Badanie poddało krytyce częste twierdzenia o przewadze Monte Carlo Tree Search w planowaniu workflow'ów DAG, porównując MCTS z randomizowaną metodą restartów listy w ramach ściśle kontrolowanego eksperymentu. Obie metody otrzymały identyczny budżet - 2048 wyewaluowanych harmonogramów. Przy tym budżecie MCTS osiągnął wynik o 2,88 procent gorszy niż restart list scheduler, z przedziałem ufności 95 procent od -3,62 do -2,15 procent. Rezultat dotyczy 72 spośród 96 instancji testowych, gdzie metoda bazowa miała miejsce na poprawę.
Autorzy podkreślają, że słabsze wyniki MCTS to nie problem niedostatku budżetu. Na osobnej puli eksploracyjnej randomizowane restarty poprawiały się o 1,85 procent, podczas gdy MCTS zyskał zaledwie 0,24 procent. Dodatkowo 700 spośród 720 pierwszych wyników MCTS to były po prostu rezultaty "warm startu" - punktu wyjścia, który algorytm otrzymał na początku. Problem leży w mechanizmie MCTS: jego reguła selekcji deterministycznie zatrzaskuje się na pierwszy rozwijany wierzchołek, utrzymując korelacje między próbami. Z kolei restarty czerpią korzyści z ogonów rozkładu wyników.
Badanie ma szersze znaczenie dla społeczności zajmującej się planowaniem i algorytmami przeszukiwania. Pokazuje, że przy porównywaniu metod heurystycznych kluczowe jest wyrównanie budżetu obliczeniowego - często bowiem MCTS wygląda lepiej, ponieważ otrzymuje więcej czasu czy więcej iteracji niż metody bazowe. Odkrycie sugeruje, że dla pewnych klas problemów - zwłaszcza workflow'ów rzadkich i nieregularnych - prostsze podejścia mogą być nie tylko bardziej praktyczne, ale także bardziej efektywne, niż społeczność przyjmuje za oczywiste.