Los agentes de IA enfrentan ineficiencias significativas, con tasas de finalización de tareas que caen por debajo del 50%, lo que resalta los desafíos operativos en los sistemas centrados en agentes. Estas ineficiencias provienen de los diferentes métodos operativos de los agentes en comparación con los humanos, que a menudo implican la expansión de consultas sin contexto, lo que afecta su eficiencia. A pesar de estos desafíos, la transición hacia sistemas centrados en agentes está remodelando las estructuras de recuperación de datos, con las bases de datos vectoriales emergiendo como componentes cruciales para mejorar los motores de conocimiento. Las bases de datos vectoriales, comparadas con bibliotecas, proporcionan información relevante para la síntesis del conocimiento, optimizando la precisión de la recuperación de datos del 68% a más del 90%. Esta mejora es esencial para la efectividad de las aplicaciones de IA, ya que apoya la síntesis y generación de respuestas, mejorando la funcionalidad de los motores de conocimiento modernos. El cambio hacia sistemas centrados en agentes revela fallas fundamentales en los métodos tradicionales de recuperación de datos, subrayando la necesidad de sistemas mejorados para abordar las ineficiencias de los agentes de IA y optimizar las tasas de finalización de tareas.