EnterpriseClawBench: 실제 업무 세션 기반 에이전트 벤치마킹
EnterpriseClawBench: Benchmarking Agents from Real Workplace Sessions
실제 기업 워크스페이스 에이전트 세션에서 852개의 재현 가능 태스크를 구축한 EnterpriseClawBench 벤치마크를 제안하며, 내부 콘텐츠로 벤치마크 데이터는 공개하지 않고 구축·평가 프로토콜을 재사용 가능한 기여로 제공한다. Lite 120개 태스크에서 Codex with GPT-5.5가 0.663으로 최고 성능을 기록했고, 기업 에이전트 평가는 단일 점수보다 하네스-모델 조합, 산출물 전달, 시각적 품질, 비용, 런타임, 스킬 전이 행동을 함께 보고해야 함을 보여준다.