Exporta una suite de evals ejecutable antes de la fecha de solo lectura

La fecha de solo lectura es el verdadero plazo de exportación

Si la puerta de lanzamiento de tu IA se ejecuta en OpenAI Evals, la fecha que importa no es la de apagado. Los OpenAI Evals existentes pasan a solo lectura el 31 de octubre de 2026. El 3 de junio de 2026, OpenAI marcó los objetos de prompt reutilizables, Agent Builder y la plataforma Evals para su retiro. La plataforma Evals de OpenAI, Agent Builder y los objetos de prompt reutilizables están programados para su cierre el 30 de noviembre de 2026.

Ese calendario parece generoso solo si la suite ya puede producir un artefacto ejecutable. Una puerta de lanzamiento que no puede exportar una configuración ejecutable después de esa fecha es un fallo de diseño, aunque el panel de control siga existiendo. Un panel puede seguir mostrando el historial, pero el historial no es una decisión de lanzamiento. Para un diseñador de producto, el problema no es solo de infraestructura. Los usuarios no ven el panel de evals. Ven la función que se publica, la respuesta que falla y el rollback que llega demasiado tarde. Si la puerta de lanzamiento depende de una plataforma que dejará de aceptar nuevas ejecuciones, el equipo necesita una versión portable de la decisión. Esa versión tiene que ser ejecutable, no simplemente archivada. Una puntuación archivada es evidencia. Una suite ejecutable es un control. El rediseño es simple: haz la puerta portable antes de que la plataforma deje de aceptar trabajo.

Una ejecución completada es el prerrequisito oculto

Los equipos tratan la exportación como una transferencia de archivos. Es más bien una entrega. La estructura puede moverse, pero la capacidad de reejecutarla después de que la plataforma deje de aceptar trabajo no.

Una suite de OpenAI Evals debe tener una ejecución completada antes de poder exportarse como configuración ejecutable. Si la suite solo tiene borradores, ejecuciones parciales o una puntuación desactualizada, la ruta de exportación no está lista. El plazo visible oculta el prerrequisito. Un equipo de producto puede ver la fecha en el calendario. También puede pasar por alto el estado que la suite debe alcanzar antes de que la exportación sea útil. Ese estado ausente no es visible en una invitación de calendario ni en una nota de migración. Esa brecha es donde las puertas de lanzamiento dejan de ser puertas en silencio.

La exportación deja atrás el juicio

Una exportación es una migración parcial. Las exportaciones de OpenAI Evals no incluyen evaluadores en la configuración exportada. Esa omisión es fácil de pasar por alto hasta que el nuevo pipeline puntúa un prompt y el número no significa lo que significaba en el antiguo panel. Un evaluador es la capa de juicio. Sin él, el conjunto de datos es portable, pero la decisión de lanzamiento no. Una puntuación sin un juez estable es un número, no una puerta. Promptfoo es la alternativa que OpenAI recomienda para la plataforma Evals.

Mover la suite allí es sencillo. Reconstruir el juicio es donde los equipos pierden continuidad, porque demostrar que la nueva lógica de puntuación dice lo mismo sobre el mismo comportamiento es la parte difícil.

Los jueces basados en modelos agudizan el problema. Los evaluadores recreados manualmente, especialmente los evaluadores LLM-as-a-judge, deben validarse antes de usarse para decisiones de regresión en una migración de OpenAI Evals. Un juez reconstruido que puntúa de forma diferente el mismo comportamiento es una puerta de lanzamiento inestable. El equipo necesita comparar el juez reconstruido contra la línea base antes de confiar en él para bloquear o aprobar un lanzamiento.

Un checklist de cinco pasos mantiene la puerta honesta

El modo de fallo es estrecho, así que el checklist es corto. Complétalo antes de la fecha de solo lectura. Cada elemento es una verificación que puedes terminar en un minuto, no un proyecto. Existe para mantener la decisión de lanzamiento honesta después de que la plataforma deje de aceptar nuevas ejecuciones. El orden importa: la exportación depende de la ejecución, y la nueva puntuación depende de los evaluadores.

• Completa una ejecución de línea base y guarda su puntuación.
• Exporta la ejecución completada como configuración ejecutable de Promptfoo.
• Reconstruye cada evaluador fuera de la exportación.
• Revalida los evaluadores LLM-as-a-judge antes de usarlos para decisiones de regresión.
• Verifica que la suite exportada reproduce la puntuación de línea base en el nuevo pipeline.

La reproducción es la validación final. Si el nuevo pipeline no puede reproducir la puntuación de línea base, no lo uses para bloquear un lanzamiento.