Google heeft een onderzoeksrapport gepubliceerd over het ontwikkelen van een uitdagende dataset om AI-agenten te trainen voor diepgaande onderzoeksactiviteiten. Het biedt inzicht in hoe agentgerichte AI-diepe research werkt en de implicaties voor inhoudsoptimalisatie. Het rapport introduceert SAGE, wat staat voor Steerable Agentic Data Generation for Deep Search with Execution Feedback — een “dual-agent” systeem dat complexe vraag-antwoordparen genereert voor het trainen van AI-zoekagenten. Eerdere datasets zoals Musique, HotpotQA en Natural Questions (NQ) bevatten relatief weinig denkslagen (gemiddeld aantal zoekingen per vraag: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), waardoor er een gat ontstaat in de training voor AI-agenten die echt moeilijke, meerstaps diepe zoekvragen moeten kunnen afhandelen. SAGE lost dit op door één AI te laten schrijven met uitdagende vragen die meerdere denkslagen en zoekingen vereisen, terwijl een tweede “zoekagent” probeert deze te beantwoorden. De tweede AI geeft feedback over de moeilijkheid van de vraag en de uitvoering (zoekstappen en gebruikte documenten). Wanneer de tweede AI vragen te gemakkelijk oplost of faalt, worden die uitvoeringsroutes teruggekoppeld naar de eerste AI, zodat deze shortcuts kan identificeren die de denkslag verminderen. De onderzoekers hebben vier belangrijke shortcuts geïdentificeerd die AI-agenten helpen om diepe research-stappen te vermijden: 1. **Informatieve Co-Locatie (35%)**: Belangrijke informatie om een vraag te beantwoorden bevindt zich in hetzelfde document, waardoor minder zoekingen nodig zijn. 2. **Multi-query Samenvatting (21%)**: Een enkele, effectieve zoekopdracht haalt voldoende informatie uit verschillende documenten in één stap. 3.

**Oppervlakkige Complexiteit (13%)**: Vragen lijken complex, maar kunnen direct worden beantwoord via zoekopdrachten zonder tussenliggende redenering. 4. **Overmatig Specifieke Vragen (31%)**: Zeer gedetailleerde vragen leiden tot antwoorden bij de eerste zoekactie, waardoor diepe onderzoekingen niet nodig zijn. Deze shortcuts verklaren hoe AI-agenten het aantal diepe denkslagen kunnen verminderen en bieden belangrijke inzichten voor zoekmachineranking (SEO). Voor uitgevers kan het consolideren van verspreide feiten ("Informatieve Co-Locatie") op één uitgebreide pagina de behoefte van AI verminderen om te “sprongen” naar concurrenten te maken. Het structureren van content om meerdere deelvragen tegelijk te beantwoorden (“Multi-query Samenvatting”) helpt AI-agenten sneller volledige oplossingen te vinden, waardoor de redeneerketen wordt verkort. Het geven van specifieke gegevens (data, berekeningen, namen) kan fungeren als shortcuts die AI snel op het juiste spoor brengen, wat aansluit bij SEO-doelen. Hoewel deze inzichten over agentgerichte AI-diepe research waardevol zijn, benadrukt het rapport dat de belangrijkste focus voor SEO nog steeds op het goed scoren in reguliere zoekmachines moet liggen. De AI-agenten in de studie halen hun resultaten uit de top drie gerangschikte pagina’s per zoekopdracht, gebaseerd op Google’s Serper API. Daarom dienen contentmakers te: - Webpagina’s primair te optimaliseren voor traditionele zoekresultaten. - Ze te maken die compleet en relevant zijn, en in de top drie staan. - Te zorgen voor onderlinge koppelingen tussen gerelateerde pagina’s, zodat zij ook goed scoren en mogelijk multi-hop diepgaande research ondersteunen. - Zich niet alleen te richten op optimalisatie voor AI-search, gezien de huidige afhankelijkheid van traditionele zoekresultaten in agentgerichte AI-systemen. Samengevat: hoewel agentgerichte AI-diepe zoekstrategieën nieuwe uitdagingen bieden, blijven strategieën die gericht zijn op het creëren van uitgebreide, goed gestructureerde content voor klassieke zoekmachines effectief. Het onderzoek, gepubliceerd door Google op 26 januari 2026, heet “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”