglamento 2026/1744). La mayoría de los agentes en productos de software no son sistemas de alto riesgo, pero preguntar, anular y parar constituyen un mínimo recomendable para cualquiera de ellos.
La propia revisión también requiere diseño. Goddard y sus colegas analizaron 74 estudios sobre el sesgo de automatización y descubrieron que, cuando un sistema de soporte a la toma de decisiones se equivocaba, aumentaba el riesgo de una decisión humana incorrecta en un 26%. Un revisor que ve una recomendación formulada con total seguridad y un botón de «Aprobar» no es un control independiente, a menos que el producto muestre las evidencias y facilite discrepar.
¿Cuándo debe un agente de IA preguntar, actuar o detenerse?
Utiliza tres vías y elige entre ellas en función de las consecuencias y la autoridad, no de la puntuación de confianza del modelo.
Preguntar cuando el sistema carezca de información o autoridad que pueda cambiar la decisión. Haz una pregunta concreta, muestra por qué importa la respuesta y permite que el usuario elija. Si el detalle que falta es opcional, ofrece un valor por defecto visible.
Actuar cuando la tarea esté bien especificada, la acción se encuentre dentro de lo solicitado por el usuario y las consecuencias sean asumibles si el sistema se equivoca. Mantén la acción visible y asegúrate de que sea fácil de inspeccionar o deshacer.
Detenerse cuando el sistema no pueda continuar de forma responsable: la solicitud está fuera del alcance permitido del producto, las pruebas son insuficientes para la consecuencia, falta una fuente obligatoria, se ha superado un límite de fallos o el siguiente paso cruzaría un límite no autorizado por el usuario. Explica el motivo y ofrece un paso siguiente, como editar la petición o transferirla a una persona.
Vía
Usar cuando
Qué ve el usuario
Ejemplo
Preguntar
Información faltante o contradictoria cambiaría el resultado
Una pregunta, por qué importa, 2-4 opciones
«¿Priorizar por encaje de la cuenta o por señal de compra reciente?»
Actuar
La solicitud es clara, la acción entra en el alcance y es reversible
El resultado, qué ha cambiado, opción de deshacer
Borrador de respuesta guardado en los borradores del usuario
Actuar tras confirmación
La acción entra en el alcance pero tiene consecuencias
Una vista previa y una confirmación explícita
Enviar la respuesta al cliente
Detenerse
Fuera de alcance, pocas pruebas, límite de fallos alcanzado o sin autorización
El motivo y un paso siguiente o contacto humano
«No puedo cambiar los datos de facturación. Aquí tienes quién puede hacerlo.»
La confianza no equivale a permiso. Que un modelo diga tener un 90% de seguridad no le otorga el derecho a enviar un correo, modificar la ficha de un cliente o consolidar una decisión de producto. La vía depende de la tarea, las evidencias, la autoridad del usuario y el coste de equivocarse. Para decisiones que devuelven una respuesta fija —como clasificar, enrutar o puntuar—, el marco de toma de decisiones con IA explica cómo fijar umbrales a partir del coste de los errores. Para evaluar la reversibilidad de una acción, consulta decisiones de producto: puertas de una vía vs dos vías.
¿Cómo comparten el control hoy en día los agentes de IA y las personas?
El estudio de febrero de 2026 de Anthropic ofrece los mejores datos públicos hasta la fecha. Analizó unas 500.000 sesiones interactivas de Claude Code y 998.481 llamadas a herramientas desde su API pública (Anthropic, 2026).
Por qué se detuvo el agente por iniciativa propia:
Motivo por el que pausó Claude Code
Porcentaje
Para presentar una elección entre enfoques
35%
Para recopilar información de diagnóstico o resultados de pruebas
21%
Para aclarar una petición ambigua
13%
Para solicitar credenciales o accesos
12%
Para pedir aprobación antes de actuar
11%
Por qué interrumpieron las personas: para aportar contexto faltante o correcciones (32%), porque el agente iba lento, se quedaba bloqueado o hacía demasiadas cosas (17%) y para dar ellos mismos el siguiente paso (7%).
Cómo cambió la confianza con la experiencia: los usuarios nuevos (menos de 50 sesiones) utilizaron la autoaprobación total en cerca del 20% de las sesiones; esta cifra subió a más del 40% a partir de las 750 sesiones. Los usuarios experimentados también interrumpieron más: en torno al 9% de los turnos, frente a cerca del 5% en usuarios con unas 10 sesiones. Anthropic interpreta esto como una supervisión activa, no como un abandono del control.
Cómo fue el perfil de riesgo en la API: el 80% de las llamadas a herramientas procedían de agentes con al menos una salvaguarda, como permisos restringidos o requisitos de aprobación; hasta un 73% parecía contar con un humano en el loop (los autores señalan esto como un límite superior); y solo el 0,8% de las acciones parecían irreversibles.
De aquí se desprenden tres lecciones para los equipos de producto:
Diseña la acción de «preguntar» para tomar decisiones, no solo para llenar vacíos. El motivo principal por el que un agente hizo una pausa fue ofrecer una elección entre varios enfoques. Conviértelo en una pantalla de primer nivel con opciones claras.
La mayoría de las interrupciones se deben a la falta de contexto. Un tercio de las interrupciones humanas aportaron contexto o correcciones que el agente no tenía. Dar un mejor contexto de producto desde el inicio reduce tanto las preguntas como las interrupciones. La plantilla de PRD para agentes de IA para programar muestra una forma de proporcionarlo.
Diseña para intervenir, no para aprobar cada paso. Anthropic recomienda dar visibilidad a los usuarios y vías sencillas para redirigir al agente, en lugar de exigir la validación de cada acción. Los usuarios que confían más en el agente siguen queriendo una forma rápida de intervenir.
¿Cómo implementan preguntar, actuar y detenerse los productos reales?
Los modos de permisos de Claude Code son un gran ejemplo implementado en producción, ya que cada modo representa una política de handoff distinta (documentación de Claude Code):
Modo de Claude Code
Qué hace sin preguntar
Vía de handoff que implementa
Manual (default)
Solo lectura; pregunta antes de editar, ejecutar comandos de terminal o acceder a la red
Preguntar antes de cada escritura
acceptEdits
Lectura, edición de archivos y comandos comunes dentro del directorio de trabajo
Actuar en cambios reversibles y de bajo riesgo; preguntar para el resto
plan
Lee y explora; bloquea ediciones hasta que apruebes un plan
Preguntar una vez, por adelantado, con un plan
auto
Todo, con un clasificador que revisa cada acción
Actuar, con un modelo revisor que puede detener la acción
dontAsk
Solo herramientas preaprobadas; cualquier otra cosa se deniega
Actuar dentro de un perímetro fijado; detenerse fuera de él
Hay dos detalles que merece la pena replicar. En primer lugar, el modo auto bloquea por defecto una lista de acciones de alto impacto, como despliegues a producción y migraciones, force pushes, borrado masivo en almacenamiento en la nube y mergear un pull request sin aprobación humana. Eso es una lista de detención (stop list). En segundo lugar, si el clasificador bloquea una acción 3 veces seguidas o 20 veces en total, el modo auto se pausa y Claude Code vuelve a preguntar. Ese es un umbral de fallos, exactamente el primer detonante de la guía de OpenAI. Las reglas de denegación aplican en todos los modos, marcando el límite infranqueable.
La guía de OpenAI añade un método para decidir qué vía corresponde a cada acción: asignar a cada herramienta un nivel de riesgo bajo, medio o alto según sea de solo lectura o escritura, su reversibilidad, los permisos necesarios y el impacto financiero; después, pausar para comprobaciones o escalar a una persona antes de ejecutar llamadas de alto riesgo. Entre sus ejemplos de acciones que deberían activar la supervisión humana están cancelar pedidos, autorizar reembolsos elevados o emitir pagos.
Las directrices de Anthropic sobre agentes inciden en lo mismo desde el punto de vista de la ingeniería: los agentes pueden pausar para pedir feedback humano en puntos de control o cuando encuentran bloqueos, deben contrastar la información con el entorno en cada paso y necesitan condiciones de parada, como un número máximo de iteraciones (Anthropic, 2024).
¿Cómo redactar un contrato de handoff para un agente de IA?
Para cada flujo asistido por IA, define un perímetro de actuación en lenguaje claro y accesible, lo bastante breve como para que producto, diseño, ingeniería y soporte puedan revisarlo juntos.
Campo del contrato
Pregunta que responde
Usuario y tarea
¿Quién intenta completar qué?
Acciones permitidas
¿Qué puede preparar o hacer el producto, y con qué nivel de riesgo?
Contexto requerido
¿Qué datos, permisos o fuentes deben estar presentes?
Condición para preguntar
¿Qué dato faltante o contradictorio se traslada al usuario?
Condición para detenerse
¿Qué hace inaceptable continuar?
Umbral de fallos
¿Tras cuántos intentos fallidos se cede el control?
Confirmación
¿Qué acciones requieren revisión o aprobación explícita?
Recuperación
¿Cómo puede el usuario corregir, deshacer o reasignar el resultado?
Disparador de revisión
¿Qué señal o fecha reabre la validez del contrato?
Este marco describe el comportamiento, no la implementación. No prescribe ningún modelo, prompt, API o arquitectura; esos detalles corresponden al plan de ingeniería una vez que el equipo ha acordado qué debe hacer el producto.
Copia esto en un brief de producto:
## Contrato de handoff: [flujo de trabajo]
Para [usuario] que intenta [tarea], el producto puede [acción permitida]
cuando [contexto requerido] esté presente.
Preguntar cuando: [falte o haya contradicciones en información clave para la decisión]
Detenerse cuando: [se cruce un límite, haya pruebas insuficientes, falte una fuente o falte autorización]
Umbral de fallos: transferir el control tras [n] intentos fallidos en [paso]
Confirmar antes de: [acción con consecuencias] (riesgo: bajo / medio / alto)
Recuperación: el usuario puede [deshacer / editar / reasignar] mediante [mecanismo]
Responsable: [PM] para la política, [ingeniero] para la implementación
Revisar cuando: [señal, incidente o fecha]
A continuación, repasa casos de uso reales junto con un PM, un ingeniero, un diseñador y alguien cercano a la operativa diaria. Ajusta el contrato hasta que cada ejemplo siga una vía comprensible y el usuario entienda qué ha sucedido.
Mantén un registro de decisiones
Cuando el equipo apruebe un contrato, registra qué está permitido, qué usuarios o situaciones cubre, las evidencias que lo respaldan, quién es el responsable, qué casos de prueba lo validan y qué motivaría una revisión. Si más adelante el producto pregunta con demasiada frecuencia, actúa basándose en pruebas débiles o se detiene sin ofrecer un paso útil, el equipo podrá rastrear ese comportamiento hasta la política original. Un registro de decisiones de producto es suficiente. Además, evita la falta de claridad en las responsabilidades: los PM definen el comportamiento esperado y los trade-offs; los ingenieros se encargan de la implementación, los permisos, la fiabilidad y la seguridad operativa.
Ejemplo práctico: priorización de prospectos comerciales
Este es un ejemplo ilustrativo. Imagina una funcionalidad de IA que ayuda a un equipo de ventas a clasificar prospectos. Una gran empresa con una fuerte ronda de financiación puede parecer atractiva. Una empresa más pequeña con una señal de compra de la semana pasada puede ser más oportuna. Ambos datos son ciertos; aun así, el producto necesita una política para saber cuál priorizar.
El contrato podría definir:
Acción permitida: sugerir un nivel de prioridad (riesgo: bajo, al tratarse de una sugerencia) y explicar las evidencias que lo respaldan.
Contexto requerido: los criterios de encaje de cuenta del equipo, y la fecha y fuente de cada señal de compra.
Preguntar: solicitar la regla de prioridad del equipo si aún no se ha definido qué es un «prospecto ideal».
Detenerse: no deducir una señal de compra a partir del tamaño de la empresa ni afirmar que una cuenta está lista para comprar sin una fuente que lo justifique.
Umbral de fallos: si la búsqueda de enriquecimiento de datos falla dos veces para una cuenta, marcarla como «requiere revisión manual» en lugar de hacer suposiciones.
Confirmación: un comercial revisa el nivel de prioridad antes de que este modifique el pipeline compartido (riesgo: medio, porque otros actuarán a partir de él).
Recuperación: el revisor puede cambiar el nivel de prioridad y dejar constancia del motivo.
El contrato saca a la luz una decisión que el modelo no puede resolver por sí mismo: ¿debe este equipo priorizar el encaje, el timing o un equilibrio explícito entre ambos? El PM aporta el conocimiento del dominio, o reúne a quienes lo tienen, y hace visible el trade-off. El modelo aplica la regla elegida; no debe inventársela.
¿Cómo probar un contrato de handoff antes del lanzamiento?
Crea un conjunto reducido de casos representativos y comprueba si el producto elige la vía adecuada y la explica con claridad. Incluye casos en los que:
La petición sea completa y la acción reversible (resultado esperado: actuar).
Falte un dato necesario y respuestas distintas cambien el resultado (resultado esperado: preguntar).
Dos fuentes se contradigan (resultado esperado: preguntar, mostrando ambas).
El usuario pida algo fuera de los permisos establecidos (resultado esperado: detenerse).
Las evidencias sean insuficientes para la consecuencia (resultado esperado: detenerse o preguntar).
Una dependencia falle o no se pueda acceder a una fuente (resultado esperado: reintentar hasta el umbral y luego transferir el control).
Para cada caso, documenta la vía esperada, el motivo y qué debería ver el usuario: «Preguntar porque falta la fecha de la señal de compra; mostrar la fuente de la cuenta y permitir que el comercial la añada o la descarte». Eso se puede probar. Decir «sé prudente», no.
Revisa resultados reales con personas que conozcan el sector. Cuando los revisores no estén de acuerdo, no promedies sus puntuaciones para salir del paso: identifica la decisión de fondo que no se ha resuelto. Un revisor puede priorizar el encaje y otro la urgencia. Resuélvelo, déjalo por escrito en el contrato y añade un caso que permita evaluar esa distinción. El ciclo es: observar un caso, identificar el criterio aplicado, consensuar la política, actualizar los casos y volver a revisar el comportamiento. El marco de evaluación de IA para equipos de producto explica cómo transformar estos casos en un set de evaluación (eval set).
Estos casos no sustituyen la monitorización en producción ni las salvaguardas de ingeniería. Sirven para asegurar que el equipo coincide en qué debe hacer el producto.
¿Cómo convertir «preguntar» en un estado de producto útil?
Preguntar no es más seguro por defecto. Un exceso de interrupciones traslada la carga de trabajo al usuario y transmite la sensación de que la funcionalidad está a medio terminar. Solo debe formularse una pregunta cuando la respuesta pueda alterar el resultado. Las 18 directrices de Microsoft para la interacción humano-IA, que sintetizan más de 20 años de investigación, abordan el comportamiento del sistema ante un error como una fase de diseño independiente de la interacción habitual (Microsoft Research, 2019).
Una pantalla de handoff eficaz muestra:
qué ha resuelto el sistema hasta el momento
la información que falta o genera contradicción
por qué ese dato modifica la siguiente acción
entre dos y cuatro opciones claras, incluida «decidir más tarde» si no supone un riesgo
Si el usuario puede corregir el resultado con seguridad tras ver una vista previa, un paso de confirmación puede ser mejor que una pregunta. Si el producto puede realizar una acción reversible y ofrecer una opción clara de deshacer, quizá ni siquiera sea necesario interrumpir.
Errores habituales en los handoffs de agentes de IA
Usar la confianza como permiso. Una probabilidad indica la seguridad que tiene el modelo, no si el usuario ha autorizado la acción.
Preguntar por todo. Pedir confirmación constante acostumbra a los usuarios a pulsar «Aprobar» sin leer, provocando sesgo de automatización por diseño.
Detenerse sin ofrecer un siguiente paso. Responder «No puedo ayudarte con eso» sin dar un motivo o una alternativa humana es un callejón sin salida.
No fijar un umbral de fallos. Sin un límite de reintentos, un agente puede entrar en un bucle infinito ante un fallo. Define un número y transfiere el control al alcanzarlo.
Un único contrato para cualquier acción. Las consultas de solo lectura y los pagos requieren vías distintas. Evalúa el riesgo de cada acción.
Políticas implícitas. Si los revisores discrepan sobre la respuesta correcta, la regla que falta no está en el modelo, sino en el contrato.
Olvidar el disparador de revisión. Los agentes y los usuarios evolucionan. Define la señal o fecha en que se reevaluará el contrato.
Dónde encaja Specky
El servidor MCP propio de Specky aplica este patrón a los agentes que interactúan en un espacio de trabajo de producto: los agentes generan PRD, insights, decisiones y tickets en estado de borrador o propuesta; el PM Inbox funciona como cola de revisión; y la publicación automática solo se ejecuta si el usuario lo solicita explícitamente en el mismo turno. Puedes documentar cada contrato de handoff en el Decision Log junto a las evidencias que lo motivaron. Consulta Specky para PMs técnicos para conocer el flujo de trabajo completo.
Preguntas frecuentes
¿Qué es el handoff de un agente de IA?
Un handoff de un agente de IA se produce cuando una funcionalidad de IA transfiere el control, ya sea a otro agente o a una persona. En diseño de producto suele referirse al caso de agente a humano: el agente solicita información que falta, pide aprobación antes de una acción con consecuencias o se detiene para que alguien tome el mando. Un contrato de handoff define estos activadores antes del lanzamiento.
¿Cuándo debe un agente de IA pedir confirmación?
Antes de acciones con impacto relevante pero dentro del alcance previsto: enviar mensajes a clientes, modificar registros compartidos, realizar pagos o cualquier cambio difícil de revertir. Clasifica cada acción como de riesgo bajo, medio o alto según sea de lectura o escritura, su reversibilidad, los permisos necesarios y el impacto financiero; exige confirmación en los niveles medio y alto. Las acciones reversibles y de bajo riesgo pueden ejecutarse ofreciendo una opción visible de deshacer.
¿Cuál es la diferencia entre un handoff agente a agente y agente a humano?
El handoff de agente a agente es una delegación interna del sistema: en el Agents SDK de OpenAI, un agente de triaje delega una solicitud de reembolso en un agente de reembolsos mediante una llamada a una herramienta. El handoff de agente a humano devuelve el control a una persona porque el agente no puede o no debe continuar. El primero es una decisión de orquestación; el segundo es una decisión de producto sobre autoridad y riesgo.
¿Basta con un «human in the loop» para que un agente de IA sea seguro?
No. Un revisor solo aporta valor si dispone de las evidencias necesarias, el tiempo suficiente y una forma sencilla de discrepar. Una revisión de 74 estudios concluyó que las recomendaciones incorrectas de sistemas de soporte a decisiones aumentaron el riesgo de una decisión errónea en un 26%. Es indispensable detallar quién revisa qué, qué ve, qué puede modificar y qué ocurre si nadie contesta.
¿Con qué frecuencia debe un agente de IA interrumpir al usuario?
Únicamente cuando la respuesta pueda alterar el resultado o la acción requiera una autorización de la que el agente carece. En los datos de Anthropic de 2026, Claude Code pidió aclaraciones más a menudo en tareas complejas que en tareas simples, y los usuarios experimentados interrumpieron en cerca del 9% de los turnos. Mide tu propia tasa de consultas y qué proporción de ellas responden los usuarios con criterio.
¿Exige la Ley de IA de la UE un handoff humano para los agentes de IA?
Para sistemas de alto riesgo, el artículo 14 exige que las personas encargadas de la supervisión comprendan sus límites, se mantengan atentas al sesgo de automatización, puedan desestimar o revertir los resultados y detener el sistema. Tras el Ómnibus Digital, estas obligaciones aplican a los sistemas de alto riesgo del Anexo III desde el 2 de diciembre de 2027. La mayoría de los agentes en productos de software no son de alto riesgo, pero aplicar el esquema de preguntar, anular y detenerse es una buena práctica recomendada.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing