Una investigación conjunta entre la Academia de Internet de Oxford y otras instituciones indicó que los métodos de evaluación de la inteligencia artificial a menudo exageran su desempeño y carecen de precisión científica y rigor. Los investigadores analizaron 445 pruebas estandarizadas y encontraron que muchos de los objetivos en estas pruebas no estaban claros y carecían de fiabilidad, lo que suscita dudas sobre su efectividad. Los investigadores pidieron una revisión profunda de estas pruebas.