Les agents de recherche IA échouent face aux requêtes ambiguës
Les agents de recherche IA réalisent bien les tâches de recherche en plusieurs étapes, mais leur vrai défi réside dans l'ambiguïté — et non dans la recherche elle-même. Selon un nouveau benchmark, les modèles qui devinent sans poser de questions obtiennent de moins bons résultats, avec une précision aussi faible que 51,9 %. Même les meilleurs modèles n'atteignent que 43 % de précision globale face à des requêtes vagues.
Le problème ne vient pas du processus de recherche, mais de l'incapacité à affiner les entrées floues. Lorsque l'ambiguïté est levée, la précision s'améliore nettement, parfois de 40 points. Cela suggère que les agents de recherche IA ont besoin de meilleurs mécanismes pour gérer l'incertitude des demandes utilisateur.
Le prix des suppositions plutôt que des clarifications
Les chercheurs à l'origine du benchmark DiscoBench ont observé que les modèles privilégient souvent les recherches répétées plutôt que de demander des précisions. Cette approche échoue, car les requêtes vagues génèrent des résultats incohérents ou trompeurs. Les données montrent que même les modèles les plus avancés échouent à combler l'écart entre des entrées floues et des sorties précises.
Un benchmark pour mesurer la clarté
DiscoBench évalue comment les agents de recherche IA gèrent les requêtes ambiguës. Les résultats révèlent une faille critique : les modèles performent mal quand les utilisateurs ne précisent pas leur intention. Les conclusions du benchmark soulignent la nécessité de systèmes capables de détecter et résoudre l'ambiguïté de manière proactive, sans se contenter de faire des hypothèses.
Pour l'instant, les utilisateurs devront peut-être affiner manuellement leurs requêtes pour obtenir de meilleurs résultats. Tant que les agents de recherche IA ne sauront pas mieux poser de questions complémentaires, la clarté des demandes restera essentielle à la précision.
Source : The Decoder. Synthèse éditoriale assistée par IA — TechnoExpress.