Los agentes de investigación con IA no fallan al buscar, sino al hacerte preguntas
Una nueva prueba de Tencent y Tsinghua descubre que, ante preguntas ambiguas, los agentes de IA que buscan más obtienen peores resultados que los que simplemente preguntan al usuario, y ni siquiera el mejor modelo alcanza el 50 por ciento.
Si alguna vez un asistente de IA ha investigado con total seguridad algo que no era lo que pedías, un nuevo estudio explica el motivo, y probablemente no sea el que imaginas. Investigadores de Tencent Hunyuan y la Universidad Tsinghua crearon DiscoBench, una prueba que evalúa cómo gestionan los agentes de búsqueda con IA un problema muy humano: preguntas vagas, incompletas o que contienen un error. Su conclusión es que los agentes rara vez fallan porque no sepan buscar. Fallan porque no se detienen a preguntarte qué querías decir realmente.
La prueba contiene 211 tareas de investigación con varios pasos y 463 puntos deliberadamente ambiguos: un nombre que coincide con varias personas, una versión o un periodo temporal sin aclarar, o un error factual incorporado. En cada paso, el agente puede seguir buscando, plantear al usuario una pregunta aclaratoria o responder. Se evaluaron once modelos recientes y ninguno alcanzó el 50 por ciento: el mejor, Doubao Seed 2.0 Pro de ByteDance, llegó a una precisión completa del 43,1 por ciento; Gemini 3.1 Pro obtuvo un 40,8 y Claude Opus 4.7, un 39,8 por ciento. Al eliminar la ambigüedad de las mismas preguntas, la precisión aumenta hasta 40 puntos. El problema no es la investigación, sino el malentendido.
¿Qué hay detrás? El análisis del comportamiento es la parte interesante. En los pasos ambiguos, los agentes que buscaron y después formularon una pregunta de seguimiento acertaron el 93,4 por ciento de las veces. Los que hicieron una suposición sin preguntar alcanzaron el 56,5 por ciento. Y los agentes que buscaron una y otra vez sin preguntar obtuvieron el peor resultado de todos, un 51,9 por ciento, peor incluso que limitarse a adivinar. La interpretación de los investigadores es que esas búsquedas repetidas muestran que el modelo percibía que algo no encajaba, pero nunca convirtió la duda en una pregunta. En una cadena de investigación con varios pasos, una suposición equivocada al principio contamina discretamente todo lo que viene después. Incluso decir expresamente a los modelos que estuvieran atentos a las ambigüedades ayudó poco: mejoraron al detectar preguntas poco claras, no al resolverlas. Una salvedad: las tareas están principalmente en chino y reflejan la búsqueda web en ese idioma, por lo que las cifras exactas podrían variar en otras lenguas.
Qué significa esto para ti: La lección práctica es sorprendentemente sencilla: la mayor palanca para mejorar los resultados de una investigación con IA es que tú seas específico. Qué persona, qué versión, qué periodo temporal y según qué criterio; aclararlo desde el principio puede aportar más que cualquier actualización de modelo. Y cuando una IA presente los resultados de una investigación profunda con absoluta seguridad, recuerda que casi nunca se preguntó a sí misma si había entendido el encargo. Si un resultado huele mal, comprueba el primer paso de su razonamiento, no el último: ahí viven las suposiciones equivocadas. Fíjate en los asistentes que plantean preguntas aclaratorias; según estas pruebas, es una función que conviene buscar activamente.
Fuentes
Deberes más rápidos, peores exámenes: un estudio con 26.000 alumnos cifra el coste oculto de la IA para el aprendizaje
Un estudio de 30 meses con estudiantes chinos de secundaria concluye que quienes usaban IA terminaban antes los deberes y obtenían mejores notas, pero sus resultados en los exámenes caían hasta un 24 por ciento y el daño completo tardaba dos años en aparecer.
