Pułapka domysłów: dlaczego agenci AI oblewają testy z szukania informacji

Sztuczna inteligencja ma poważny problem z nadmierną pewnością siebie. Najnowsze badania ujawniają, że gdy agenci AI napotykają niejasne instrukcje, zamiast dopytać o szczegóły, wolą po prostu zgadnąć. Ten mechanizm prowadzi do kaskadowych błędów, które sprawiają, że nawet najbardziej zaawansowane systemy stają się bezużyteczne w skomplikowanych projektach badawczych.

To odkrycie jest kluczowe w połowie 2026 roku, ponieważ pokazuje fundamentalną słabość autonomicznych systemów. W świecie zdominowanym przez narzędzia mające wyręczać nas w analizie danych, ukryta wieloznaczność w zapytaniach rodzi ryzyko podjęcia fatalnych decyzji biznesowych. Modele nie potrafią przyznać się do niewiedzy, co przy rosnącej autonomii AI otwiera drogę do systemowej dezinformacji opartej nie na kłamstwie, ale na błędnych założeniach.

Porażka liderów rankingu

Tradycyjne testy, jak GAIA czy BrowseComp, przyzwyczaiły nas do wizji, w której AI radzi sobie świetnie, o ile ma dostęp do sieci. Rzeczywistość zweryfikowała jednak framework DiscoBench. Naukowcy z Tencent Hunyuan i Uniwersytetu Tsinghua przygotowali ponad 200 zadań z 11 dziedzin, w których celowo zaszyto punkty niejednoznaczności. Efekt? Czołowe modele, takie jak Doubao Seed 2.0 Pro czy Gemini 3.1 Pro, osiągnęły skuteczność na poziomie zaledwie 40-43 procent w scenariuszach wymagających wykrycia braku precyzji.

Jak zauważa zespół badawczy w raporcie z czerwca 2026: „Bez mechanizmów przekształcających niepewność wyszukiwania w dialog z użytkownikiem, agenty pozostaną jedynie zaawansowanymi automatami do powielania błędnych założeń”. Nawet Claude Opus 4.7, choć niezwykle aktywny w korzystaniu z wyszukiwarek, wypadał gorzej niż prostsze modele, które potrafiły zatrzymać się i poprosić o wyjaśnienie.

Dlaczego AI nie pyta?

Problem nie leży w algorytmach wyszukiwania, lecz w architekturze komunikacji. Agenci najsprawniej wykrywają błędy faktograficzne, które wywołują logiczny zgrzyt w wynikach. Jednak gdy muszą wybrać między dwiema podobnie brzmiącymi firmami lub ocenić dane według niejasnych kryteriów, po prostu wybierają dowolną ścieżkę. Zespół badawczy podkreśla, że „największą trudność sprawiają im wybory między wieloma pasującymi encjami lub niejasne kryteria oceny danych”.

Nowa strategia: flagowanie i kod

Dostawcy technologii już reagują na te doniesienia. Branża odchodzi od ślepego wydłużania łańcuchów rozumowania na rzecz lepszej interakcji z człowiekiem. Oto jak zmienia się rynek:

• Anthropic: Model Claude Opus 4.8 wprowadził w lipcu 2026 funkcję „flagowania niepewności”, która wymusza na AI kontakt z użytkownikiem przed podjęciem kluczowych kroków.
• Perplexity: Firma testuje rozwiązanie Search as Code, gdzie AI generuje skrypty w Pythonie do obsługi przepływów danych, co ma wyeliminować element intuicyjnego zgadywania.
• Aktualizacja benchmarków: Standardy GAIA i BrowseComp zostały uzupełnione o testy na wieloznaczność, co kończy erę fałszywie wysokich wyników w rankingach.

Ostatecznie walka o merytoryczną poprawność przenosi się z pola „jak szukać” na pole „o co pytać”. Przyszłość należy do agentów, którzy nie boją się powiedzieć: „nie rozumiem polecenia”.