Нуждаят ли се университетите от по-сложни системи с изкуствен интелект?

Plamen Miltenoff

Podcast

Подкаст

Artificial intelligence tools are becoming increasingly complex. Universities now hear terms such as RAG, GraphRAG, knowledge graphs, AI agents, and agentic workflows. These systems promise better search, deeper analysis, and more accurate answers.
A recent research paper asks an important question: Do we always need these complex systems, or can a simpler approach sometimes work better?

The study, titled “Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization,” compares several ways of helping an AI model search for information and answer questions. Its main conclusion: more complex technology does not automatically produce better results.

What is RAG?
RAG stands for Retrieval-Augmented Generation.
In simple terms, RAG allows an AI system to search a collection of documents before answering a question.
For example, imagine that the University of Economics – Varna uploads its regulations, course descriptions, research papers, internal procedures, and project documents into an AI system.
A faculty member asks:
“What are the requirements for supervising a doctoral student?”
The system searches the documents, finds the relevant sections, and gives them to the AI model. The model then prepares an answer based on those sources.
This is basic RAG.

What is GraphRAG?
GraphRAG adds connections between people, topics, organisations, documents, and concepts.
For example:
A researcher works in a department.
The researcher participates in a project.
The project produces a publication.
The publication discusses sustainable tourism.
GraphRAG can follow these relationships. This may help when a question requires several connected steps.
An AI agent goes further. It can decide which tool to use, whether to search documents, whether to search a graph, whether to repeat a search, and how to combine the results.
This sounds more capable. Yet every extra step can also introduce more noise, repeated information, higher costs, and more opportunities for error.

The main finding
The researchers tested several basic RAG, GraphRAG, and agent-based systems.
The best-performing system was not the most complex one. A relatively simple RAG system, enriched with basic relationships between concepts, performed better than the tested GraphRAG systems. citeturn3search0turn3search1
This matters because universities can easily assume that a newer and more complex system must be better.
The study suggests a different approach:
Start with the simplest system that can complete the task. Add graphs, agents, and extra tools only when there is a clear need.
More information can lead to worse answers
One of the paper’s most useful findings concerns the amount of information given to the AI model.
A system may retrieve many relevant documents, but the model may still fail to use them correctly.
Think of a student who receives five carefully selected pages before answering a question. The student can focus on the relevant evidence.
Now give the same student 200 pages, including repeated sections, loosely related information, and several conflicting examples. The task becomes more difficult.
AI models face a similar problem.
Some systems retrieved most of the correct information, but the AI did not include all of it in the final answer.
Finding information and using information are two separate abilities.

The order of information matters
Information placed near the beginning of the prompt was more likely to appear in the final answer. Evidence placed later was often ignored.
This has practical implications.
An AI system should not simply collect documents and send them to the model in a random order. It should rank the evidence, remove duplicates, and place the most relevant information first.
University researchers must be aware that a larger collection of papers does not automatically support a better literature review. The quality of source selection, organisation, and comparison remains essential.

Questions must be clear
The wording of a question can also affect the result.
Consider these two questions:
“Give one example of a course that teaches research methods.”
“List all courses that teach research methods.”
The first question asks for one answer. The second asks for a complete list.
An AI system may retrieve ten relevant courses but mention only one because the wording suggests one example suffice.
This is important for faculty and students. A weak answer may result from an unclear task rather than poor retrieval.

What does this mean for the University of Economics?
For faculty, the study suggests that AI systems should support teaching and research without adding unnecessary technical complexity. A basic RAG system may be sufficient for searching course materials, institutional regulations, research documents, and internal guidance.
For students, the findings reinforce an important AI literacy principle. Students must check whether an AI answer uses all relevant evidence, rather than assuming a confident answer is complete.
For researchers, the study shows the importance of context management. Literature reviews, document analysis, and research synthesis require careful source selection, clear instructions, and verification.
For university management, the findings offer a useful procurement lesson. Before investing in GraphRAG or agentic platforms, the institution should test whether a simpler system can meet the same need at a lower cost and with greater transparency.

What the study does not tell us
The paper provides useful results, but its scope is limited.
The researchers tested a precision-medicine dataset. Among the missed opportunities in the study is no comparison across education, economics, business, law, or social science datasets.
This limitation matters for the University of Economics – Varna.
Questions in economics, finance, marketing, tourism, management, and public administration often require interpretation, comparison, context, and judgment. A system performing well with medical entities may behave differently with economic theories, legal documents, company reports, survey responses, or policy texts.
The study also uses one main AI model and does not fully examine factual accuracy, citation quality, hallucinations, or the usefulness of answers to human readers.
Universities should therefore test these systems with their own materials and users.

The main lesson
The paper does not claim GraphRAG and AI agents have no value. They can help when a task requires complex relationships, several reasoning steps, or structured connections across many sources.
The key lesson is proportionality.
Use a simple system for a simple task.
Use a graph when relationships matter.
Use an agent when the system must make several decisions and use several tools.
For the University of Economics – Varna, the goal should not be to adopt the most complex AI system. The goal should be to choose a system in support of reliable teaching, responsible research, clear evidence, and informed human judgment.
This conclusion also fits the broader development of integrated AI research environments, where tools support literature search, data analysis, writing, and reproducibility while researchers retain responsibility for decisions and verification.

Инструментите с изкуствен интелект стават все по-сложни. В университетите вече се използват термини като RAG, GraphRAG, графи на знанието, AI агенти и агентни работни процеси. Тези системи обещават по-добро търсене, по-задълбочен анализ и по-точни отговори.
Неотдавнашна научна статия поставя важен въпрос: Винаги ли се нуждаем от тези сложни системи, или понякога по-простият подход може да работи по-добре?

Изследването, озаглавено „Необходим ли е GraphRAG? От базов RAG до графови и агентни решения с оптимизация на контекста“, сравнява няколко начина, по които един AI модел може да търси информация и да отговаря на въпроси. Основният извод е, че по-сложната технология не води автоматично до по-добри резултати.

Какво е RAG?
RAG означава Retrieval-Augmented Generation, или генериране, подпомогнато от извличане на информация.
Казано с прости думи, RAG позволява на AI система да търси в колекция от документи, преди да отговори на даден въпрос.
Например, представете си, че Икономически университет – Варна качи в AI система своите правилници, описания на учебни дисциплини, научни публикации, вътрешни процедури и проектни документи.
Преподавател задава въпроса:
„Какви са изискванията за научно ръководство на докторант?“
Системата претърсва документите, намира съответните раздели и ги предоставя на AI модела. След това моделът подготвя отговор въз основа на тези източници.
Това е базов RAG.

Какво е GraphRAG?
GraphRAG добавя връзки между хора, теми, организации, документи и понятия.
Например:
Изследовател работи в катедра.
Изследователят участва в проект.
Проектът води до научна публикация.
Публикацията разглежда устойчивия туризъм.
GraphRAG може да проследи тези връзки. Това може да бъде полезно, когато отговорът на даден въпрос изисква преминаване през няколко свързани стъпки.
AI агентът стига още по-далеч. Той може да реши кой инструмент да използва, дали да търси в документи, дали да търси в граф на знанието, дали да повтори търсенето и как да обедини намерените резултати.
Това звучи като по-голяма способност. Всяка допълнителна стъпка обаче може да добави повече шум, повтаряща се информация, по-високи разходи и повече възможности за грешки.

Основният резултат
Изследователите тестват няколко базови RAG системи, GraphRAG системи и системи, базирани на AI агенти.
Най-добре представилата се система не е най-сложната. Сравнително проста RAG система, обогатена с основни връзки между понятията, се представя по-добре от тестваните GraphRAG системи.
Това е важно, защото университетите лесно могат да приемат, че една по-нова и по-сложна система задължително трябва да бъде по-добра.
Изследването предлага различен подход:
Започнете с най-простата система, която може да изпълни задачата. Добавяйте графи, агенти и допълнителни инструменти само когато има ясна необходимост.
Повече информация може да доведе до по-слаби отговори
Един от най-полезните резултати в статията е свързан с количеството информация, което се предоставя на AI модела.
Една система може да намери много подходящи документи, но моделът пак може да не успее да ги използва правилно.
Представете си студент, който получава пет внимателно подбрани страници, преди да отговори на въпрос. Студентът може да се съсредоточи върху съответните доказателства.
Сега дайте на същия студент 200 страници, включващи повтарящи се раздели, слабо свързана информация и няколко противоречиви примера. Задачата става по-трудна.
AI моделите се сблъскват с подобен проблем.
Някои системи намират по-голямата част от правилната информация, но AI моделът не включва цялата информация в крайния отговор.
Намирането на информация и използването на информация са две различни способности.

Редът на информацията има значение
Информацията, поставена близо до началото на подадения текст, има по-голяма вероятност да се появи в крайния отговор. Доказателствата, поставени по-късно, често остават пренебрегнати.
Това има практически последици.
AI системата не трябва просто да събира документи и да ги подава на модела в случаен ред. Тя трябва да подрежда доказателствата по значение, да премахва повторенията и да поставя най-подходящата информация в началото.
Университетските изследователи трябва да знаят, че по-голямата колекция от научни статии не води автоматично до по-добър литературен обзор. Качеството на подбора, организацията и сравнението на източниците остава съществено.

Въпросите трябва да бъдат ясни
Формулировката на въпроса също може да повлияе върху резултата.
Разгледайте следните два въпроса:
„Дайте един пример за учебна дисциплина, в която се преподават изследователски методи.“
„Избройте всички учебни дисциплини, в които се преподават изследователски методи.“
Първият въпрос изисква един отговор. Вторият изисква пълен списък.
Една AI система може да намери десет подходящи учебни дисциплини, но да посочи само една, защото формулировката подсказва, че един пример е достатъчен.
Това е важно за преподавателите и студентите. Слабият отговор може да бъде резултат от неясно поставена задача, а не от слабо търсене.

Какво означава това за Икономически университет – Варна?
За преподавателите изследването показва, че AI системите трябва да подпомагат обучението и научната работа, без да добавят ненужна техническа сложност. Една базова RAG система може да бъде достатъчна за търсене в учебни материали, университетски правилници, научни документи и вътрешни указания.
За студентите резултатите потвърждават важен принцип на AI грамотността. Студентите трябва да проверяват дали AI отговорът използва всички подходящи доказателства, вместо да приемат, че уверено формулираният отговор е пълен.
За изследователите проучването показва значението на управлението на контекста. Литературните обзори, анализът на документи и синтезът на научна информация изискват внимателен подбор на източници, ясни инструкции и проверка.
За университетското ръководство резултатите предлагат полезен урок при избора и закупуването на технологии. Преди да инвестира в GraphRAG или агентни платформи, университетът трябва да провери дали една по-проста система може да отговори на същите потребности при по-ниска цена и по-голяма прозрачност.

Какво не ни показва изследването?
Статията представя полезни резултати, но нейният обхват е ограничен.
Изследователите тестват набор от данни от областта на прецизната медицина. Сред пропуснатите възможности в изследването е липсата на сравнение с набори от данни от образованието, икономиката, бизнеса, правото и социалните науки.
Това ограничение е важно за Икономически университет – Варна.
Въпросите в икономиката, финансите, маркетинга, туризма, управлението и публичната администрация често изискват тълкуване, сравнение, контекст и професионална преценка. Система, която работи добре с медицински термини и обекти, може да се държи различно при работа с икономически теории, правни документи, фирмени отчети, отговори от анкети или текстове на политики.
Изследването използва и един основен AI модел и не разглежда подробно фактическата точност, качеството на цитирането, халюцинациите или полезността на отговорите за хората.
Затова университетите трябва да тестват тези системи със собствени материали и с участието на своите потребители.

Основният урок от изследването
Статията не твърди, че GraphRAG и AI агентите нямат стойност. Те могат да бъдат полезни, когато дадена задача изисква сложни връзки, няколко стъпки на разсъждение или структурирани отношения между множество източници.
Основният принцип е пропорционалността.
Използвайте проста система за проста задача.
Използвайте граф, когато връзките между информацията имат значение.
Използвайте агент, когато системата трябва да взема няколко решения и да работи с няколко инструмента.
За Икономически университет – Варна целта не трябва да бъде приемането на най-сложната AI система. Целта трябва да бъде изборът на система, която подпомага надеждното обучение, отговорната научна работа, ясните доказателства и информираната човешка преценка.
Този извод съответства и на по-широкото развитие на интегрирани AI среди за научна работа, в които инструментите подпомагат търсенето на литература, анализа на данни, писането и възпроизводимостта, докато изследователите запазват отговорността за решенията и проверката.