검색 시스템은 고정된 유용성 개념에 기반하여 훈련되고 평가됩니다. 즉, 문서와 질문을 리더 모델에게 제공하고 답변의 개선 여부를 확인한 후 그 문서에 점수를 매기는 방식입니다. 이 개념은 문서를 단독으로 읽을 때는 유효합니다. 하지만 언어 모델이 검색 에이전트 역할을 하여 여러 개의 쿼리를 발행하고 턴(turn) 전반에 걸쳐 추론할 때 문제가 발생하는데, 이는 문서가 현재 질문에 대해 말하는 내용 자체보다 그 문서가 에이전트가 다음에 무엇을 할 수 있게 만드는지에 따라 중요도가 달라지기 때문입니다. 우리는 이를 주장하기보다는 측정합니다. HotpotQA에서 ReAct 스타일의 에이전트를 사용하여 1000개의 개발 질문을 재현하고, 에이전트가 읽은 모든 문서에 대해 그것을 삭제한 후 그 시점부터 나머지 탐색 과정을 다시 실행했습니다. 원래 실행 결과와 반사실적(counterfactual) 결과를 비교하여 최종 답변 품질, 다음 쿼리 검색 품질, 턴 수의 세 가지 변화량으로 구성된 반사실적 탐색 유틸리티(Counterfactual Trajectory Utility, CTU) 점수를 얻었습니다. 23,322개의 문서 관찰에 걸쳐 CTU를 정적 RAG 유틸리티(Static RAG Utility, SRU)와 비교한 결과, 두 값은 통계적으로 독립에 가깝습니다 (Spearman rho = -0.026). 에이전트가 읽는 문서 중 약 3분의 1은 정적 리더에게는 쓸모없어 보이지만 인과적으로 부하를 지탱하는(causally load bearing) 역할을 하며, 우리는 이를 브릿지 문서(bridge documents)라고 부릅니다. 이 패턴은 리더 기반 축을 BM25 및 크로스 인코더 프록시로 교체해도 유지되어, 균등하게 분포된 축에서 27.2%의 브릿지 셀을 제공했습니다. 두 번째 실험은 그 메커니즘을 명확히 합니다. 이전 연구의 관찰 가능한 개체 관련성(Observable Entity Relevance, OER) 측정치를 사용하여, 관련 후보와 비관련 후보를 구별하는 개체는 에이전트의 다음 쿼리에서 비관련 문서에만 존재하는 개체보다 4.02배 더 자주 나타났습니다 (6.1% 대 1.5%, n = 227,139). 브릿지 문서는 검색을 재지향하는 판별적인(discriminative) 개체를 에이전트에게 제공함으로써 그 가치를 얻습니다. 정적 관련성과 인과적 유용성은 에이전트 기반 검색에서 서로 다른 양이며, 전자를 최적화한다고 해서 후자가 보장되지는 않습니다.