Тестирование ИИ-ассистентов: как загнать нейросеть в баг-репорт?

Всем привет! Я тут недавно задумалась: мы все привыкли тестировать классические веб-приложения, мобилки, API. Но как вы подходите к тестированию ИИ-ассистентов? Я имею в виду не просто проверку, что бот отвечает на «привет», а реальное QA-взаимодействие с нейросетью. У меня уже была пара кейсов, когда ассистент выдавал «уверенную» ерунду, и я поймала себя на мысли, что стандартные чек-листы тут не работают. Как вы определяете, что ответ ИИ — это баг, а не просто «креативность» модели? И как вы оформляете такие баги в репортах? Буду рада услышать ваш опыт!