Les agents d'IA font face à des inefficacités significatives, avec des taux d'achèvement des tâches tombant en dessous de 50 %, mettant en lumière les défis opérationnels des systèmes centrés sur les agents. Ces inefficacités proviennent des méthodes opérationnelles différentes des agents par rapport aux humains, impliquant souvent une expansion des requêtes sans contexte, ce qui affecte leur efficacité. Malgré ces défis, la transition vers des systèmes centrés sur les agents est en train de remodeler les structures de récupération des données, les bases de données vectorielles émergeant comme des composants cruciaux pour améliorer les moteurs de connaissance. Les bases de données vectorielles, comparées à des bibliothèques, fournissent des informations pertinentes pour la synthèse des connaissances, optimisant la précision de la récupération des données de 68 % à plus de 90 %. Cette amélioration est essentielle pour l'efficacité des applications d'IA, car elle soutient la synthèse et la génération de réponses, renforçant la fonctionnalité des moteurs de connaissance modernes. Le passage aux systèmes centrés sur les agents révèle des défauts fondamentaux dans les méthodes traditionnelles de récupération des données, soulignant la nécessité d'améliorer les systèmes pour remédier aux inefficacités des agents d'IA et optimiser les taux d'achèvement des tâches.