Google a publié un article de recherche sur le développement d’un ensemble de données difficile destiné à entraîner des agents d'intelligence artificielle pour des tâches de recherche approfondie, offrant des perspectives sur le fonctionnement de la recherche profonde par AI agentique et ses implications pour l’optimisation du contenu. L’article introduit SAGE, qui signifie “Steerable Agentic Data Generation for Deep Search with Execution Feedback” — un système « à double agent » qui génère des paires de questions-réponses complexes pour former des agents de recherche en IA. Des ensembles de données antérieurs tels que Musique, HotpotQA et Natural Questions (NQ) comportaient relativement peu d’étapes de raisonnement (moyenne de recherches par question : Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), laissant un gap de formation pour les agents IA devant gérer des requêtes de recherche profonde véritablement difficiles et multi-étapes. SAGE répond à cela en ayant un IA qui rédige des questions exigeant plusieurs étapes de raisonnement et de recherches, tandis qu’un second « agent de recherche » tente d’y répondre, fournissant un retour d’information sur la difficulté des questions et leur exécution (nombre d’étapes de recherche et documents utilisés). Lorsque le second IA résout trop facilement une question ou échoue, les traces d’exécution sont renvoyées au premier IA, l’aidant à identifier les raccourcis qui simplifient le raisonnement. Les chercheurs ont identifié quatre raccourcis principaux permettant aux agents IA d’éviter une recherche approfondie : 1. **Co-localisation de l’information (35%)** : Les éléments clés pour répondre à une question se trouvent dans un même document, ce qui réduit le nombre de recherches nécessaires. 2. **Fusion de multi-requêtes (21%)** : Une seule requête efficace permet de récupérer en une étape suffisamment d’informations provenant de différents documents. 3. **Complexité superficielle (13%)** : Les questions semblent complexes, mais peuvent recevoir une réponse directe via recherche, sans raisonnement intermédiaire. 4.

**Questions trop spécifiques (31%)** : Des questions très détaillées conduisent à une réponse lors de la première recherche, éliminant la nécessité d’une recherche approfondie. Ces raccourcis expliquent comment les agents IA réduisent le nombre d’étapes de raisonnement en profondeur et offrent des insights pertinents pour le SEO. Pour les éditeurs, il peut être utile de consolider des faits dispersés (« Co-localisation de l’information ») en une seule page complète afin de réduire la nécessité pour l’IA de « sauter » vers des sites concurrents. Structurer le contenu pour répondre à plusieurs sous-questions en une seule fois (« Fusion de multi-requêtes ») permet aux agents IA de trouver des solutions complètes plus rapidement, raccourcissant ainsi la chaîne de raisonnement. Fournir des données précises (dates, calculs, noms) peut également agir comme un raccourci, permettant à l’IA d’atteindre la réponse rapidement, ce qui correspond aux objectifs du SEO. Malgré ces nouvelles perspectives sur le rôle de l’IA agentique dans la recherche, l’article souligne que l’accent principal du SEO doit rester le classement dans la recherche classique, puisque les agents IA du contexte actuel se servent principalement des trois premières pages de résultats classés par Google via l’API Serper. Ainsi, il est conseillé aux créateurs de contenu de : - Optimiser leurs pages principalement pour la recherche classique. - Être exhaustifs et pertinents tout en visant le top 3 des résultats. - Créer des liens entre pages pour améliorer leur classement et soutenir potentiellement des recherches approfondies multi-étapes. - Éviter de se concentrer uniquement sur l’optimisation pour l’IA, étant donné la dépendance actuelle aux classements classiques dans ces systèmes d’IA agentique. En conclusion, même si la recherche profonde par IA agentique présente de nouveaux défis, les stratégies SEO qui misent sur un contenu complet, bien structuré et optimisé pour la recherche classique restent efficaces. La recherche, publiée par Google le 26 janvier 2026, est disponible sous le titre « SAGE : Steerable Agentic Data Generation for Deep Search with Execution Feedback ».