Metode pengujian saat ini untuk model AI frontier menjadi usang karena kemampuan peretasan model tersebut berkembang jauh lebih cepat daripada tolok ukur yang ada. Seiring model AI seperti GPT-5.5 menunjukkan penalaran tingkat lanjut dan perilaku agenik (agentic behaviors), pengujian statis yang berfokus pada tugas-tugas terisolasi gagal menangkap potensi sebenarnya dalam lingkungan yang realistis. Akibatnya, pembuat kebijakan dan tim keamanan kekurangan metrik yang jelas untuk memprediksi keamanan penerapan. Sebagai tanggapan, pemimpin industri seperti Anthropic bekerja sama dengan mitra seperti Google dan Microsoft untuk mengembangkan tolok ukur standar yang berfokus pada dampak nyata dari jailbreak. Sementara itu, laboratorium pengujian seperti Irregular sedang menciptakan metrik baru untuk mengukur tugas-tugas ofensif seperti eksekusi kode jarak jauh (remote code execution) dan eskalasi hak istimewa (privilege escalation). Pergeseran ini menyoroti kebutuhan kritis akan evaluasi yang mensimulasikan sistem produksi dunia nyata untuk menentukan seberapa efektif AI dapat melewati kontrol keamanan atau bergerak secara lateral melalui jaringan.