O agente que pesquisa
perde objetividade
sobre o próprio caminho

O resultado que muda a pergunta

Agentes de pesquisa profunda foram construídos para insistir. Eles planejam, pesquisam, abrem páginas, descartam resultados, reformulam consultas e continuam até que consigam produzir uma resposta. Essa persistência é parte do valor. Também pode ser uma fonte de viés.

Em 24 de agosto de 2026, Xiangxin Zhang e seus coautores publicaram o preprint From Inertia to Objectivity: Improving Deep Research Agents with Noise Isolation. O trabalho parte de uma pergunta simples: um modelo avalia uma busca da mesma forma quando foi ele próprio quem decidiu executá-la?

O resultado sugere que não. Quando o modelo recebe o histórico no qual propôs uma consulta e depois precisa decidir se os resultados bastam, ele tende a defender o caminho que já começou. Quando outro contexto recebe as mesmas observações de busca sem carregar a autoria da ação anterior, a decisão melhora de forma relevante.

Os autores chamam isso de inertia bias. O nome importa menos do que o mecanismo. A trajetória que ajuda o agente a agir também altera a maneira como ele julga a própria ação.

O problema não é que o agente tenha orgulho, intenção ou apego. Não há evidência para atribuir qualquer estado psicológico ao modelo. O que existe é um efeito observável do contexto: tokens que registram plano, decisão e conclusão anterior passam a integrar a entrada da próxima decisão. O sistema não revisa apenas a evidência. Revisa a evidência dentro de uma história que ele mesmo acabou de construir.

Mesma evidência, decisão diferente

Para medir o fenômeno, o paper introduz o IBIS, um benchmark que controla a observação e muda o enquadramento. Em uma condição, o modelo aparece como o agente que executou a busca. Na outra, aparece como observador que recebe o resultado para avaliar. As páginas encontradas permanecem iguais. O que muda é a relação do modelo com a ação anterior.

A versão final do conjunto tem 454 amostras. Em 245 delas, a decisão correta era pesquisar novamente. Nas outras 209, o agente deveria visitar uma página já encontrada. Essa separação permite observar dois erros comuns: insistir numa busca que já produziu um caminho útil ou encerrar cedo demais uma busca que ainda não reuniu evidência suficiente.

No subconjunto em que a resposta correta era pesquisar novamente, o enquadramento de observador melhorou a decisão em cerca de 15 a 30 pontos percentuais, dependendo do modelo avaliado. A diferença não veio de uma página melhor, de mais tokens de busca ou de uma ferramenta adicional. Veio de remover do contexto a autoria do passo anterior.

Esse desenho experimental tem uma qualidade rara nas discussões sobre agentes. Ele não depende de dizer que um modelo “parece teimoso”. Compara a decisão sob duas condições controladas e mostra que o histórico de ação muda o julgamento.

Ainda assim, o benchmark não é uma prova universal sobre todo tipo de agente. Parte do conjunto foi produzida com apoio de modelos, a classificação das tarefas pode carregar os limites do processo de construção e o preprint ainda está em sua primeira versão. O resultado é evidência de um mecanismo específico, não uma lei geral sobre raciocínio artificial.

Da autocorreção à separação de papéis

Boa parte da indústria tentou resolver falhas de agentes pedindo ao mesmo sistema que critique sua resposta, reflita mais ou revise passo a passo. Essa abordagem pode ajudar. Ela também preserva uma limitação estrutural: o revisor recebe o mesmo contexto que produziu o erro.

Quando uma decisão anterior está escrita no histórico, a crítica não começa do zero. Ela começa depois de um compromisso linguístico já registrado. O modelo pode encontrar um erro, mas também pode reinterpretar a evidência de forma compatível com a conclusão anterior. Quanto mais longo o percurso, maior a quantidade de contexto que precisa ser distinguida entre evidência, tentativa, hipótese e decisão.

O paper propõe o NIS-Agent, um desenho que aplica isolamento de contexto em dois pontos. O primeiro é a triagem de páginas: um componente separado avalia se cada resultado contém material útil, sem receber toda a trajetória da busca. O segundo é a validação da resposta: um contexto isolado verifica etapas e evidências antes de aceitar o resultado final.

Não é preciso transformar isso em um organograma com dezenas de agentes. A ideia central é menor. O componente que executa preserva contexto suficiente para continuar. O componente que verifica recebe apenas a pergunta, a evidência relevante, o critério de decisão e o artefato que precisa avaliar.

Essa divisão muda a função da memória. Em vez de considerar todo o histórico uma verdade acumulada, o sistema passa a tratá-lo como registro operacional. O verificador pode consultá-lo quando necessário, mas não precisa herdar cada justificativa produzida durante a execução.

Essa interface também precisa impedir um atalho comum: o executor não deveria resumir livremente o próprio histórico e entregar essa síntese como se fosse evidência neutra. A passagem precisa preservar fontes, trechos, consultas e critérios em campos distintos. Caso contrário, a separação de contextos apenas comprime a mesma narrativa e a envia para outro prompt. Independência não nasce do número de chamadas ao modelo. Nasce da possibilidade de o segundo componente reconstruir a decisão a partir de artefatos que não dependem da justificativa do primeiro.

O que os números sustentam

No paper, a aplicação do NIS-Agent ao GPT-4o elevou a pontuação reportada no GAIA de 54,88 para 61,82 e no WebWalkerQA de 46,5 para 57,5. Ao mesmo tempo, o uso médio de tokens caiu de aproximadamente 219,8 mil para 147,3 mil, uma redução de 33% em relação à linha de base dos autores.

Esses números não demonstram que a arquitetura venceu todos os agentes ou que isolamento sempre reduz custo. O desempenho varia entre benchmarks, e o sistema não foi o melhor em todas as condições de BrowseComp. Filtros podem eliminar uma página útil. Validadores podem rejeitar uma resposta correta. Separar contexto também pode remover uma informação necessária para interpretar a evidência.

O resultado mais útil não é o ranking. É a combinação entre qualidade e custo. O agente melhorou não porque pesquisou mais, mas porque deixou de carregar ruído para decisões que precisavam de independência. Em sistemas longos, contexto é orçamento cognitivo e econômico. Mais histórico pode significar mais custo e pior julgamento ao mesmo tempo.

O que o preprint ainda não prova

O trabalho precisa ser lido com a mesma disciplina que recomenda. É um preprint recente, não uma conclusão consolidada por reprodução independente. O IBIS mede decisões delimitadas de pesquisa, não todo o ciclo de investigação. A avaliação final ainda depende de modelos e métricas que podem favorecer determinados formatos de resposta.

Também existe uma troca de falhas. O agente original pode sofrer inércia, enquanto o componente isolado pode perder continuidade. Um filtro que não viu por que determinada busca foi feita talvez descarte uma página que só faz sentido dentro do plano. Um verificador independente pode exigir evidência desnecessária ou interromper uma resposta útil porque não conhece uma restrição operacional legítima.

Por isso, isolamento não significa amnésia. Significa definir interfaces. O verificador precisa receber o objetivo, os critérios, as fontes, as alegações e as permissões relevantes. O que ele não precisa receber automaticamente é a cadeia inteira de justificativas que levou o executor até ali.

Há ainda uma questão de autoridade. Se o verificador apenas produz uma crítica que o executor pode ignorar, a separação é estética. O sistema precisa determinar quais falhas bloqueiam a resposta, quais pedem nova pesquisa e quais podem ser registradas como incerteza. Essa política não deveria ser improvisada pelo mesmo prompt que está sendo auditado.

O desenho de produção que fica

Em produção, eu traduziria o resultado em quatro limites claros. O executor pode planejar e pesquisar. Um filtro isolado classifica fontes com critérios explícitos. Um validador recebe alegações e evidências para testar atribuição, cobertura e contradição. Uma política determinística decide se a tarefa termina, volta para pesquisa ou exige revisão humana.

Cada passagem precisa produzir um artefato observável. Consulta executada, página aberta, trecho usado, alegação sustentada, fonte rejeitada, motivo da rejeição e critério de parada. Sem isso, criar outro agente apenas desloca a opacidade.

O mesmo princípio vale fora de pesquisa. Um agente que altera código não deveria ser a única instância que decide se os testes foram suficientes. Um sistema que concede crédito não deveria validar sozinho a qualidade dos dados que selecionou. Uma IA que resume um processo judicial não deveria encerrar a própria auditoria sobre quais provas deixou de fora.

Separar execução e verificação não elimina erro. Cria a possibilidade de erros diferentes se encontrarem antes que a resposta vire decisão.

Essa distinção muda também o que deve ser medido. A taxa de respostas corretas continua importante, mas não basta. É preciso medir quantas alegações possuem fonte, quantas fontes foram descartadas incorretamente, quantas verificações realmente alteraram a conclusão e quantas vezes o sistema encerrou a busca por custo, não por suficiência. Sem essas métricas, o componente de auditoria pode virar apenas mais uma etapa cara que sempre concorda com o executor.

O debate sobre agentes costuma perguntar quanto contexto um sistema consegue carregar. O paper sugere uma pergunta melhor: qual contexto cada decisão tem o direito de receber?

Se o mesmo agente planejou, pesquisou, escolheu as fontes, escreveu a conclusão e decidiu que estava correto, não houve verificação independente. Houve uma geração mais longa.