Đánh giá tác nhân có một vấn đề ẩn: Chính người đánh giá có thể không đáng tin cậy. Một thí nghiệm mới đã kiểm tra Jev so với GPT-5.6 Luna, Terra và Claude Sonnet 4.6. Kết quả: → 500/500 quyết định nhị phân khớp với oracle con người → Độ lệch điểm thấp hơn 92–913 lần → Độ trễ trung bình 0,44 giây → Chi phí $0,00035 mỗi lần đánh giá Jev không tạo ra một đoạn văn rồi chuyển đổi thành điểm số. Nó đưa ra quyết định có cấu trúc trực tiếp. Điều này có thể thay đổi kinh tế đánh giá tác nhân. Những người đánh giá rẻ hơn, nhanh hơn giúp các đội có thể đánh giá nhiều trace hơn, chạy nhiều kiểm tra hồi quy hơn và thu hẹp vòng phản hồi xung quanh mỗi lần cập nhật tác nhân. Lưu ý quan trọng: đây là một thí nghiệm ban đầu và hẹp. Nhưng hướng đi này rất thú vị: Các tác nhân đáng tin cậy có thể cần những người đánh giá tốt hơn, chứ không chỉ là các mô hình tốt hơn.