自分が立てた計画を、自分で客観的に評価できないDeep ResearchエージェントのInertia Bias

Web検索エージェントに「この調査結果は十分か」と自己評価させる場面は、Deep Research系のツールでは日常的に組み込まれている。しかし、自分が直前に出したクエリや計画を、自分自身で後から公平に判定できるのか——この問いに定量的に答えた論文が、2026年8月24日にarXivで公開され、EMNLP 2026に採択されている。

「自分の行動を自分で判定する」場面でだけ偏る

論文はまず失敗モードを特定する。

"Web search agents powered by Large Language Models (LLMs) show strong promise, but deep research tasks expose a recurring failure mode: once an agent has produced a query, plan, or intermediate conclusion, it becomes less objective when later judging the consequences of that same action."

LLMを動力とするWeb検索エージェントは有望だが、Deep Researchタスクでは繰り返し現れる失敗モードがある。エージェントがいったんクエリ・計画・中間結論を生成すると、後になってその同じ行動の結果を判定する際に、客観性を失ってしまう。この現象を著者らは「inertia bias（慣性バイアス）」と名付けた。

"We term this phenomenon \textbf{inertia bias}."

計測のために構築されたのがIBISベンチマークだ。検索結果の観測内容は固定したまま、モデルが評価しているのが「自分自身の直前の行動の結果」かどうかだけを変化させる、という統制実験の形をとっている。

数字:「自分の行動」を評価すると著しく悪化する

結果はこうだ。

"We find that models are substantially worse when they ``own'' the preceding search step, showing that self-authored action history can systematically distort subsequent judgment."

モデルは、直前の検索ステップを自分が「所有」している場合、著しく成績が悪化する。自分が書いた行動履歴が、その後の判断を体系的に歪めてしまうことが示された。論文はこのバイアスが2つの形で悪化を伝播させると説明している。ワーカーレベルの「検索ノイズ」と、マネージャーレベルの「文脈ノイズ」だ。個々の検索担当(ワーカー)が自分の直前の検索結果を過大評価すると、その歪んだ判断がそのまま上位の管理役(マネージャー)に引き継がれ、システム全体の判断を汚染していく、という二層構造の悪化経路になっている。

人間の意思決定研究で知られる「自己奉仕バイアス(self-serving bias、自分の行動の結果を都合よく解釈する傾向)」と現象としては似た構造に見えるが、この論文自体は人間の心理学研究との比較を主題としているわけではなく、あくまでLLMエージェントの検索行動に限定した実証研究である点は区別しておきたい。

対策NIS-Agent:2つの決定ポイントで文脈を切り離す

対策として提案されたのが「NIS-Agent」だ。inertia biasが最も影響を及ぼしやすい2つの決定ポイント——ウェブページのトリアージ（選別）と、最終回答の検証——に、文脈の分離を適用する設計になっている。

"Across GAIA, WebWalkerQA, BrowseComp, and BrowseComp-zh, NIS-Agent achieves competitive performance while reducing token cost by 33% compared to our baseline."

GAIA、WebWalkerQA、BrowseComp、BrowseComp-zhという4つのベンチマークで、NIS-Agentはベースラインと競合する性能を維持しながら、トークンコストを33%削減した。さらに著者らは、inertia biasに本質的に強くなるよう訓練した8Bモデルも構築しており、同じNIS-Agentの枠組みのもとで、Deep Researchベンチマーク全体の平均性能がGPT-4oに匹敵する水準に達したとしている。

自己レビューを甘くしないための一手

自作のAIエージェントに「自分の検索結果を自己レビューさせる」ステップを組み込んでいる場合、この論文はそのレビュー自体が甘くなりうる構造的な理由を示している。対策として即座に採れる打ち手は、検証を担当するモデル呼び出しから、その検証対象を生成した行動履歴の文脈を切り離すことだ。エージェント設計におけるコンテキストの持たせ方全般についてはコンテキストエンジニアリングとはを、エージェントの評価が持つ別種の脆さについてはAIエージェントのベンチマークは「ハック」できるも参照してほしい。

IBISベンチマークの中身までは踏み込めていない

本記事は、当サイトが論文の要旨を読んで書いている。IBISベンチマークが「検索観測を固定する」具体的な実装方法や、GAIA・WebWalkerQA・BrowseComp・BrowseComp-zhそれぞれでの個別の数値内訳は、要旨には記載がなく、本文PDFを読み込んでいないため確認できていない。8Bモデルの学習方法(どのベースモデルにどのような追加学習を施したか)も要旨からは分からない。事前の候補調査記録によれば、Googleサジェストでは「inertia bias」という語自体が英語圏の一般的な心理学用語としてもヒットするといい(本記事側で改めて検索し直してはいない)、検索する読者がこの論文とは無関係の文脈にたどり着く可能性がある点は留意してほしい。Zenn記事検索(2026年8月27日実施)では該当する日本語記事は見つからなかった。