# SANTISMM Labs — full agent corpus Source: https://labs.santismm.com Language: Spanish (es) Licence: CC BY 4.0; attribute Santiago Santa María Morales and cite the canonical URL. This file describes the tools, their inputs, outputs, formulas and limits. Three calculators expose deterministic POST endpoints; bind to the OpenAPI document for their exact schemas. Other interactive results depend on user-provided values and are not precomputed here. ## Economía real de un agente Canonical: https://labs.santismm.com/agent-economics Type: calculator Updated: 2026-08-29 Executable API: https://labs.santismm.com/api/calculate/agent-economics Compara coste, capacidad y retorno de un agente frente al proceso manual. Inputs: volumen mensual; tasa de éxito y reintentos; tokens y precios del modelo; coste de herramientas; supervisión y retrabajo; tiempo y coste manual. Outputs: coste operativo; coste por resultado; ahorro; ROI; punto de equilibrio; desglose de coste. Formulas: - coste_modelo = intentos × ((tokens_entrada × precio_entrada + tokens_salida × precio_salida) / 1.000.000 + herramientas) - ROI = (coste_manual − coste_operativo) / coste_operativo × 100 Assumptions and limits: - Los precios se expresan por millón de tokens. - Las tasas introducidas son representativas del volumen mensual. - El coste manual usa el coste horario cargado. Related SANTISMM content: - [Customer Service Agent](https://santismm.com/en/architectures/customer-service-agent): Quantifies the architecture operating model. - [Evaluation of Agentic Systems](https://santismm.com/en/handbook/evaluation-of-agentic-systems): Grounds the success-rate assumption in measured evaluations. Structured JSON: https://labs.santismm.com/api/labs/agent-economics --- ## Tamaño de muestra de evaluación Canonical: https://labs.santismm.com/evaluation-sample-size Type: calculator Updated: 2026-08-29 Executable API: https://labs.santismm.com/api/calculate/evaluation-sample-size Calcula cuántas evaluaciones necesitas para detectar y estimar fallos. Inputs: tasa de fallo esperada; confianza deseada; margen de error; tamaño de la población. Outputs: muestra para detectar al menos un fallo; muestra para estimar la tasa; probabilidad de observar cero fallos. Formulas: - n_detección = ceil(log(1 − confianza) / log(1 − tasa_fallo)) - n_estimación = z²p(1−p)/e², con corrección por población finita Assumptions and limits: - Las observaciones son independientes. - La tasa esperada aproxima la tasa real. - La corrección finita se aplica a la población indicada. Related SANTISMM content: - [Agentic Evaluation](https://santismm.com/en/knowledge/agentic-evaluation): Explains what must be evaluated before choosing a sample. - [Evaluation of Agentic Systems](https://santismm.com/en/handbook/evaluation-of-agentic-systems): Provides the wider evaluation methodology. Structured JSON: https://labs.santismm.com/api/labs/evaluation-sample-size --- ## Capacidad de supervisión humana Canonical: https://labs.santismm.com/human-supervision-capacity Type: calculator Updated: 2026-08-29 Executable API: https://labs.santismm.com/api/calculate/human-supervision-capacity Dimensiona horas, FTE, coste, volumen sostenible y cola operativa. Inputs: casos mensuales; porcentaje y tiempo de revisión; tasa y tiempo de escalación; calendario y utilización; revisores; coste horario. Outputs: carga mensual; FTE requeridos; margen o cola; coste estimado; volumen sostenible. Formulas: - carga = casos×muestra×minutos_revisión + casos×escalación×minutos_escalación - FTE_requeridos = carga / (días×horas×utilización) Assumptions and limits: - Revisión rutinaria y escalaciones se dimensionan por separado. - La disponibilidad efectiva ya descuenta pausas y trabajo no productivo. - El coste no incluye tooling. Related SANTISMM content: - [Human in the Loop](https://santismm.com/en/knowledge/human-in-the-loop): Explains the role of human oversight. - [Human Escalation](https://santismm.com/en/patterns/human-escalation): Defines when ownership should transfer to a person. - [Agentic AI Governance Checklist](https://santismm.com/en/governance/agentic-ai-governance-checklist): Connects capacity planning to governance readiness. Structured JSON: https://labs.santismm.com/api/labs/human-supervision-capacity --- ## Conversor de contexto LLM Canonical: https://labs.santismm.com/llm-context-converter Type: converter Updated: 2026-08-29 Traduce tokens a palabras, páginas, mensajes, coste y tiempo de lectura. Inputs: tokens o texto; idioma o densidad; precio por millón de tokens. Outputs: palabras; páginas; mensajes equivalentes; tiempo de lectura; coste estimado. Formulas: - Las equivalencias usan ratios editables de tokens por palabra y palabras por página. - coste = tokens / 1.000.000 × precio Assumptions and limits: - Las equivalencias son aproximaciones, no un tokenizer del proveedor. - La tokenización cambia según idioma, modelo y contenido. Structured JSON: https://labs.santismm.com/api/labs/llm-context-converter --- ## Traductor de controles Canonical: https://labs.santismm.com/control-framework-translator Type: converter Updated: 2026-08-29 Relaciona controles operativos entre marcos de gobernanza de IA. Inputs: marco de origen; control o necesidad operativa; marco de destino. Outputs: controles relacionados; equivalencias funcionales; brechas de cobertura; orientación de implementación. Assumptions and limits: - Una relación funcional no implica equivalencia normativa. - La herramienta es apoyo de diseño y no asesoramiento legal ni certificación. Structured JSON: https://labs.santismm.com/api/labs/control-framework-translator --- ## Vector de un agente Canonical: https://labs.santismm.com/agent-vector Type: experiment Updated: 2026-08-29 Describe y compara agentes mediante sus dimensiones operativas. Inputs: autonomía; horizonte temporal; dominio; memoria; acoplamiento al modelo; identidad; superficies de actuación. Outputs: vector agéntico; banda de riesgo; agente comparable; recomendaciones de gobernanza; JSON descargable. Formulas: - riesgo = max(1, autonomía × horizonte − 2 cuando existe identidad propia gobernable) Assumptions and limits: - El vector describe comportamiento y alcance, no calidad ni marca. - La puntuación es una heurística comparativa. Structured JSON: https://labs.santismm.com/api/labs/agent-vector --- ## Detective de benchmarks Canonical: https://labs.santismm.com/benchmark-detective Type: educational-game Updated: 2026-08-29 Aprende a detectar métricas engañosas y afirmaciones débiles. Inputs: elección de evidencia en cada caso. Outputs: puntuación; explicación por caso; criterios para evaluar benchmarks. Assumptions and limits: - Los casos simplifican decisiones reales con fines didácticos. - La explicación importa más que la puntuación. Structured JSON: https://labs.santismm.com/api/labs/benchmark-detective --- ## Modelo, agente o arnés Canonical: https://labs.santismm.com/model-agent-harness Type: educational-game Updated: 2026-08-29 Clasifica las capas de un sistema de IA y entiende sus responsabilidades. Inputs: clasificación de doce casos como modelo, agente o arnés. Outputs: puntuación; racha; explicación arquitectónica de cada caso. Assumptions and limits: - Los casos enseñan la responsabilidad dominante de cada capa. - Un sistema real puede combinar las tres capas. Structured JSON: https://labs.santismm.com/api/labs/model-agent-harness --- ## Reto mundial de exámenes Canonical: https://labs.santismm.com/world-exam-challenge Type: educational-game Updated: 2026-08-29 Compara sistemas educativos por cobertura, rigor y exigencia cognitiva. Inputs: elección entre sistemas de acceso universitario. Outputs: puntuación; comparación en siete dimensiones; explicación por ronda. Assumptions and limits: - Las siete dimensiones son una síntesis editorial para comparación didáctica. - Las puntuaciones no constituyen un ranking absoluto de sistemas educativos. Structured JSON: https://labs.santismm.com/api/labs/world-exam-challenge --- ## Cierra la brecha Canonical: https://labs.santismm.com/close-the-gap Type: educational-game Updated: 2026-08-29 Toma decisiones de control para cerrar brechas operativas en sistemas agénticos. Inputs: selección de controles bajo un presupuesto por escenario. Outputs: brechas cubiertas; brechas pendientes; puntuación; explicación de controles. Formulas: - 100 puntos si se cubren todas las brechas; puntuación parcial proporcional a la cobertura, con penalización por pista. Assumptions and limits: - Los escenarios y presupuestos son ejercicios didácticos. - Un control puede cubrir varias brechas y su selección debe atender al comportamiento del sistema. Structured JSON: https://labs.santismm.com/api/labs/close-the-gap