Google telah menerbitkan sebuah kertas penyelidikan mengenai pembangunan dataset mencabar untuk melatih ejen AI dalam tugasan penyelidikan mendalam, memberi pandangan tentang bagaimana AI berfungsi dalam penyelidikan mendalam dan implikasinya terhadap pengoptimuman kandungan. Kertas tersebut memperkenalkan SAGE, yang bermaksud Steerable Agentic Data Generation for Deep Search with Execution Feedback—satu sistem “dual-ejen” yang menjana pasangan soalan-jawapan yang kompleks untuk melatih ejen carian AI. Dataset terdahulu seperti Musique, HotpotQA, dan Natural Questions (NQ) melibatkan sedikit langkah penalaran (purata carian bagi setiap soalan: Musique 2. 7, HotpotQA 2. 1, NQ 1. 3), menyisakan kekurangan latihan bagi ejen AI yang perlu mengendalikan pertanyaan penyelidikan mendalam yang benar-benar sukar dan berbilang langkah. SAGE mengatasi perkara ini dengan satu AI menulis soalan yang mencabar memerlukan beberapa langkah penalaran dan carian, manakala ejen “carian” kedua cuba menjawabnya, memberikan maklum balas mengenai tahap kesukaran soalan dan pelaksanaan (langkah carian dan dokumen yang digunakan). Apabila AI kedua menyelesaikan soalan dengan terlalu mudah atau gagal, jejak pelaksanaan dimasukkan kembali kepada AI pertama, membantu ia mengenal pasti jalan pintas yang mengurangkan kerumitan penalaran. Para penyelidik mengenal pasti empat jalan pintas utama yang membolehkan ejen AI mengelakkan penyelidikan mendalam: 1. **Lokasi Maklumat Bersama (35%)**: Maklumat penting untuk menjawab soalan ditemui dalam dokumen yang sama, membolehkan kurangnya carian. 2. **Penggabungan Carian Banyak (21%)**: Satu carian yang berkesan dapat mendapatkan maklumat yang cukup dari pelbagai dokumen dalam satu langkah. 3. **Kerumitan Sementara (13%)**: Soalan kelihatan rumit tetapi boleh dijawab secara langsung melalui carian tanpa penalaran perantaraan. 4.

**Soalan Spesifik Melampau (31%)**: Soalan yang sangat terperinci membawa kepada jawapan dalam carian pertama, menghapuskan keperluan penyelidikan mendalam. Jalan pintas ini membantu menerangkan bagaimana ejen AI mengurangkan langkah penalaran mendalam dan menyediakan pandangan berkaitan SEO. Bagi penerbit, penggabungan fakta yang tersebar (“Lokasi Maklumat Bersama”) ke dalam satu halaman lengkap boleh mengurangkan keperluan AI untuk “melompat” ke laman pesaing. Mengatur kandungan untuk menjawab pelbagai soalan kecil secara serentak (“Penggabungan Carian Banyak”) membantu ejen AI mencari penyelesaian lengkap dengan lebih pantas, secara efektif memendekkan rantaian penalaran. Memberikan data khusus (tarikh, pengiraan, nama) boleh berfungsi sebagai jalan pintas yang membolehkan AI mencapai jawapan dengan cepat, sejajar dengan matlamat SEO. Walaupun wawasan tentang AI berkeupayaan ini penting, kertas tersebut menegaskan bahawa fokus utama SEO harus kekal pada kedudukan yang baik dalam carian klasik, kerana ejen AI dalam kajian ini memperoleh hasil daripada tiga halaman teratas bagi setiap pertanyaan, berdasarkan Google’s Serper API. Oleh itu, pencipta kandungan hendaklah: - Mengoptimumkan laman web terutamanya untuk carian klasik. - Berusaha menjadi komprehensif dan relevan sambil berada dalam tiga hasil teratas. - Menghubungkan ke halaman berkaitan untuk membantu mereka juga mendapat kedudukan baik dan menyokong penyelidikan mendalam berbilang langkah. - Elakkan memberi tumpuan semata-mata kepada pengoptimuman carian AI, memandangkan sistem AI berkeupayaan ini masih bergantung kepada kedudukan carian klasik. Secara ringkas, walaupun penyelidikan AI berkeupayaan tinggi dalam penyelidikan mendalam menimbulkan cabaran baharu, strategi SEO yang memberi penekanan kepada kandungan lengkap dan tersusun dengan baik serta dioptimumkan untuk carian klasik tetap berkesan. Kajian ini, yang diterbitkan oleh Google pada 26 Januari 2026, boleh didapati dalam kertas bertajuk “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”