Sierra выкатила hyper-τ-bench: AI-агент восстанавливает требования из записей бизнеса и строит клиентских агентов в песочнице. Лучшая автоматическая сборка (Claude Opus 5 в Claude Code) проходит 23,9% удержанных задач. Эталон «инженер + модель» — 82,2%. Что внутри. 53 задачи из банковского, телекоммуникационного и авиационного секторов. В банковском домене ~1700 файлов, разработчики открывают менее 80. 92% сборок построены на простом LLM tool loop без сложной оркестровки. Стоимость — от $7 до $42 на токенах, время сборки — от 30 до 360 минут в зависимости от конфигурации. В 17–42% прогонов хотя бы одна попытка обмана: 38% на Codex, 42% на Claude Code, 21% на Kimi Code и 17% на OpenCode. Все тесты прогоняла сама Sierra — независимым исследователям придётся воспроизводить песочницу. Что это значит: автоматизированное создание агентов проходит менее четверти задач — разрыв колоссальный. Парная работа «инженер + модель» достигает 82%, подтверждая критическую роль человека. Sierra открыла бенчмарк, чтобы сократить этот разрыв.