Les chercheurs proposent E3 (Estimate, Execute, Expand), un cadre pour l'estimation du périmètre d'exécution conscient de la tâche, permettant aux agents IA de juger de la difficulté de la tâche et des besoins en informations avant de s'engager budgétairement. La méthode formalise l'exécution minimum-suffisant et le Ratio de Redondance Cognitive d'Agent (ACRR) pour empêcher les agents de sur-lire les fichiers et les dépendances.
Sur le benchmark MSE-Bench composé de 121 modifications, E3 égale le taux de réussite de 100 % du meilleur baseline tout en réduisant le coût de 85 %, les tokens de 91 % et les fichiers inspectés de 92 %. Il bat également un baseline adaptatif de récupération robuste de 16 %, avec des gains persistants face à des formulations d'instructions hors jeu et divers pondérations de coûts. Un harnais compagnon utilisant gpt-4o sur une véritable bibliothèque open-source a confirmé E3 comme la politique la plus économe et la plus rapide pour un succès de tâche comparable.
Les auteurs présentent cela comme une étape vers l'IA fondée sur l'ingénierie (EGAI), où l'effort de l'agent est ancré dans la réalité ingénieriale de la tâche plutôt que dans des stratégies de contexte maximal. Le cadre et le benchmark sont publiés pour soutenir ce changement.