Les méthodes de test actuelles pour les modèles d'IA de pointe deviennent obsolètes, car leurs capacités de piratage dépassent rapidement les benchmarks existants. Alors que des modèles d'IA tels que GPT-5.5 font preuve de raisonnements avancés et de comportements agentiques, les tests statiques axés sur des tâches isolées ne parviennent pas à capturer leur véritable potentiel dans des environnements réalistes. Par conséquent, les décideurs politiques et les équipes de sécurité manquent de mesures claires pour prédire la sécurité du déploiement. En réponse, des leaders de l'industrie comme Anthropic collaborent avec des partenaires tels que Google et Microsoft pour développer des benchmarks standardisés axés sur l'impact réel des « jailbreaks » (débridages). Parallèlement, des laboratoires de test comme Irregular créent de nouvelles métriques pour mesurer les tâches offensives telles que l'exécution de code à distance et l'escalade de privilèges. Ce changement souligne la nécessité critique d'évaluations simulant des systèmes de production réels afin de déterminer l'efficacité avec laquelle l'IA peut contourner les contrôles de sécurité ou se déplacer latéralement à travers les réseaux.