Boa, essa tabela merece ficar fixada em todo repositório que delega teste pra IA.
Isso nem é problema exclusivo de agente, na minha experiência. Pede pra um humano "fazer isso bem". Sem dizer o que "bem" significa, a mesma lacuna aparece. Só que com gente demora mais pra descobrir: ninguém audita um "ok, entendi" do jeito que audita um PR.
O trecho que mais me pegou foi "a prova pode responder corretamente a uma pergunta insuficiente". E se a ficha também for escrita por uma IA? O problema não desce um nível. Só muda de lugar. Quem audita a ficha?