docs(baton): Sentinel adopter calibration (E1+E2+E3) + declared-verb proposal (#328)

[montfort]

Feedback de adoptante desde el repo Sentinel: corrida de los experimentos del adopter-test-plan §2–§4 contra el corpus de gobernanza real de Sentinel (762 unidades). Todo en experiment-baton/adopter-calibration-sentinel/.

Naturaleza: read-only / recommend-only — nada ejecutó un modelo, abrió red ni mutó el repo de Sentinel.

Qué trae

• E1 (corrección, ground truth ciego): signals::scan_cues clasifica por substring del título → falsos positivos de keyword (audit.go→auditor, (commit hash)→operator, "coverage" de fechas→operator, "Audit remediation"→auditor). Tras adjudicar la política de tiers del operador: high+medium 0.57, 4 errores hacia abajo residuales.
• E2 (piloto work_verb): un verbo declarado en autoría (costo ≈0 tokens) sube la confianza 6→32 high y cierra los 4 errores; design_provenance provablemente necesario. El 1.00 de exactitud es POR CONSTRUCCIÓN — el valor es que la baja confianza de Baton era artefacto de inferencia, no incertidumbre real.
• E3 (costo real): el clasificador roto rutea con 39% de ahorro vs 54% del ground-truth correcto → ~15 puntos sobre la mesa + riesgo de calidad en 3/32 (trabajo frontier ruteado barato por falsos positivos de keyword).

La propuesta

proposal-declared-verb.md: promover el verbo del trabajo de inferido a declarado en autoría (tercera vía entre determinista-por-título y score-IA-por-unidad; costo ≈0 tokens; title-scan como fallback para legacy). La fix de mayor palanca: que el clasificador consuma la provenance del diseño que Baton ya construye (B2) en vez de rutear por substring del título. Confirma #328 ("la granularidad NO es la palanca; la señal estructurada sí").

Procedencia del ground truth (declarada por honestidad)

Agente etiquetando contra el código/artefacto real, ciego a la predicción de Baton, supervisado por el operador — NO "humano que hizo el trabajo". Cada etiqueta cita evidencia. Reproducible: python3 score.py / python3 verb_pilot.py.

baton-classify.json (volcado de las 762 unidades) se omitió a propósito — las cifras se reproducen desde las 32 muestreadas; regenerable con straymark-baton classify.

La validación forward (¿declaran bien los autores en el mundo real?) es de StrayMark post-adopción sobre corpus variado, no de un adoptante — se deja anotada, no ejecutada.

Closes #328 (parcial — aporta la evidencia empírica + la propuesta de fix).

🤖 Generated with Claude Code