Onderzoekers hebben ontdekt dat de volgorde waarin informatie binnenkomt bij taalmodel-agenten hun uiteindelijke zoekbeslissingen en resultaten significant kan beïnvloeden, zelfs wanneer de beschikbare bewijslast identiek is.
In een recent wetenschappelijk onderzoek is aangetoond dat asynchroon informatie verzamelen een onvoorziene impact heeft op de werking van AI-agenten. Wanneer agenten complexe taken oplossen via parallelle redenering, blijkt dat de timing van de levering van gegevens de koers van hun zoektocht kan wijzigen. Dit fenomeen wordt beschreven in het artikel "arxiv.org", ingediend op 19 oktober 2026.
De impact van asynchroniteit
De onderzoekers, waaronder Ruiyang Ren, Yuhao Wang, Yinan Zhang en Chunyan Miao, voerden gecontroleerde tests uit over drie verschillende benchmarks en twee modelfamilies. Hieruit bleek dat de timing van de informatievoorziening beslissingen heroriënteert die al zijn genomen voordat alle resultaten zijn gearriveerd.
Een opvallende bevinding is dat het verschil in informatieverwerving (acquisition disagreement) tot wel 24 procentpunten hoger kan liggen dan de variatie die optreedt bij herhalingen in dezelfde volgorde. Volgens de publicatie op houdt deze afhankelijkheid aan, zelfs nadat alle initiële bewijzen zijn binnengekomen en er een tweede zoekronde is gestart. Hierdoor worden tijdelijke verschillen in de waargenomen informatie omgezet in blijvende verschillen in wat de agent uiteindelijk verzamelt.
Introductie van Confluent Evidence Acquisition (CEA)
Om dit probleem aan te pakken, hebben de auteurs een nieuwe methode geïntroduceerd: Confluent Evidence Acquisition (CEA). Deze benadering werkt door lokale redeneringen pas vrij te geven wanneer het bewijs voor elke specifieke subvraag volledig is. Daarnaast wordt de gedeelde zoekopdracht onafhankelijk van de volgorde van voltooiing toegewezen.
De resultaten van de implementatie van CEA zijn volgens de positief:
- Het verschil in informatieverwerving werd teruggebracht tot binnen 1,0 procentpunt van de herhalingsvariatie.
- De nauwkeurigheid werd vergelijkbaar met controles waarbij alle input direct beschikbaar was.
- Er was een verbetering ten opzichte van 'vroege toezeggingen' (early commitment) van maximaal 12,6 procentpunten.
Bovendien bleek uit tijdmetingen dat CEA sneller tot beslissingen komt en sneller reageert dan programma's die simpelweg wachten tot alle initiële bewijzen zijn verzameld.
Risico's van flexibele allocatie
Het onderzoek waarschuwt echter voor het vervangen van de vaste allocatie van CEA door een 'first-ready' allocatie bij hevige concurrentie. In dat scenario steeg het verschil in informatieverwerving opnieuw met 21,6 procentpunten, hoewel de onenigheid over lokale query-doelen dicht bij de normale variatie bleef.
Terwijl dit onderzoek zich richt op de complexe architectuur van AI-schedulers en informatie-retrieval, is het belangrijk dit niet te verwarren met eenvoudige software-instrumenten voor taakbeheer. Zo biedt wikihow.com bijvoorbeeld praktische instructies over hoe gebruikers de Task Scheduler in Windows 10 en 11 kunnen openen via de Run-dialoog of de opdrachtprompt, wat een fundamenteel ander type scheduling betreft dan de asynchrone informatieverwerking in taalmodellen.
De conclusie van de onderzoekers op is dat de manier waarop een scheduler informatie aanbiedt, in feite fungeert als een onzichtbare 'retriever' die bepaalt welke bewijzen de AI-agent uiteindelijk hanteert.