NExT-Search: Reconstruyendo el Ecosistema de Retroalimentación del Usuario para la Búsqueda con IA Generativa

NExT-Search: Rebuilding User Feedback Ecosystem for Generative AI Search

May 20, 2025

Autores: Sunhao Dai, Wenjie Wang, Liang Pang, Jun Xu, See-Kiong Ng, Ji-Rong Wen, Tat-Seng Chua

cs.AI

Resumen

La búsqueda generativa de IA está transformando la recuperación de información al ofrecer respuestas integrales a consultas complejas, reduciendo la dependencia de los usuarios en la navegación manual y la síntesis de múltiples páginas web. Sin embargo, aunque este paradigma mejora la conveniencia, interrumpe el ciclo de mejora basado en retroalimentación que históricamente ha impulsado la evolución de la búsqueda web tradicional. La búsqueda web puede mejorar continuamente sus modelos de clasificación al recopilar retroalimentación detallada y a gran escala de los usuarios (por ejemplo, clics, tiempo de permanencia) a nivel de documento. En contraste, la búsqueda generativa de IA opera a través de un proceso de búsqueda mucho más extenso, que abarca la descomposición de consultas, la recuperación de documentos y la generación de respuestas, pero generalmente recibe solo retroalimentación superficial sobre la respuesta final. Esto introduce una desconexión en el ciclo de retroalimentación, donde la retroalimentación del usuario sobre el resultado final no puede mapearse efectivamente a componentes específicos del sistema, dificultando la mejora de cada etapa intermedia y el mantenimiento del ciclo de retroalimentación. En este artículo, imaginamos NExT-Search, un paradigma de próxima generación diseñado para reintroducir retroalimentación detallada a nivel de proceso en la búsqueda generativa de IA. NExT-Search integra dos modos complementarios: el Modo de Depuración del Usuario, que permite a los usuarios intervenir en etapas clave; y el Modo de Usuario en la Sombra, donde un agente personalizado simula las preferencias del usuario y proporciona retroalimentación asistida por IA para usuarios menos interactivos. Además, imaginamos cómo estas señales de retroalimentación pueden aprovecharse mediante la adaptación en línea, que refina las respuestas de búsqueda actuales en tiempo real, y la actualización fuera de línea, que agrega registros de interacción para ajustar periódicamente los modelos de descomposición de consultas, recuperación y generación. Al restaurar el control humano sobre etapas clave del proceso de búsqueda generativa de IA, creemos que NExT-Search ofrece una dirección prometedora para construir sistemas de búsqueda de IA ricos en retroalimentación que puedan evolucionar continuamente junto con la retroalimentación humana.

English

Generative AI search is reshaping information retrieval by offering end-to-end answers to complex queries, reducing users' reliance on manually browsing and summarizing multiple web pages. However, while this paradigm enhances convenience, it disrupts the feedback-driven improvement loop that has historically powered the evolution of traditional Web search. Web search can continuously improve their ranking models by collecting large-scale, fine-grained user feedback (e.g., clicks, dwell time) at the document level. In contrast, generative AI search operates through a much longer search pipeline, spanning query decomposition, document retrieval, and answer generation, yet typically receives only coarse-grained feedback on the final answer. This introduces a feedback loop disconnect, where user feedback for the final output cannot be effectively mapped back to specific system components, making it difficult to improve each intermediate stage and sustain the feedback loop. In this paper, we envision NExT-Search, a next-generation paradigm designed to reintroduce fine-grained, process-level feedback into generative AI search. NExT-Search integrates two complementary modes: User Debug Mode, which allows engaged users to intervene at key stages; and Shadow User Mode, where a personalized user agent simulates user preferences and provides AI-assisted feedback for less interactive users. Furthermore, we envision how these feedback signals can be leveraged through online adaptation, which refines current search outputs in real-time, and offline update, which aggregates interaction logs to periodically fine-tune query decomposition, retrieval, and generation models. By restoring human control over key stages of the generative AI search pipeline, we believe NExT-Search offers a promising direction for building feedback-rich AI search systems that can evolve continuously alongside human feedback.