Resemble AI的测试发现，机器人检测工具仅捕获了3.1%至14.8%的伪装AI代理。在测试中，这些代理伪装成普通浏览器流量，而非主动表明自身身份，且各测试工具的检测覆盖率相差数倍。这一差距与绝对数值同样重要：即便该范围内表现最好的结果，也意味着绝大多数伪装代理未被分类识别。
对于构建代理系统的团队而言，实际后果是流量分类不能充当访问控制的门禁。一个漏掉大多数伪装代理的检测层充其量只是监控信号；将其视为授权边界，意味着访问决策建立在关于调用者身份的 probabilistic 猜测之上。当代理需要对受保护资源执行操作时，决策必须转移到主体层面：经过身份验证的身份、限定范围的凭证，以及在资源处按主体评估的策略，与流量外观无关。
本工作室将此视为一项设计约束，而非等待填补的工具缺口。代理架构应假设分类会失效开放（fail open），并将强制执行放在身份已知的位置。覆盖率未能说明的是：被测工具面对不尝试伪装的代理时表现如何，以及检测率如何随配置和流量规模变化；所提供的报告仅给出单一测试范围，而非跨部署条件的基准测试。在将任何检测信号接入策略引擎之前，这些问题值得先行解答。