폭발적인 AI 발전의 예측은 AI 에이전트가 AI 연구를 자동화할 수 있는지 여부에 달려 있습니다. 하지만 에이전트가 개방형(open-ended) AI 연구를 수행할 수 있는지에 대한 증거는 부족합니다. 현재의 평가 방식은 에이전트가 개방형 연구를 제외한 좁고 검증 가능한 작업만을 수행하도록 테스트하거나, AI가 생성한 논문을 블라인드 동료 검토(blind peer review)에 제출하는 방식인데, 이는 과도한 부담을 주며 확률적이고 검토 품질이 낮다는 문제가 있습니다. 우리는 AI R&D 자동화로의 진전을 측정하는 세 번째 방법을 소개합니다. 에이전트가 아직 출판되지 않은 고품질 논문의 핵심적인 개방형 연구 질문을 맡게 하고, 해당 논문의 원저자들이 그 결과물을 평가하는 방식입니다. 우리는 이를 섀도우 평가(shadow evaluations)라고 부릅니다. 우리는 출판되지 않은 두 편의 NeurIPS 2026 제출 논문에 대해 섀도우 평가를 실시하였으며, 최첨단(frontier) 에이전트들에게 6일의 시간과 수천 달러 상당의 컴퓨팅 자원을 제공했습니다. 에이전트들은 인간의 도움 없이 모든 엔지니어링 작업을 완료했으나, 연구 질문에 답하는 데 있어서는 실질적인 진전을 이루지 못했습니다. 그 결과, 두 논문 모두 저자들에 의해 명확하게 거절되었습니다. 우리는 다섯 가지의 반복되는 실패 모드(failure modes)를 식별했습니다: 출판 가능한 연구 수준에 대한 잘못된 판단, 연구 설계의 결함에 대한 비창의적인 대응, 막다른 길에서의 비효율적인 되돌아가기(backtracking), 부족한 자원 인식, 그리고 지시문 이탈(instruction drift)입니다. 두 번째 모델과 스캐폴드(scaffold)를 이용한 강건성 검사(robustness check)에서도 이러한 실패가 재현되었습니다. 우리는 전문가 검토, 설문 응답, 에이전트 저장소(repositories) 및 로그를 공개합니다. 우리의 결과는 오늘날의 에이전트들이 AI 연구의 엔지니어링은 수행할 수 있지만, 연구 생애 주기(research lifecycle)의 핵심적인 부분에서는 어려움을 겪고 있다는 초기 증거를 제공합니다.