Naukowcy zaproponowali rozwiązanie fundamentalnego problemu w bezpieczeństwie agentów AI - jak dynamicznie kontrolować ich uprawnienia w zależności od bieżących warunków pracy. Dotychczas systemy autoryzacji były statyczne lub brakowało im precyzyjnej specyfikacji. TRAP mapuje tzw. Authorization Readiness Score (ARS), czyli ważoną kombinację zaufania do agenta, jego stabilności operacyjnej i ryzyka kontekstowego, na dyskretne poziomy uprawnień za pomocą asymetrycznej reguły.
Klucz do podejścia tkwi w asymetrii: aby agent uzyskał wyższe uprawnienia, musi wykazywać konsekwentnie wysoką gotowość przez kilka obserwacji z marginesem bezpieczeństwa, ale utrata uprawnień następuje natychmiast po spadku wskaźnika. Testy na 100 symulacjach Monte Carlo wykazały, że TRAP lepiej niż wcześniejsze metody sobie radzi w sytuacjach nagłego pogorszenia warunków - szybciej ogranicza uprawnienia na początek i szybciej je przywraca po powrocie do stabilności. Wśród adaptacyjnych polityk TRAP osiągnął też najmniejszą zmienność w stabilności systemu.
Badacze sprawdzili też wrażliwość TRAP na różne parametry. Czas powrotu do pełnych uprawnień rośnie wraz z marginesem eskalacji i długością symulacji, zmienia się w zależności od wag poszczególnych czynników, ale pozostaje niezmienny przy zmianie progu restrykcji. W dodatkowym eksperymencie, gdy degradacja Following rozprzestrzeniała się stopniowo przez 5-20 interwałów zamiast natychmiast, TRAP aktywował restrykcje tylko w przypadkach utrzymujących spadek powyżej progu. To sugeruje, że system może być bardziej odporny niż na nagłe zmiany.