IBM과 Artificial Analysis가 공동 개발한 에이전틱 엔터프라이즈 IT 작업 벤치마크 ‘ITBench-AA’가 공개됐다. 이 벤치마크는 Kubernetes(쿠버네티스) 인프라 장애 진단, 즉 SRE(사이트 신뢰성 엔지니어링) 작업을 자동화 에이전트로 수행하는 능력을 측정하며, 최전선 AI 모델 전체가 정확도 50% 미만에 그쳤다. 클로드(Claude) 오퍼스 4.7이 47%로 1위를 기록했고, GPT-5.5가 46%, Qwen3.7 Max가 42%로 뒤를 이었다.
ITBench-AA의 SRE 과제는 총 59개로, 이 중 40개는 공개 태스크, 19개는 비공개 태스크다. 각 과제는 쿠버네티스 장애 스냅샷을 제공하며, 에이전트는 경보·이벤트·트레이스·메트릭·로그·앱 토폴로지 정보를 바탕으로 장애의 근본 원인을 식별해야 한다. 평가 방식은 ‘완전 재현율 조건의 평균 정밀도’로, 정확한 근본 원인을 모두 찾아야 하며 하나라도 누락하면 해당 반복 시도에서 0점이 된다. 평가 하네스인 ‘Stirrup’은 오픈소스로 공개됐으며, 모든 모델은 동일 환경에서 100회 제한·3회 반복 조건으로 테스트됐다.
주목할 만한 점은 에이전트의 추론 턴 수가 많다고 해서 정확도가 높아지지 않는다는 사실이다. GPT-5.5는 과제당 평균 31회 턴으로 46%를 기록한 반면, 제미나이(Gemini) 3.1 프로 프리뷰는 평균 83회 턴에 30%에 그쳤다. 과도한 조사가 실제 근본 원인이 아닌 주변 증상이나 카오스 메시 컨트롤러 같은 상위 장치를 오답으로 제출하는 ‘위양성’ 문제를 유발하기 때문이다. 오픈 가중치 모델 중에서는 GLM-5.1이 40%로 선두를 달렸으며, 과제당 비용이 0.14달러인 Gemma 4 31B가 37%로 2.23달러짜리 제미나이 3.1 프로(30%)보다 점수와 비용 모두 앞섰다.
IBM의 ITBench 데이터셋을 기반으로 구축된 이 벤치마크는 향후 FinOps(재무 운영)·CISO(정보보안 최고책임자) 작업으로 평가 영역을 확장할 예정이다. 현재 SRE 분야만으로도 기존 주요 에이전틱 벤치마크 대비 포화도가 낮은 편으로, AI 에이전트가 실제 엔터프라이즈 IT 환경을 자율 운영하기까지 아직 상당한 기술 격차가 존재함을 보여준다. 리더보드는 Artificial Analysis 사이트에서 공개 확인할 수 있다.
