모두가 최신 AI 에이전트들이 곧 '직무 수행 가능(job-ready)'할 것이라고 말합니다. 특히 이번 주 Fable 5 출시 이후 더욱 그렇습니다. 하지만 과연 그럴까요?

지난 몇 달 동안, 저희 그룹과 협력자들은 실제 디지털 노동 시장의 업무를 통해 바로 이 주장을 테스트하도록 설계된 벤치마크인 Agents' Last Exam (ALE)을 구축해 왔습니다.

저희 그룹과 협력자들은 그동안 MMLU, MATH, CyberGym, ExploitGym 등 해당 분야에서 사용되는 많은 벤치마크를 만들어왔습니다. 오늘 저는 AI 에이전트가 광범위한 실제 영역에 걸쳐 실제로 경제적으로 가치 있는 작업을 수행할 수 있는지 측정하는 순환형 벤치마크인 Agents' Last Exam (ALE)을 공유하게 되어 기쁩니다.

ALE를 통해 저희는 Fable 5, GPT-5.5, Composer 2.5 및 기타 최첨단 에이전트 시스템들을 55개 직업에 걸친 1,500개 이상의 전문가가 출처한 과제들로 평가했습니다.
결과는 인상적이면서도 냉정합니다.

오늘날의 에이전트들은 전문적인 작업 중 의미 있는 일부를 해결할 수 있습니다. 하지만 지속적인 추론(sustained reasoning), 깊은 도메인 전문 지식(deep domain expertise) 및 장기간에 걸친 신뢰할 수 있는 실행을 요구하는 가장 어려운 과제들을 살펴보면, 여전히 인간 수준의 성능과는 거리가 멉니다.

ALE의 가장 어려운 등급에서, 저희가 테스트한 Fable 5를 포함한 모든 최첨단 에이전트들은 0%의 성공률을 기록했습니다.
유용한 에이전트 시대는 왔습니다.

하지만 진정으로 직무 수행 가능한 에이전트의 시대는 아직 오지 않았습니다.

저희는 Agents' Last Exam (ALE)이 광범위한 영역에 걸쳐 경제적으로 가치 있는 작업을 신뢰성 있게 수행할 수 있는 에이전트를 개발하는 데 있어 새로운 지표이자 북극성이 되기를 바랍니다.
🧵