مطالعه: هوش مصنوعی بیشتر تخلف‌ها را می‌یابد، اما هشدار کاذب زیاد می‌دهد

پژوهشگر، اندی هال، چند مدل هوش مصنوعی را به‌عنوان بازرسِ عامل‌های دیگر آزمایش کرد. GPT‑5 با نرخ هشدار کاذب 5٪، نزدیک به 98٪ مواردِ دست‌کاری پاداش را تشخیص داد؛ درحالی‌که مدل‌های جدیدتری مانند Gemini 3.8 Flash فقط حدود نیمی از موارد را پیدا کردند. در مجموع آزمایش‌ها، هشدارهای کاذب همچنان زیاد بود؛ نرخ 3٪ در حجم کاریِ ماهانه‌ی 100,000 نشست، به‌ازای هر 2,000 مورد واقعی، حدود 3,000 هشدار نادرست ایجاد می‌کند.