Google ha pubblicato un articolo di ricerca sullo sviluppo di un dataset impegnativo per addestrare agenti AI a compiti di ricerca approfondita, offrendo spunti su come funziona la ricerca approfondita con AI agentica e sulle implicazioni per l’ottimizzazione dei contenuti. Il documento presenta SAGE, acronimo di Steerable Agentic Data Generation for Deep Search with Execution Feedback—un sistema “dual-agent” che genera coppie di domande e risposte complesse per addestrare agenti di ricerca AI. Dataset precedenti come Musique, HotpotQA e Natural Questions (NQ) coinvolgevano relativamente pochi passaggi di ragionamento (media di ricerche per domanda: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), lasciando una lacuna nell’addestramento degli agenti AI, che dovevano gestire query di ricerca profonde e realmente difficili. SAGE affronta questo problema facendo sì che un AI scriva domande impegnative, richiedenti più passaggi di ragionamento e ricerche, mentre un secondo “agente di ricerca” cerca di rispondervi, fornendo feedback sulla difficoltà della domanda e sul processo di esecuzione (passaggi di ricerca e documenti utilizzati). Quando il secondo AI risolve le domande troppo facilmente o fallisce, le tracce di esecuzione vengono restituite al primo AI, aiutandolo ad identificare scorciatoie che riducono la complessità del ragionamento. I ricercatori hanno individuato quattro principali scorciatoie che permettono agli agenti AI di evitare una ricerca approfondita: 1. **Co-Location delle Informazioni (35%)**: Le informazioni chiave necessarie per rispondere a una domanda si trovano nello stesso documento, riducendo il numero di ricerche. 2. **Sintesi Multi-Query (21%)**: Una singola query di ricerca efficace recupera durante un passaggio sufficienti informazioni da documenti diversi. 3. **Complesso Superficiale (13%)**: Le domande sembrano complesse ma si può rispondere direttamente tramite ricerca senza ragionamenti intermedi. 4.

**Domande Troppo Specifiche (31%)**: Domande altamente dettagliate portano alla risposta nel primo risultato di ricerca, eliminando la necessità di approfondimenti. Queste scorciatoie spiegano come gli agenti AI possano ridurre i passaggi di ragionamento approfondito e forniscono spunti anche per l’ottimizzazione SEO. Per gli editori, consolidare fatti dispersi (“Co-Location delle Informazioni”) in una singola pagina completa può ridurre la necessità dell’AI di “passare” da un sito all’altro. Strutturare i contenuti per rispondere contemporaneamente a più sotto-domande (“Sintesi Multi-Query”) aiuta gli agenti AI a trovare soluzioni complete più rapidamente, abbreviando efficacemente la catena di ragionamento. Fornire dati specifici (date, calcoli, nomi) può fungere da scorciatoia e consentire all’AI di arrivare più velocemente alla risposta, un obiettivo anche per la SEO. Nonostante questi approfondimenti sull’AI agentica, il documento sottolinea che il focus principale dell’SEO deve rimanere sulla classifica nei risultati di ricerca tradizionali, dato che gli agenti AI nello studio attingono ai risultati delle prime tre pagine classificate per ogni query, in base all’API di Google Serper. Pertanto, i creatori di contenuti dovrebbero: - Ottimizzare le pagine principalmente per la ricerca classica. - Puntare a essere completi e pertinenti, posizionandosi tra i primi tre risultati. - Collegare tra loro le pagine correlate per favorire una buona classifica e supportare ricerche approfondite multi-hop. - Evitare di focalizzarsi esclusivamente sull’ottimizzazione per la ricerca AI, data la dipendenza attuale dal ranking classico nelle modalità agentiche. In conclusione, sebbene la ricerca approfondita con AI agentica presenti nuove sfide, le strategie SEO che puntano su contenuti completi, ben strutturati e ottimizzati per la ricerca tradizionale rimangono efficaci. La ricerca, pubblicata da Google il 26 gennaio 2026, è disponibile sotto il titolo “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”