Los agentes de búsqueda basados en modelos de lenguaje grandes (LLM) han demostrado una capacidad notable para recuperar información y sintetizar respuestas complejas. Sin embargo, un estudio reciente publicado en The Decoder y respaldado por el nuevo benchmark DiscoBench expone una debilidad crítica: no es la búsqueda en sí lo que falla, sino la incapacidad de los modelos para detectar ambigüedad y pedir aclaraciones al usuario antes de actuar.
DiscoBench evalúa específicamente cómo manejan los agentes las consultas abiertas a múltiples interpretaciones. Los resultados son reveladores: los modelos que optan por buscar repetidamente sin pedir contexto alcanzan apenas un 51,9 % de precisión, desempeño incluso inferior al de aquellos que simplemente "adivinan" la intención. El mejor modelo evaluado apenas roza el 43 % de precisión global. En cambio, cuando los investigadores eliminan la ambigüedad de las consultas —reformulándolas de forma explícita—, la precisión salta hasta 40 puntos porcentuales.
Este hallazgo cambia el foco del debate técnico. Hasta ahora, la mayor parte del esfuerzo en I+D se ha centrado en mejorar la recuperación de documentos, el razonamiento en cadena (chain-of-thought) o la síntesis de respuestas. DiscoBench sugiere que el cuello de botella real reside en la interacción humano-máquina: la capacidad del agente para reconocer sus propios límites de comprensión y lanzar una pregunta de seguimiento ("¿Te refieres a X o a Y?") antes de ejecutar una búsqueda costosa y potencialmente errónea.
Las implicaciones para el producto son inmediatas. Los asistentes de investigación profunda (deep research) que prometen informes autónomos de varias páginas corren el riesgo de generar "alucinaciones estructuradas" si no incorporan un bucle de clarificación obligatorio. Empresas como Perplexity, You.com o los propios ChatGPT y Gemini deberían replantear su arquitectura para incluir un módulo de detección de ambigüedad que obligue al modelo a preguntar cuando la entropía de la consulta supere un umbral.
Desde la perspectiva de la evaluación, DiscoBench establece una métrica necesaria: no basta medir la exactitud final; hay que medir la "tasa de clarificación exitosa". Un agente que pregunta bien y reduce la incertidumbre antes de buscar es más valioso que uno que busca mucho pero mal. Este cambio de paradigma —de "retrieval-augmented generation" a "clarification-augmented generation"— podría definir la próxima generación de asistentes de IA realmente útiles para profesionales que necesitan respuestas precisas, no solo respuestas rápidas.
