{"id":24324,"date":"2026-07-06T08:02:39","date_gmt":"2026-07-06T08:02:39","guid":{"rendered":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/"},"modified":"2026-07-06T08:02:39","modified_gmt":"2026-07-06T08:02:39","slug":"ai-search-agents-ambiguita-chiarimenti-discobench-2","status":"publish","type":"news","link":"https:\/\/shm.studio\/en\/news\/ai-search-agents-ambiguity-clarification-discobench-2\/","title":{"rendered":"AI search agents and ambiguity: the problem is asking"},"content":{"rendered":"<h2>The benchmark that changes the perspective on AI search agents<\/h2>\n<p>Per mesi il dibattito sugli AI search agent si \u00e8 concentrato sulla qualit\u00e0 delle fonti recuperate. Tuttavia, una ricerca recente sposta il fuoco altrove. Il benchmark <strong>DiscoBench<\/strong>, presentato a luglio 2026, analizza un problema diverso: cosa succede quando una query \u00e8 ambigua e l&#8217;agente deve decidere se cercare ancora o chiedere chiarimenti all&#8217;utente.<\/p>\n<p>The results, reported by <a href=\"https:\/\/the-decoder.com\/ai-search-agents-dont-fail-at-searching-they-fail-at-asking-the-right-questions-when-queries-get-ambiguous\/\" target=\"_blank\" rel=\"noopener noreferrer\">The Decoder<\/a>, are clear. Models that iterate through searches without asking for clarification achieve an accuracy of only 51.9%. Paradoxically, they perform worse than those that simply guess the answer. Furthermore, the best-performing model does not exceed 43% in overall accuracy.<\/p>\n<p>Dunque, il limite degli AI search agent non \u00e8 la capacit\u00e0 di recuperare dati. \u00c8 la capacit\u00e0 di riconoscere quando una domanda \u00e8 troppo vaga per produrre una risposta affidabile.<\/p>\n<h2>Problem Architecture: How a Search Agent Works Under Pressure<\/h2>\n<p>Un AI search agent, nella sua forma pi\u00f9 comune, opera in cicli. Riceve una query, la scompone, esegue ricerche multiple, sintetizza i risultati. Questo processo funziona bene su query precise. Al contrario, su query ambigue il sistema entra in un loop controproducente.<\/p>\n<p>In particular, the problem arises in three typical scenarios:<\/p>\n<ul>\n<li><strong>Query with multiple references<\/strong>: la stessa parola indica entit\u00e0 diverse a seconda del contesto (es. &#8220;Apple&#8221; come azienda o come frutto in un contesto alimentare).<\/li>\n<li><strong>Query with implicit intent<\/strong>: l&#8217;utente presuppone un contesto che l&#8217;agente non conosce.<\/li>\n<li><strong>Query with undefined scope<\/strong>: la richiesta \u00e8 troppo ampia e l&#8217;agente non sa dove delimitare la ricerca.<\/li>\n<\/ul>\n<p>In questi casi, cercare di pi\u00f9 non aiuta. Anzi, peggiora il risultato. Pertanto, la variabile critica diventa la capacit\u00e0 dell&#8217;agente di riconoscere l&#8217;ambiguit\u00e0 e interrompere il ciclo per chiedere.<\/p>\n<p>According to recent research from <a href=\"https:\/\/www.mckinsey.com\/capabilities\/mckinsey-digital\/our-insights\/the-state-of-ai\" target=\"_blank\" rel=\"noopener noreferrer\">McKinsey<\/a> sull&#8217;adozione dell&#8217;AI in azienda, la qualit\u00e0 dell&#8217;output degli strumenti AI dipende in misura crescente dalla qualit\u00e0 dell&#8217;interazione uomo-macchina. Questo dato si allinea perfettamente con quanto emerge da DiscoBench.<\/p>\n<h2>Il salto di 40 punti: cosa succede senza ambiguit\u00e0<\/h2>\n<p>DiscoBench include anche una condizione di controllo. Quando le query vengono riformulate per eliminare l&#8217;ambiguit\u00e0, l&#8217;accuratezza degli agenti sale fino a 40 punti percentuali. Questo \u00e8 il dato pi\u00f9 rilevante dell&#8217;intera ricerca.<\/p>\n<p>Significa che la tecnologia sottostante funziona. Il motore di ricerca, il modello linguistico, la capacit\u00e0 di sintesi: tutto \u00e8 operativo. Il problema \u00e8 a monte. Riguarda la fase di comprensione dell&#8217;intento, non quella di esecuzione.<\/p>\n<p>Di conseguenza, chi lavora con AI search agent in contesti professionali dovrebbe concentrarsi su due aree. Prima di tutto, la qualit\u00e0 del prompt iniziale e la struttura delle query. In seguito, la configurazione dell&#8217;agente affinch\u00e9 sappia quando chiedere, non solo come cercare.<\/p>\n<p>This has direct implications for those using AI tools in their workflows <a href=\"https:\/\/shm.studio\/en\/servizi\/seo\/\">SEO<\/a> e <a href=\"https:\/\/shm.studio\/en\/servizi\/digital-marketing\/\">digital marketing<\/a>.<\/p>\n<h2>Casi d&#8217;uso PMI: dove questo limite si fa sentire davvero<\/h2>\n<p>Per una PMI o un&#8217;azienda mid-market, gli AI search agent vengono spesso impiegati in attivit\u00e0 di ricerca competitiva, analisi di mercato, o supporto alla produzione di contenuti. In questi contesti, l&#8217;ambiguit\u00e0 \u00e8 la norma, non l&#8217;eccezione.<\/p>\n<p>Ad esempio, una query come &#8220;analisi dei competitor nel settore packaging sostenibile&#8221; pu\u00f2 riferirsi a competitor diretti, indiretti, geograficamente limitati o globali. Un agente che non chiede quale perimetro applicare produce un output che mischia livelli di analisi incompatibili.<\/p>\n<p>Analogamente, nelle attivit\u00e0 di <a href=\"https:\/\/shm.studio\/en\/servizi\/seo\/copywriting\/\">SEO copywriting<\/a> assistito da AI, una richiesta ambigua sul tono o sul pubblico target genera contenuti che non centrano l&#8217;obiettivo. Nonostante ci\u00f2, molti team continuano a usare questi strumenti senza una procedura di validazione dell&#8217;intento.<\/p>\n<p>Oltre a questo, il problema si amplifica quando l&#8217;agente \u00e8 integrato in workflow automatizzati. In quel caso, non c&#8217;\u00e8 un operatore umano pronto a correggere il tiro. L&#8217;output errato si propaga lungo tutto il processo.<\/p>\n<h2>Trade-off: Asking for too much versus not asking enough<\/h2>\n<p>C&#8217;\u00e8 un equilibrio delicato da trovare. Un agente che chiede chiarimenti a ogni query diventa inutilizzabile. Al contrario, uno che non chiede mai produce risultati inaffidabili su query complesse.<\/p>\n<p>La ricerca su DiscoBench non indica ancora quale sia la soglia ottimale di intervento. Tuttavia, suggerisce che i modelli attuali errano sistematicamente verso il secondo estremo: cercano invece di chiedere. Questo comportamento \u00e8 probabilmente il risultato del training, orientato a massimizzare la risposta immediata.<\/p>\n<p>According to an analysis by <a href=\"https:\/\/hbr.org\/2023\/11\/how-to-use-ai-to-do-stuff-an-opinionated-guide\" target=\"_blank\" rel=\"noopener noreferrer\">Harvard Business Review<\/a> sull&#8217;uso operativo dell&#8217;AI, la tendenza dei modelli a<\/p>","protected":false},"excerpt":{"rendered":"<p>DiscoBench rivela che gli AI search agent falliscono sull&#8217;ambiguit\u00e0, non sulla ricerca. Accuratezza al 43%: cosa significa per chi usa AI in azienda.<\/p>","protected":false},"author":7,"featured_media":24318,"template":"","meta":{"_acf_changed":false,"footnotes":""},"tags":[],"news-category":[162],"class_list":["post-24324","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-ai","entry"],"acf":{"tldr_content":"<p>Un nuovo benchmark chiamato DiscoBench ha misurato le prestazioni degli AI search agent su query ambigue. Il risultato \u00e8 sorprendente: il problema principale non \u00e8 la capacit\u00e0 di cercare informazioni, ma la mancanza di domande di chiarimento all'utente. Infatti, i modelli che cercano ripetutamente senza chiedere ottengono solo il 51,9% di accuratezza. Persino il modello migliore si ferma al 43% complessivo.<\/p><p>Tuttavia, quando l'ambiguit\u00e0 viene rimossa dalle query, l'accuratezza sale fino a 40 punti percentuali in pi\u00f9. Questo dato \u00e8 cruciale. Pertanto, il nodo non \u00e8 tecnologico in senso stretto: \u00e8 conversazionale. Un agente AI che non sa quando fermarsi a chiedere produce risposte peggiori di uno che semplicemente indovina.<\/p><p>In SHM Studio monitoriamo queste dinamiche con attenzione, perch\u00e9 impattano direttamente sull'efficacia degli strumenti AI integrati nei flussi di lavoro marketing e SEO. Di conseguenza, comprendere i limiti reali degli AI search agent \u00e8 oggi una priorit\u00e0 per qualsiasi responsabile digital che voglia adottare queste tecnologie in modo consapevole e misurabile.<\/p>"},"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.0 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>AI search agents e ambiguit\u00e0: il problema \u00e8 chiedere<\/title>\n<meta name=\"description\" content=\"DiscoBench rivela che gli AI search agent falliscono sull&#039;ambiguit\u00e0, non sulla ricerca. Accuratezza al 43%: cosa significa per chi usa AI in azienda.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/shm.studio\/en\/news\/ai-search-agents-ambiguity-clarification-discobench-2\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"AI search agents e ambiguit\u00e0: il problema \u00e8 chiedere\" \/>\n<meta property=\"og:description\" content=\"DiscoBench rivela che gli AI search agent falliscono sull&#039;ambiguit\u00e0, non sulla ricerca. Accuratezza al 43%: cosa significa per chi usa AI in azienda.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/shm.studio\/en\/news\/ai-search-agents-ambiguity-clarification-discobench-2\/\" \/>\n<meta property=\"og:site_name\" content=\"SHM Studio\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"3 minutes\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"AI search agents and ambiguity: the problem is asking","description":"DiscoBench reveals that AI search agents fail because of ambiguity, not because of the search itself. 43% accuracy: what this means for businesses using AI.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/shm.studio\/en\/news\/ai-search-agents-ambiguity-clarification-discobench-2\/","og_locale":"en_US","og_type":"article","og_title":"AI search agents e ambiguit\u00e0: il problema \u00e8 chiedere","og_description":"DiscoBench rivela che gli AI search agent falliscono sull'ambiguit\u00e0, non sulla ricerca. Accuratezza al 43%: cosa significa per chi usa AI in azienda.","og_url":"https:\/\/shm.studio\/en\/news\/ai-search-agents-ambiguity-clarification-discobench-2\/","og_site_name":"SHM Studio","twitter_card":"summary_large_image","twitter_misc":{"Est. reading time":"3 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/","url":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/","name":"AI search agents and ambiguity: the problem is asking","isPartOf":{"@id":"https:\/\/shm.studio\/#website"},"primaryImageOfPage":{"@id":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/#primaryimage"},"image":{"@id":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/#primaryimage"},"thumbnailUrl":"https:\/\/shm.studio\/wp-content\/uploads\/2026\/07\/ai-search-agents-ambiguita-chiarimenti-discobench-1.jpg","datePublished":"2026-07-06T08:02:39+00:00","description":"DiscoBench reveals that AI search agents fail because of ambiguity, not because of the search itself. 43% accuracy: what this means for businesses using AI.","breadcrumb":{"@id":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/#primaryimage","url":"https:\/\/shm.studio\/wp-content\/uploads\/2026\/07\/ai-search-agents-ambiguita-chiarimenti-discobench-1.jpg","contentUrl":"https:\/\/shm.studio\/wp-content\/uploads\/2026\/07\/ai-search-agents-ambiguita-chiarimenti-discobench-1.jpg","width":1536,"height":1024,"caption":"DiscoBench rivela che gli AI search agent falliscono sull'ambiguit\u00e0, non sulla ricerca. Accuratezza al 43%: cosa significa per chi usa AI in azienda."},{"@type":"BreadcrumbList","@id":"https:\/\/shm.studio\/news\/ai-search-agents-ambiguita-chiarimenti-discobench-2\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/shm.studio\/"},{"@type":"ListItem","position":2,"name":"News","item":"https:\/\/shm.studio\/news\/"},{"@type":"ListItem","position":3,"name":"AI search agents e ambiguit\u00e0: il problema \u00e8 chiedere"}]},{"@type":"WebSite","@id":"https:\/\/shm.studio\/#website","url":"https:\/\/shm.studio\/","name":"SHM Studio","description":"Your digital partner","publisher":{"@id":"https:\/\/shm.studio\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/shm.studio\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/shm.studio\/#organization","name":"SHM Studio","url":"https:\/\/shm.studio\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/shm.studio\/#\/schema\/logo\/image\/","url":"https:\/\/shm.studio\/wp-content\/uploads\/2026\/06\/shmlogotipo.svg","contentUrl":"https:\/\/shm.studio\/wp-content\/uploads\/2026\/06\/shmlogotipo.svg","caption":"SHM Studio"},"image":{"@id":"https:\/\/shm.studio\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/news\/24324","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/users\/7"}],"version-history":[{"count":0,"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/news\/24324\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/media\/24318"}],"wp:attachment":[{"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/media?parent=24324"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/tags?post=24324"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/shm.studio\/en\/wp-json\/wp\/v2\/news-category?post=24324"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}