Google publicēja pētījuma reference rakstu par izaicinošu datu kopas izveidi, lai apmācītu mākslīgā intelekta aģentus dziļas meklēšanas uzdevumiem, sniedzot ieskatu par to, kā darbojas aģentsklīka AI dziļa pētniecība, un tās ietekmi uz satura optimizāciju. Rakstā iepazīstināts ar SAGE, kas nozīmē Steerable Agentic Data Generation for Deep Search with Execution Feedback — “divu aģentu” sistēmu, kas ģenerē sarežģītas jautājumu-atbilžu pārus AI meklēšanas aģentu apmācībai. Iepriekšējos datu kopās, piemēram, Musique, HotpotQA un Natural Questions (NQ), bija relatīvi maz loģisko soļu (vidēji meklējumi pēc jautājuma: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), tādējādi radot apmācību nepilnības AI aģentiem, kuriem jāvada patiešām grūti, vairāku soļu dziļas meklēšanas uzdevumi. SAGE šo problēmu risina, ļaujot vienai AI radīt izaicinošus jautājumus, kas prasa vairākus loģiskos soļus un meklējumus, bet otra “meklēšanas aģente” cenšas uz tiem atbildēt, sniedzot atsauksmes par jautājuma grūtību un izpildes procesu (meklēšanas soļiem un izmantotajiem dokumentiem). Kad otra AI pārāk viegli atrisina jautājumus vai neizdodas, izpildes trases atsauksmes tiek nosūtītas atpakaļ uz pirmo AI, palīdzot tai identificēt īsceļus, kas samazina loģiskās prasības. Pētījuma autori identificēja četrus galvenos īsceļus, kas ļauj AI aģentiem izvairīties no dziļas pētniecības: 1. **Informācijas koplietošana (35%)**: Galvenās informācijas daļas, kas nepieciešamas atbildei, atrodamas vienā dokumentā, ļaujot veikt mazāk meklējumu. 2. **Multi-pēc uzdotu jautājumu samazinājums (21%)**: Viena efektīva meklēšanas pieprasījuma rezultātā tiek iegūta pietiekama informācija no dažādiem dokumentiem vienā solī. 3. **Vidsvars uz virspusēju sarežģītību (13%)**: Jautājumi izskatās sarežģīti, bet tie ļauj tieši iegūt atbildi, nemeklējot vai loģiski secinot starp soļiem. 4. **Ļoti specifiski jautājumi (31%)**: Detalizēti jautājumi parasti sniedz atbildi pirmā meklējuma laikā, novēršot nepieciešamību pēc dziļākiem izpētes soļiem. Šie īsceļi skaidro, kā AI aģenti samazina dziļo loģisko soļu skaitu un sniedz SEO nozīmīgas atziņas.

Publicējot saturu, kas koncentrējas uz neskaidrajām fakta daļām (“Informācijas koplietošana”) vienā lapā, var samazināt AI nepieciešamību “pārvietoties” uz konkurentu vietnēm. Strukturējot saturu tā, lai vienlaikus atbildētu uz vairākiem saistītiem jautājumiem (“Multi-pēc uzdotu jautājumu samazinājums”), palīdz AI aģentiem ātrāk atrast pilnas risinājumu shēmas — tas īstenībā saīsina loģikas ķēdi. Sniedzot konkrētus datus (datums, aprēķini, nosaukumi), var veidot īsceļus, kas ļauj AI ātri sasniegt atbildi, kas saskan ar SEO mērķiem. Neskatoties uz šiem aģenta AI atziņām, pētījums uzsver, ka galvenā SEO stratēģija joprojām ir koncentrēties uz labo pozīciju tradicionālajās meklēšanas rezultātu lapās, jo pētījuma gaitā AI aģenti ņem rezultātus no trīs augstāk esošajām lapām pēc meklējuma, izmantojot Google Serper API. Tādēļ satura veidotājiem ieteicams: - Optimizēt tīmekļa lapas galvenokārt tradicionālai meklēšanai. - Esam pilnīgi un saskaņā ar tēmu, aizņemot top trīs rezultātu vietas. - Savstarpēji sasaistīt saistītos talus, lai palīdzētu arī viņiem labi pozicionēties un veicinātu daudzsoļu dziļu pētījumu. - Sākt koncentrēties ne tikai uz AI meklēšanu, ņemot vērā pašreizējo uzticēšanos tradicionālās meklēšanas pozīcijām agentu AI sistēmās. Kopumā, lai arī aģento AI dziļās meklēšanas prakse rada jaunus izaicinājumus, SEO stratēģijas, kas uzsver visaptverošu, strukturētu un labi optimizētu saturu tradicionālajai meklēšanai, joprojām ir efektīvas. Šis pētījums, ko Google publicēja 2026. gada 26. janvārī, ir pieejams ar nosaukumu “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback”.