Idea principal

Muchos sistemas de deep research siguen una arquitectura "buscar → extraer → resumir → redactar". Incluso cuando lanzan varias búsquedas, estas siguen siendo ramas de un plan definido muy pronto. La investigación es ahí una fase que precede a la generación.

Un bucle realmente adaptativo exige que el agente mantenga un estado: el perímetro, los conocimientos estabilizados, su procedencia y su nivel de respaldo, las contradicciones, las incertidumbres, los huecos identificados, las búsquedas ya realizadas, las estrategias que no han dado nada, las zonas consideradas saturadas. Es ese estado el que le permite responder a la única pregunta útil en cada paso: ¿qué búsqueda maximiza ahora la posibilidad de una ganancia de conocimiento?

La profundidad no sustituye a ese estado. Un agente puede leer cien documentos repitiendo los mismos sesgos, explorar muchísimo sin buscar nunca la fuente que contradice su conclusión central, acumular un contexto gigantesco sin saber qué sigue siendo incierto.

Por qué es importante

Desplaza el criterio de evaluación de una herramienta de investigación con IA: no cuántas fuentes lee, sino qué sabe de lo que ha entendido y de lo que le falta.

Y dice qué hay que construir además de un pipeline de búsqueda: una memoria del estado del conocimiento, actualizada en cada iteración y releída antes de la siguiente.

Matices y límites

Mantener ese estado cuesta, en tokens y en diseño, y ante una pregunta sencilla basta con una búsqueda lineal.

Y un estado mal mantenido — incertidumbres sin actualizar, zonas declaradas saturadas sin serlo — lleva al agente a decisiones más seguras de sí mismas, pero no más acertadas.

Preguntas abiertas

• ¿Bajo qué forma sigue siendo ese estado legible para una persona que quiere controlar las decisiones del agente?