Google offentliggjorde et forskningspapir om udvikling af et udfordrende datasæt til træning af AI-agenter til dybdegående forskningsopgaver, hvilket giver indblik i, hvordan agentbaseret AI-dybdeundersøgelse fungerer, og hvilke konsekvenser det har for indholdsomlægning. Papiret introducerer SAGE, som står for Steerable Agentic Data Generation for Deep Search with Execution Feedback – et “dobbelt-agent” system, der genererer komplekse spørgsmål og svar til træning af AI-søgeagenter. Tidligere datasæt som Musique, HotpotQA og Natural Questions (NQ) involverede relativt få reasoning-trin (gennemsnitlige søgninger pr. spørgsmål: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), hvilket efterlader et træningsgab for AI-agenter, der skal håndtere ægte vanskelige, flertrins dybdeforespørgsler. SAGE løser dette ved at have én AI, der skriver udfordrende spørgsmål, der kræver flere reasoning-trin og søgninger, mens en anden “søg-robot” forsøger at besvare dem, og giver feedback på spørgsmålets sværhedsgrad og udførelsen (søgestep og dokumenter, der er brugt). Når den anden AI løser spørgsmål for let eller feiler, sender eksekveringstrace-data feedback til den første AI, hvilket hjælper den med at identificere genveje, der reducerer reasoning-kompleksiteten. Forskere har identificeret fire hoved-genveje, der tillader AI-agenter at undgå dyb forskning: 1. **Informationsfællesskab (35%)**: Nødvendige informationer til at svare på spørgsmål findes i samme dokument, hvilket minimerer antallet af søgninger. 2. **Multi-forespørgsels sammentrækning (21%)**: Et enkelt, effektivt søgeordssøgning henter tilstrækkelig information fra flere dokumenter i et trin. 3. **Overfladisk kompleksitet (13%)**: Spørgsmål virker komplekse men kan besvares direkte ved søgning uden mellemliggende reasoning. 4.

**Overdrevne specifikke spørgsmål (31%)**: Meget detaljerede spørgsmål fører til svar i første søgning, hvilket eliminerer behovet for dybere undersøgelse. Disse genveje hjælper med at forklare, hvordan AI-agenter kan reducere antallet af dybdegående reasoning-trin og giver også indsigt, der er relevant for SEO. For udgivere kan konsolidering af spredte fakta (“Informationsfællesskab”) i én omfattende side reducere AI'ens behov for at “hoppe” videre til konkurrenters sider. Strukturerer man indhold, så flere under-spørgsmål besvares samtidigt (“Multi-forespørgsels sammentrækning”), kan AI hurtigere finde komplette løsninger, hvilket effektivt forkorter reasoning-kæden. At give specifikke datapunkter (datoer, beregninger, navne) kan fungere som genveje, der gør det muligt for AI hurtigt at nå frem til svar, hvilket harmonerer med SEO-mål. Selvom disse agentbaserede AI-indsigter er vigtige, understreger papiret, at det primære SEO-fokus fortsat bør være at rangere højt i traditionel søgning, da AI-agenter i undersøgelsen henter resultater fra de tre bedst rangerede sider pr. forespørgsel, baseret på Googles Serper API. Derfor bør indholdsskabere: - Primært optimere til klassisk søgning. - Stræbe efter at være dækkende og relevant, mens de rangerer i top tre. - Interlinke til relaterede sider for at hjælpe dem med også at ranke højt og muligvis understøtte fler-trins dybdegående forskning. - Undgå at fokusere udelukkende på AI-søgning, da den stadig er afhængig af klassiske søgerangeringer i agentbaserede AI-systemer. Afslutningsvis kan det siges, at selvom agentbaseret AI-dybdeundersøgelse stiller nye udfordringer, er SEO-strategier, der fokuserer på omfattende, velstruktureret indhold optimeret til traditionel søgning, stadig effektive. Forskningen, offentliggjort af Google den 26. januar 2026, findes som papir med titlen “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”