Pour répondre à une seule question, un agent IA peut en formuler plusieurs autres. Une étude publiée dans PLOS One le 21 octobre 2026 montre comment ces recherches s'enchaînent et pourquoi leur nombre ne dit pas, à lui seul, si la réponse sera juste.
Imaginons une question simple en apparence : « Dans quelle ville est né l'architecte de ce musée ? » Pour trouver la réponse, un assistant peut d'abord rechercher le nom de l'architecte, puis son lieu de naissance. La seconde recherche dépend alors de ce que la première lui a appris. La phrase tapée par l'utilisateur n'est que le point de départ du travail.
C'est ce parcours que Francesca Pezzuti et ses coauteurs rendent observable avec ASQ, leur jeu de données sur la recherche des agents IA. Ils ont enregistré environ 1,02 million de traces, autrement dit des suites d'actions associées à une question de départ. Leurs résultats révèlent des recherches qui progressent par reformulations, mais peuvent aussi revenir sur leurs pas.
L'agent cherche ce qui lui manque
Un modèle de langage peut répondre à partir de ses connaissances acquises pendant l'entraînement. Lorsqu'il dispose d'un outil de recherche, il peut aussi récupérer des documents pour construire sa réponse. Les agents étudiés vont plus loin qu'une consultation unique : ils décident quoi chercher, examinent les informations reçues, puis peuvent lancer une nouvelle requête.
Dans notre exemple fictif, la première requête pourrait être « architecte du musée X ». Après avoir trouvé un nom, l'agent chercherait « lieu de naissance de Y ». Il ne répète pas la question initiale avec d'autres mots. Il la décompose en étapes dont chacune apporte une pièce nécessaire à la réponse.
Les chercheurs suivent précisément cette succession : requêtes intermédiaires, documents renvoyés et réponse finale. Ils travaillent sur trois ensembles de questions et cinq variantes d'agents accessibles aux chercheurs, dans un environnement de recherche contrôlé. Les documents proviennent de corpus constitués, notamment d'articles Wikipédia et de textes issus du Web. Les systèmes commerciaux comme ChatGPT ne font pas partie de l'expérience.
Reformuler n'est pas toujours avancer
Changer de requête peut ouvrir une piste. Revenir à une requête déjà utilisée peut, au contraire, ramener exactement au même endroit.
L'étude distingue ainsi la répétition immédiate d'une recherche et le retour à une formulation plus ancienne, après une ou plusieurs étapes intermédiaires. Dans notre scénario, ce second cas reviendrait à rechercher de nouveau « architecte du musée X » après avoir déjà lancé la recherche sur son lieu de naissance.
Pourquoi cette différence compte-t-elle ? Dans un moteur dont le classement est déterministe, une requête identique renvoie les mêmes résultats, à configuration inchangée. L'agent peut alors recevoir une nouvelle fois les mêmes documents sans obtenir l'information qui lui manque. Les auteurs identifient ce risque de redondance dans les parcours observés.
Tous les agents ne se comportent pas de la même façon. Sur HotpotQA, un ensemble de questions nécessitant de relier plusieurs informations, les deux agents examinés étape par étape privilégient des reformulations substantielles plutôt que le simple ajout ou retrait de mots. Mais l'agent fondé sur Qwen-7B revient davantage à des requêtes précédentes que celui utilisant GPT-OSS-20B. La stratégie de recherche dépend donc aussi du système chargé de mener l'enquête.
Une longue recherche ne garantit pas une réponse juste
Dans ASQ, la trace la plus longue atteint 186 appels de recherche. C'est un maximum observé, pas le nombre habituel de recherches pour répondre à une question. Les longueurs varient fortement selon l'agent, les questions et les réglages du moteur.
Multiplier les recherches n'est pas, en soi, une preuve de qualité. Sur HotpotQA, où les chercheurs disposent des réponses attendues, les réponses correctes sont généralement associées à des parcours plus courts et moins répétitifs. Cette relation reste faible et n'apparaît pas dans toutes les configurations. On ne peut donc pas transformer le nombre d'étapes en note de fiabilité.
Donner davantage de documents à l'agent ou modifier leur ordre de présentation ne raccourcit pas non plus systématiquement son parcours. Ces changements aident dans certaines configurations, avec des effets qui varient selon l'agent et le réglage. Pour concevoir un assistant efficace, il faut évaluer ensemble sa manière de chercher et les informations que son moteur lui fournit.
Les sources prennent leur sens dans le parcours
Ces recherches intermédiaires intéressent aussi ceux qui publient des informations. La question formulée par l'utilisateur ne révèle pas toutes les formulations que l'agent emploiera pour trouver ses documents. Une page peut être rencontrée au détour d'une recherche intermédiaire, consacrée à un nom ou à un détail absent de la demande initiale.
Chez Maple Labs, l'analyse des requêtes et des pages explorées sert notamment à distinguer deux rôles : faire découvrir une option et apporter les informations qui permettent de l'évaluer. Dans une recherche de produit ou de service, identifier un candidat ne suffit pas à vérifier qu'il répond au besoin. Il faut encore trouver ses caractéristiques, ses conditions ou les preuves pertinentes. Le rôle d'une page se comprend à partir de son utilisation dans ce parcours, pas seulement de sa présence dans les résultats.
Pour lire une réponse d'IA, la même distinction est utile : une source trouvée n'est pas encore une information utilisée pour répondre. Lorsqu'un assistant rend ses recherches consultables, regarder les étapes peut révéler un lien manquant ou une répétition. La bonne question devient alors : quelle information nouvelle chaque recherche a-t-elle apportée pour répondre à la demande de départ ?
