Les chercheurs présentent Analogical Deep Research (ADR), une nouvelle tâche et un nouveau benchmark (ADR-bench) conçus pour tester si les agents de grands modèles de langage peuvent récupérer et intégrer efficacement des analogies historiques pour l'analyse prospective. L'étude identifie que les agents actuels éprouvent des difficultés car ils correspondent aux caractéristiques de surface plutôt qu'aux mécanismes causaux sous-jacents.
Pour remédier à cela, les auteurs proposent Causal Analogical Researcher (CANA), un cadre agentique qui utilise la décomposition structurelle et la rétroaction pour aligner les mécanismes entre les analogies. CANA atteint une amélioration allant jusqu'à 10 % dans la génération d'analogies historiques et dépasse les agents de recherche approfondie de pointe sur ADR-bench.
Des études de cas impliquant des événements en cours confirment l'efficacité de CANA à exploiter les analogies historiques pour une analyse prospective précise.