✨︎ Resumen (TL;DR):
- Un agente de IA llegó a 186 llamadas de búsqueda para responder una sola pregunta en pruebas controladas.
- El análisis de ASQ examinó cerca de un millón de secuencias, con tres colecciones, cinco variantes de agentes y seis configuraciones.
- LASAGNA mostró que mejorar la recuperación de documentos puede perjudicar la fidelidad de las respuestas, por lo que ambas métricas requieren evaluaciones separadas.
Un estudio publicado en PLOS One el 21 de octubre de 2026 registró hasta 186 llamadas de búsqueda para responder una sola pregunta con un agente de IA. Francesca Pezzuti y sus coautores analizaron cerca de un millón de secuencias en ASQ para medir cómo los agentes repiten y reformulan consultas dentro de sistemas de generación aumentada por recuperación. El máximo apareció en pruebas controladas, por lo que extrapolarlo a servicios comerciales requiere datos de uso real.
La generación aumentada por recuperación (RAG) es una técnica que permite a un modelo consultar documentos externos. Cuando el sistema usa agentes, decide cuándo volver a buscar y reformula las consultas según los resultados que encuentra.
El análisis de ASQ trabajó con tres colecciones documentales, cinco variantes de agentes y seis configuraciones de recuperación. Detectó consultas repetidas y diferencias entre las configuraciones evaluadas.
Además del artículo de ASQ, otros tres trabajos difundidos en arXiv ese mismo día estudiaron dónde aparecen las pérdidas y propusieron cambios en la manera de buscar o conservar evidencia.
Recuperar documentos relevantes no basta
LASAGNA comparó 450 configuraciones de RAG en ocho bancos de pruebas. Las colecciones tenían entre 5,000 y 200,000 documentos. Al ampliar la colección, cambió la combinación ganadora.
En una combinación, las mejoras individuales de tres técnicas hacían prever un aumento de 46.6 % en NDCG@10, una métrica que valora los diez primeros resultados según su relevancia y posición. Cuando las técnicas se reunieron, la mejora fue de 17.2 % frente a la misma configuración de referencia.
LASAGNA también midió la fidelidad, entendida como el respaldo documental de las afirmaciones generadas. Las decisiones que mejoraron la recuperación podían perjudicar esa fidelidad.
Encontrar material relevante y usarlo para sustentar una respuesta son objetivos distintos. La veracidad de las fuentes requiere una comprobación adicional.
Las comparaciones principales utilizaron una base construida en inglés y hasta 200 preguntas de generación por experimento. LASAGNA deja disponible su marco de evaluación para repetir las comparaciones con otras configuraciones y colecciones documentales.
MAPS intenta evitar que la búsqueda se desvíe
MAPS, desarrollado por investigadores de las universidades Northeastern, en Shenyang, y Tsinghua, aborda la tendencia de seguir una dirección de búsqueda que se aleja de la pregunta inicial. El trabajo analiza cómo las consultas anteriores condicionan las siguientes.
El método conserva la evidencia recuperada y una versión depurada del estado de razonamiento. Con ese material genera consultas complementarias en paralelo y reúne sus resultados antes de continuar.
El equipo reportó mejores puntuaciones que los métodos comparados en seis pruebas de preguntas y respuestas, con dos modelos de Qwen. Utilizó 1,000 preguntas por conjunto, salvo GPQA Diamond, que utilizó 198.
ThreadRAG compara precisión y consumo de tokens
ThreadRAG organiza fragmentos que conservan su contexto en una red de relaciones narrativas, semánticas y léxicas. Después selecciona las rutas relevantes y recompone la evidencia como texto continuo para el modelo.
En HotpotQA, con Qwen3.5 plus, obtuvo una coincidencia exacta de respuestas de 58.6 %, frente a 44.2 % de IRCoT. La diferencia fue de 14.4 puntos porcentuales. Esta métrica compara la respuesta con una referencia después de normalizar el texto.
En MuSiQue, su consumo total de tokens, las unidades de texto que procesan los modelos, equivalió a 23.3 % del registrado por KnowTrace en una muestra de 100 consultas.
El cálculo incluye la construcción de los grafos y la ejecución de las respuestas, de modo que parte de la ventaja procede del costo inicial del competidor.
Resultados acotados a cada prueba
El artículo de ASQ pasó revisión por pares en PLOS One. MAPS y LASAGNA se presentan como preprints, mientras que la ficha de ThreadRAG declara su aceptación en Findings de EMNLP 2026.
Sus resultados corresponden a los bancos de pruebas y configuraciones evaluados. El registro de 186 búsquedas describe pruebas controladas; llevar ese comportamiento a un servicio comercial exige datos de uso real.
Los cuatro trabajos separan dos objetivos que no siempre avanzan juntos: recuperar documentos relevantes y respaldar correctamente las afirmaciones generadas. Una mejora en recuperación puede venir acompañada de una caída en fidelidad, según la configuración analizada.
El marco de LASAGNA queda disponible para repetir comparaciones con otras colecciones documentales. Esa comprobación permitirá saber si las consultas repetidas y las cadenas de búsqueda observadas en estos experimentos se mantienen fuera de los bancos de pruebas evaluados.
