NExT-Search: Ricostruire l'ecosistema del feedback utente per la ricerca generativa con IA

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

May 20, 2025

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

cs.AI

Abstract

La ricerca generativa basata sull'IA sta ridefinendo il recupero delle informazioni offrendo risposte end-to-end a query complesse, riducendo la dipendenza degli utenti dalla navigazione manuale e dalla sintesi di più pagine web. Tuttavia, sebbene questo paradigma aumenti la convenienza, interrompe il ciclo di miglioramento basato sul feedback che ha storicamente alimentato l'evoluzione della ricerca web tradizionale. La ricerca web può migliorare continuamente i suoi modelli di ranking raccogliendo feedback degli utenti su larga scala e a grana fine (ad esempio, clic, tempo di permanenza) a livello di documento. Al contrario, la ricerca generativa basata sull'IA opera attraverso una pipeline di ricerca molto più lunga, che comprende la scomposizione delle query, il recupero dei documenti e la generazione delle risposte, ma riceve tipicamente solo feedback a grana grossa sulla risposta finale. Ciò introduce una disconnessione nel ciclo di feedback, in cui il feedback degli utenti per l'output finale non può essere efficacemente mappato su specifici componenti del sistema, rendendo difficile migliorare ogni fase intermedia e mantenere il ciclo di feedback. In questo articolo, immaginiamo NExT-Search, un paradigma di nuova generazione progettato per reintrodurre feedback a grana fine a livello di processo nella ricerca generativa basata sull'IA. NExT-Search integra due modalità complementari: la Modalità Debug Utente, che consente agli utenti impegnati di intervenire in fasi chiave; e la Modalità Utente Ombra, in cui un agente utente personalizzato simula le preferenze dell'utente e fornisce feedback assistito dall'IA per utenti meno interattivi. Inoltre, immaginiamo come questi segnali di feedback possano essere sfruttati attraverso l'adattamento online, che perfeziona gli output di ricerca correnti in tempo reale, e l'aggiornamento offline, che aggrega i log di interazione per ottimizzare periodicamente i modelli di scomposizione delle query, recupero e generazione. Ripristinando il controllo umano sulle fasi chiave della pipeline di ricerca generativa basata sull'IA, crediamo che NExT-Search offra una direzione promettente per costruire sistemi di ricerca IA ricchi di feedback che possano evolversi continuamente insieme al feedback umano.

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.