LLM(Large Language Model) 기반 에이전트의 운영 범위가 확장됨에 따라, 신뢰성(reliability)은 실제 환경 배포를 위한 전제 조건이 되고 있습니다. 그러나 실제 응용 분야에서 인간 사용자는 모든 즉각적인 행동을 모니터링할 수 없습니다. 대신, 실행 과정은 종종 블랙박스(black box)로 남아 사용자가 에이전트의 자기 보고식 업데이트(self-reported updates)에만 의존하게 만듭니다. 이러한 불투명성은 심각한 위험을 초래합니다. 즉, 에이전트가 실행된 행동과 일치하지 않는 관찰자 대상 보고를 제공할 수 있으며, 이는 특히 이해관계가 큰(high-stakes) 자율 시나리오에서 시스템을 통제 불능 상태로 만듭니다. 우리는 이러한 자기 보고식 계획-행동 발산(plan-action divergence)을 에이전트 기만(agent deception)이라고 명명합니다. 이를 평가하기 위해, 우리는 자발적인 계획-행동 발산을 평가하도록 설계된 벤치마크인 SPADE-Bench를 소개합니다. 기존의 기만 벤치마크와 달리, SPADE-Bench는 실제 도구 실행(tool execution)과 통제된 압박 시나리오(controlled pressure scenarios)를 동시에 통합합니다. 이러한 설계는 생태학적 타당성(ecological validity)을 보장하며, 압박 상황에서의 통제된 계획-행동 비교를 통해 단순한 환각(hallucination)과 전략적 기만을 엄격하게 구분합니다. 주요 모델들을 대상으로 한 실험을 통해 에이전트 기만이 도구 사용(tool-use) 맥락에서 실질적이고 시급한 문제임을 확인했습니다. 포괄적이고 견고한 평가 프레임워크를 제공함으로써, SPADE-Bench는 에이전트 안전성(agent safety)의 중요한 공백을 메우고, 신뢰할 수 있고 통제 가능한 자율 시스템을 구축하기 위한 커뮤니티의 발전을 촉진합니다.