Os agentes de IA estão enfrentando ineficiências significativas, com taxas de conclusão de tarefas caindo abaixo de 50%, destacando desafios operacionais em sistemas centrados em agentes. Essas ineficiências decorrem dos métodos operacionais diferentes dos agentes em comparação com os humanos, frequentemente envolvendo a expansão de consultas sem contexto, o que impacta sua eficiência. Apesar desses desafios, a transição para sistemas centrados em agentes está remodelando as estruturas de recuperação de dados, com bancos de dados vetoriais emergindo como componentes cruciais para aprimorar os motores de conhecimento. Bancos de dados vetoriais, comparados a bibliotecas, fornecem informações relevantes para a síntese do conhecimento, otimizando a precisão da recuperação de dados de 68% para mais de 90%. Essa melhoria é essencial para a eficácia das aplicações de IA, pois apoia a síntese e geração de respostas, aprimorando a funcionalidade dos motores de conhecimento modernos. A mudança para sistemas centrados em agentes revela falhas fundamentais nos métodos tradicionais de recuperação de dados, ressaltando a necessidade de sistemas aprimorados para enfrentar as ineficiências dos agentes de IA e otimizar as taxas de conclusão de tarefas.