Saarth Shah buduje narzędzie zamiast polegać na słowach - każdy build agentów Sixtyfour jest oceniany względem zestawu pytań przygotowanych ręcznie przez ekspertów. Zamiast wskazywać model językowy na internet i ufać wynikowi, Shah zastosował przeciwny instynkt: oceń wszystko, wypuść tylko to, co poprawia wynik.
Większość narzędzi do badań AI operuje na zasadzie "wskaż i ufaj". Sixtyfour wprowadza jawne metryki poprzez swój system scoreborda, gdzie każda zmiana musi wykazać rzeczywiste ulepszenie aby trafić do produkcji. To przypomina bardziej tradycyjne inżynierskie podejście testowania niż bieżący trend "puść i miej nadzieję" w sektorze AI. Eksperci ręcznie przygotowują pytania testowe, tworzą obiektywny punkt odniesienia dla oceny.
Podejście Shahaha może być przełomowe dla całej branży. Kiedy agenci AI będą coraz bardziej zaawansowani i bardziej rozpowszechnieni w zadaniach o wysokich stawkach, system oparty na empirycznych dowodach zamiast obietnicach będzie coraz bardziej pożądany. To naturalny krok w kierunku odpowiedzialności i wiarygodności systemów AI w badaniach naukowych i biznesowych.