La cuarta entrega reinventa la revisión de código para el mundo agéntico. La observación de partida: cuando se pide a los modelos que realicen una revisión convencional, decepcionan de maneras predecibles. La adulación (F2) los empuja a aprobar en lugar de criticar; la alucinación (F4) los lleva a inventar problemas; y un sesgo de entrenamiento (F6) hace que se detengan alrededor de los quince hallazgos, sin importar la densidad real de defectos. Williams extrae de esto un replanteamiento: lo que se necesita no es una evaluación, sino una acusación — una imputación adversarial.
Cuatro principios estructuran esta acusación. Primero, refutación en lugar de evaluación: en vez de pedir retroalimentación, se encarga al agente que "encuentre qué está mal" o que explique cómo fallaría el proyecto. El sesgo de adulación, así invertido, juega a favor. Luego, la acusación de lente única: en lugar de un único revisor omnisciente, se despliegan agentes paralelos con contextos nuevos, cada uno dedicado a una sola dimensión — corrección, seguridad, cumplimiento del contrato, alineación con la especificación, calidad de las pruebas. Distribuir las preocupaciones evita la saturación de contexto que diluye el juicio entre prioridades competidoras.
El tercer principio son los hallazgos verificados únicamente. Antes de que un constructor actúe sobre una crítica, esta debe probarse de forma independiente: reproducir el error mediante una prueba que falla, rastrear la ruta del código o producir la entrada que lo desencadena. Sin esto, los hallazgos alucinados generan una modificación real de código para problemas que no existen. El cuarto principio es el ciclo hasta agotamiento: la acusación se vuelve a ejecutar con contextos nuevos hasta que dos pasadas consecutivas no arrojen ningún hallazgo verificado. Este muestreo repetido derrota el punto de parada artificial de F6.
Williams señala entonces un punto ciego casi universal: prácticamente todos los equipos confían ciegamente en su conjunto de revisión, sin medir nunca su capacidad de detección real. Su solución refleja las pruebas de mutación aplicadas a los revisores: plantar errores conocidos — mutaciones mecánicas más errores sutiles escritos por un LLM —, ejecutar todo el conjunto de acusación y luego medir el recall por categoría y la tasa de falsos positivos. Ejemplo de error plantado: una comprobación de veracidad que omite la verificación cuando falta un campo, con apariencia defensiva pero que introduce una falla de seguridad.
Por último, la puerta de salida es estricta y totalmente verificable: cero hallazgos verificados abiertos, dos pasadas en seco consecutivas, conjuntos de pruebas en verde y un diff de pruebas vacío — esta última condición demuestra que los constructores no modificaron sus propias puertas de control para pasarlas.