Google avaldas uurimustöö keerulise andmestiku väljatöötamise kohta, mis on mõeldud tehisintellekti agentide koolitamiseks sügava uuringu ülesannete jaoks, pakkudes ülevaadet sellest, kuidas agentlik AI sügavad uuringud toimivad ning millised on selle mõju sisuloome optimeerimisele. Artikkel tutvustab SAGE’i, mis on lühend inglisekeelsetest sõnadest Steerable Agentic Data Generation for Deep Search with Execution Feedback — “kahe-agendi” süsteemi, mis genereerib keerulisi küsimus-vastuspaare AI otsinguagentide koolitamiseks. Varasemad andmestikud, nagu Musique, HotpotQA ja Natural Questions (NQ), hõlmasid suhteliselt vähe mõtlemisastmeid (keskmine otsingute arv küsimuse kohta: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), jättes koolitustarve AI agentidele, kes peavad hakkama saama tõeliselt keeruliste, mitmeastmeliste sügavate otsingupäringutega. SAGE lahendab selle probleemi, lastes ühe AI-l kirjutada keerulisi küsimusi, mis nõuavad mitmeid mõtlemisvõime astmeid ja otsinguid, samas kui teine “otsinguaing” püüab neid vastata, andes tagasisidet küsimuse raskusastmest ja teostusest (otsingusammud ja kasutatud dokumendid). Kui teine AI lahendab küsimusi liiga kergesti või ebaõnnestub, saadetakse selle tegevuse jäljed tagasi esimesele AI-le, aidates tal tuvastada lühenditehnikad, mis vähendavad mõtlemisvajadust. Teadlased tuvastasid neli peamist lühenditehnikat, mis võimaldavad AI agentidel vältida sügavat uurimistööd: 1. **Teabeasukoht (35%)**: Oluline teave, mis vastamiseks vajalik, asub samas dokumendis, mis võimaldab vähendada otsingute arvu. 2. **Mitmepäringu kokkuvõte (21%)**: Üks tõhus otsingupäring suudab ühe sammuga leida piisavalt teavet erinevatest dokumendifailidest. 3. **Läbinähtav keerukus (13%)**: Küsimused tunduvad keerulised, kuid neid saab otse otsinguga vastata ilma vahepealise mõtlemiseta. 4.

**Ülispetsiifilised küsimused (31%)**: Väga detailsete küsimuste vastused ilmuvad esimese otsinguga, mis väldib sügavamat uurimist. Need lühenditehnikad aitavad selgitada, kuidas AI agentid vähendavad sügava mõtlemise astmeid ning annavad kasulikke SEO-näpunäiteid. Julgustades sisuloojaid koondama laiali hajutatud faktid (“Teabeasukoht”) üheks terviklikuks leheks, saab vähendada AI vajadust “hüppamiseks” konkurentide saitidele. Sisu struktureerimine nii, et see vastaks mitmele alamküsimusele korraga (“Mitmepäringu kokkuvõte”), aitab AI-l kiiremini leida täielikke lahendusi ning seega lühendada mõtlemise ahelat. Konkreetsete andmepunktide – kuupäevade, arvutuste, nimede – kasutamine võib toimida lühendina, mis võimaldab AI-l kiiresti vastuseid saada ning see on olulise tähtsusega SEO eesmärkide saavutamisel. Kuigi need agentliku AI seisukohalt olulised teadmised on väärtuslikud, rõhutab uuring, et põhiline SEO fookus peaks jääma klassikalise otsingu paremkohale. Kuna uuringus kasutatud AI agentide tulemused pärinevad Google Serper API põhjal TOP kolme tulemusest, on oluline, et sisuloojad: - Optimeeriksid oma lehti peamiselt klassikalise otsingu jaoks, - Püüdleksid põhjalikkuse ja teemakohasuse poole ning pälvivad esikolmiku tulemused, - Linkiksid seotud lehtedega, et aidata neil samuti kõrgemaid kohti saavutada ning toetada mitmepõhiseid sügavaid uuringuid, - Mittesuurendada keskendumist ainult AI otsingumootori optimeerimisele, kuna hetkel sõltutakse ikkagi klassikalistest otsingutulemustest. Kokkuvõttes, kuigi agentliku AI sügavad otsingud toovad uusi väljakutseid, jääb tugev SEO strateegia, mis põhineb põhjalikul ja hästi struktureeritud sisu optimeerimisel klassikalise otsingu jaoks, jätkuvalt tõhusaks. Google avaldas selle uurimustöö 26. jaanuaril 2026 pealkirjaga “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback”.