Los métodos de evaluación actuales para los modelos de IA de frontera se están volviendo obsoletos, ya que las capacidades de hackeo de estos modelos superan rápidamente los benchmarks existentes. A medida que modelos de IA como GPT-5.5 demuestran razonamiento avanzado y comportamientos de tipo agente, las pruebas estáticas centradas en tareas aisladas no logran capturar su verdadero potencial en entornos realistas. Como consecuencia, los responsables de la formulación de políticas y los equipos de seguridad carecen de métricas claras para predecir la seguridad en su implementación. En respuesta, líderes de la industria como Anthropic están colaborando con socios como Google y Microsoft para desarrollar benchmarks estandarizados enfocados en el impacto real de los jailbreaks. Mientras tanto, laboratorios de testing como Irregular están creando nuevas métricas para medir tareas ofensivas, tales como la ejecución remota de código y la escalada de privilegios. Este cambio resalta la necesidad crítica de evaluaciones que simulen sistemas de producción del mundo real para determinar con qué eficacia la IA puede eludir controles de seguridad o realizar movimientos laterales a través de redes.