نموذج Claude استُخدم في التجربة واكتشف الحالات الست المصممة لاختبار الخلل.
توضح تجربة عملية أن تقييد صلاحيات وكيل الذكاء الاصطناعي بحسب المهمة يقلل نطاق الضرر من دون التأثير عملياً في إتمام المهام، بينما قد تفشل أدوار الصلاحيات الثابتة لأنها واسعة في مواضع وناقصة في أخرى. وتخلص المادة إلى أن مبدأ أقل الصلاحيات يظل خط الدفاع الأكثر ثباتاً رغم تغيير النموذج أو التعليمات.
أطلقت GitHub معيار ReviewBench المفتوح لتقييم وكلاء مراجعة الشيفرة اعتماداً على 219 طلب دمج من 187 مستودعاً و19 لغة برمجة، مع مقاييس تميّز بين اكتشاف المشكلات المعروفة والجديدة. وتقول الشركة إن نتائجه غير المتصلة بالإنترنت عكست اتجاه تجارب الإنتاج على Copilot Code Review، مع بقاء الاختبارات الفعلية للمستخدمين معيار الحكم النهائي.