Definisi
Sebuah tes yang dirancang untuk mengukur apakah model AI benar-benar dapat melakukan tugas berbahaya secara mandiri, seperti menemukan dan mengeksploitasi kerentanan perangkat lunak. Model yang mencetak skor mendekati batas atas pada benchmark semacam itu menandakan bahwa ambang kemampuan untuk serangan siber otonom telah terlampaui.
Mengapa penting
Pembacaan kemampuan ini mendorong keputusan risiko dan tanggung jawab — apa yang diizinkan, apa yang dilisensikan, dan siapa yang bertanggung jawab jika agen menyalahgunakan keterampilan tersebut — sehingga dewan direksi perlu membacanya, bukan hanya judul berita.