El artículo académico 'DeepStress: Stress-Testing Deep Search Agents' propone un marco de pruebas dinámico para evaluar la robustez de los agentes de búsqueda de inteligencia artificial. A diferencia de los benchmarks tradicionales, que suelen carecer de evidencia de baja calidad, este sistema somete a los agentes a documentos sintéticos generados dinámicamente para cada consulta, controlando independientemente su fiabilidad, relevancia y factualidad. El objetivo es identificar cómo reaccionan los agentes ante fuentes con señales obvias de credibilidad deficiente, un escenario raro en los corpora estándar pero crítico para la seguridad y precisión de la IA.
Para caracterizar el comportamiento bajo estrés, el estudio abandona la clasificación binaria de precisión y adopta una clasificación de cinco vías para los resultados de la respuesta final. Además, introduce dos nuevas métricas de fiabilidad: RAS (Reliability-Aware Score) y CoPRAS (Cost-Per-Reliability-Aware Score). Estas métricas reconocen explícitamente el comportamiento cauteloso y toman en cuenta el coste computacional, permitiendo distinguir entre respuestas seguras y respuestas que priorizan la velocidad sobre la veracidad. La evaluación se realizó sobre 12 sistemas utilizando preguntas de los conjuntos de datos HotpotQA y BrowseComp-Plus. Los resultados revelan que varios agentes de pesos abiertos responden con confianza cuando las fuentes contienen banderas de credibilidad evidentes, y que muchos problemas de HotpotQA se resuelven utilizando conocimiento paramétrico interno incluso cuando todos los documentos devueltos son factualmente incorrectos. Este trabajo ofrece una herramienta técnica para investigadores y desarrolladores que buscan mejorar la fiabilidad de los sistemas de búsqueda en entornos reales donde la calidad de la información es variable.
