Гугл објави научноедно дело за развој на предизвикувачки датасет за обучување на АИ агенти за длабоки истражувачки задачи, кое нуди увиди во тоа како функционира агентскиот длабок истражувачки процес на АИ и какви се импликациите за оптимизација на содржина. Во трудот е претставен SAGE, што значи Steerable Agentic Data Generation for Deep Search with Execution Feedback — „двојчен“ систем кој создава сложени прашања и одговори за тренирање на АИ агенти за пребарување. Почетните датасети како Musique, HotpotQA и Natural Questions (NQ) вклучуваа релативно мал број на чекори за размислување (просечно пребарувања по прашање: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), оставајќи празнина во тренирањето на АИ агенти за справување со навистина тешки, повеќестепени длабоки пребарувачки прашања. SAGE ја решава оваа дилема така што еден АИ создава предизвикувачки прашања кои бараат повеќестепени размислувања и пребарувања, додека втор „пребарувачки агент“ се обидува да одговори, пружајќи повратна информација за тешкотијата на прашањето и за изведбата (број на чекори на пребарување и документи што се користат). Кога вториот АИ решава прашања премногу лесно или не успева, трасите на извршување се враќаат прво на првиот АИ, што му помага да идентификува shortcuts-и кои намалуваат комплексноста на размислувањето. Истражувачите идентификуваа четири главни shortcuts-и кои дозволуваат на АИ агентите да избегнуваат длабоко истражување: 1. **Локација на информации (35%)**: Клучните парчиња информации потребни за одговор на прашањето се наоѓаат во истиот документ, што овозможува помалку пребарувања. 2. **Мулти-запрашување (21%)**: Едно, ефикасно пребарување ја добива потребната информација од различни документи во една фаза. 3. **Површна сложеност (13%)**: Прашањата изгледаат сложени, но можат да се одговорат директно преку пребарување без потреба од дополнително размислување. 4.

**Прецизни прашања (31%)**: Високо детални прашања водат до одговор во првото пребарување, елиминирајќи ја потребата од длабока анализа. Овие shortcuts-и објаснуваат како АИ агентите можат да ги намалат чекорите на длабока логика и да даваат корисни профилактички информации за SEO. За издавачите, консолидирањето на расеаните факти („Информациска локација“) во една целосна страница може да го намали потребата на AI за пребарување на конкуренти. Структурирањето на содржина за одговор на повеќе под-прашања истовремено („Мулти-запрашување“) им помага на АИ агентите побрзо да добијат целосни решенија – со тоа се скратува ланецот на размислување. Обезбедувањето на специфични податоци (дати, калкулации, имиња) може да служи како shortcuts и да овозможи брзо добивање на одговори, што е корисно за SEO. И покрај овие агенцки АИ заклучоци, трудот нагласува дека главен фокус на SEO треба да остане рангирањето во класичното пребарување, бидејќи агентските системи во истражувањето подигаат резултати од првите три страници според Google’s Serper API. Затоа, креаторите на содржина треба: - Да ги оптимизираат веб-страниците главно за класично пребарување - Да се стремат кон сеопфатност и релевантност, рангирајќи се во првата тројка - Да вметнуваат линкови кон сродни страници за по-добро рангирање и поддршка на повеќестепени длабоки истражувања - Да не се концентрираат исклучиво на оптимизација за АИ пребарување, со оглед на сегашното значење на класичното рангирање во агентски системи На крај, иако агентската длабока истражувачка АИ создава нови предизвици, стратегиите за SEO сепак треба да се фокусираат на богата и добро структурирана содржина, оптимизирана за класично пребарување. Истражувањето, објавено од Гугл на 26 јануари 2026 година, е достапно како труд „SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. “