Los métodos de evaluación actuales para los modelos de IA de vanguardia se están volviendo obsoletos, ya que sus capacidades de hackeo superan rápidamente los estándares de referencia existentes. A medida que modelos de IA como GPT-5.5 demuestran razonamiento avanzado y comportamientos de agentes, las pruebas estáticas centradas en tareas aisladas no logran capturar su verdadero potencial en entornos realistas. En consecuencia, los responsables 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 estándares de referencia normalizados que se centren en el impacto real de los 'jailbreaks'. Mientras tanto, laboratorios de pruebas 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 los controles de seguridad o realizar movimientos laterales a través de las redes.