Google hat ein Forschungspapier veröffentlicht, in dem eine herausfordernde Datenmenge entwickelt wurde, um KI-Agenten für tiefe Rechercheaufgaben zu trainieren. Dabei werden Einblicke in die Funktionsweise agentischer KI bei tiefgehender Recherche gegeben und die Auswirkungen auf Inhaltsoptimierung aufgezeigt. Das Papier stellt SAGE vor, was für Steerable Agentic Data Generation for Deep Search with Execution Feedback steht – ein „Dual-Agenten“-System, das komplexe Frage-Antwort-Paare generiert, um KI-Suchagenten zu trainieren. Frühere Datensätze wie Musique, HotpotQA und Natural Questions (NQ) umfassten vergleichsweise wenige Reasoning-Schritte (durchschnittliche Suchanfragen pro Frage: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), was eine Lücke im Training für KI-Agenten hinterließ, die echte, mehrstufige Deep-Search-Anfragen bewältigen sollen. SAGE schließt diese Lücke, indem eine KI herausfordernde Fragen erstellt, die mehrere Reasoning-Schritte und Suchen erfordern, während eine zweite „Suchagentur“ versucht, diese zu beantworten, und Feedback zu Schwierigkeit und Durchführung (Suchschritte und verwendete Dokumente) liefert. Wenn die zweite KI die Fragen zu leicht löst oder scheitert, fließen die Ausführungsspuren zurück an die erste KI und helfen ihr, Abkürzungen zu erkennen, die die Reasoning-Komplexität reduzieren. Die Forscher identifizierten vier Hauptabkürzungen, die es KI-Agenten ermöglichen, tiefgehende Recherche zu umgehen: 1. **Informations-Co-Location (35%)**: Wesentliche Information, um eine Frage zu beantworten, befindet sich im selben Dokument, wodurch weniger Suchen nötig sind. 2. **Multi-Query-Kollaps (21%)**: Eine einzige, effektive Suchanfrage liefert in einem Schritt ausreichend Informationen aus verschiedenen Dokumenten. 3. **Oberflächliche Komplexität (13%)**: Fragen wirken komplex, lassen sich aber direkt per Suche beantworten, ohne zwischengeschrittenes Reasoning. 4.

**Zu spezifische Fragen (31%)**: Sehr detaillierte Fragen führen zu einer Antwort beim ersten Suchschritt, was eine tiefgehende Recherche unnötig macht. Diese Abkürzungen veranschaulichen, wie KI-Agenten die Zahl der Reasoning-Schritte verringern, und bieten auch SEO-relevante Erkenntnisse. Für Publisher kann die Konsolidierung verstreuter Fakten („Information Co-Location“) auf einer Seite helfen, den Bedarf der KI, auf Konkurrenzseiten zu springen, zu reduzieren. Die Strukturierung von Inhalten, um mehrere Teilfragen gleichzeitig zu beantworten („Multi-query-Collapse“), ermöglicht es den KI-Agenten, schnellere Gesamtlösungen zu finden und damit die Reasoning-Kette zu verkürzen. Die Angabe spezifischer Daten (wie Termine, Berechnungen, Namen) kann als Abkürzung fungieren, die den Zugriff auf die Antwort beschleunigt – was auch für SEO-Ziele nützlich ist. Trotz dieser Erkenntnisse zur agentischen KI betonen die Autoren, dass der primäre SEO-Fokus nach wie vor auf einem guten Ranking in der klassischen Suche liegen sollte. Die in der Studie verwendeten KI-Agenten holen ihre Ergebnisse nämlich aus den drei höchstplatzierten Seiten pro Suchanfrage, basierend auf Googles Serper-API. Daher sollten Content-Ersteller: - Webseiten vor allem für die klassische Suche optimieren. - Inhalte umfassend und themenbezogen gestalten, um in den Top drei zu ranken. - Verlinkungen zu verwandten Seiten nutzen, um diese ebenfalls gut ranken zu lassen und eventuell Mehrfach-Hop-Recherchen zu unterstützen. - Nicht ausschließlich auf die Optimierung für KI-Suchen setzen, da derzeit noch auf klassische Suchrankings vertraut wird. Abschließend lässt sich sagen, dass trotz der neuen Herausforderungen durch agentische KI-Deep-Search-Methoden Strategien, die auf umfassende, gut strukturierte Inhalte für die klassische Suche setzen, nach wie vor effektiv sind. Das veröffentlichte Papier trägt den Titel „SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback“ und wurde am 26. Januar 2026 von Google veröffentlicht.