Idea principale

Molti sistemi di deep research seguono un'architettura «cercare → estrarre → riassumere → scrivere». Anche quando lanciano più ricerche, queste restano rami di un piano definito molto presto. La ricerca vi è una fase che precede la generazione.

Un ciclo davvero adattivo richiede che l'agente mantenga uno stato: il perimetro, le conoscenze stabilizzate, la loro provenienza e il loro livello di supporto, le contraddizioni, le incertezze, le lacune individuate, le ricerche già condotte, le strategie che non hanno dato nulla, le aree giudicate sature. È questo stato che gli permette di rispondere all'unica domanda utile a ogni passo: quale ricerca massimizza adesso la probabilità di un guadagno di conoscenza?

La profondità non sostituisce questo stato. Un agente può leggere cento documenti ripetendo gli stessi bias, esplorare moltissimo senza mai cercare la fonte che contraddice la sua conclusione centrale, accumulare un contesto gigantesco senza sapere cosa resta incerto.

Perché è importante

Sposta il criterio di valutazione di uno strumento di ricerca basato sull'IA: non quante fonti legge, ma cosa sa di ciò che ha capito e di ciò che gli manca.

E dice cosa bisogna costruire oltre a una pipeline di ricerca: una memoria dello stato della conoscenza, aggiornata a ogni iterazione e riletta prima della successiva.

Sfumature e limiti

Mantenere questo stato ha un costo, in token come in progettazione, e su una domanda semplice basta una ricerca lineare.

E uno stato tenuto male — incertezze non aggiornate, aree dichiarate sature a torto — porta l'agente a scelte più sicure di sé ma non più giuste.

Domande aperte

• In quale forma questo stato resta leggibile per un essere umano che vuole controllare le scelte dell'agente?