Google publiserte en forskningsartikkel om utvikling av et utfordrende datasett for å trene AI-agenter til dype forskningsoppgaver, noe som gir innsikt i hvordan agentbasert AI-dypforskning fungerer og implikasjoner for innholdsoptimalisering. Artikkelen introduserer SAGE, som står for Steerable Agentic Data Generation for Deep Search with Execution Feedback – et «dobbelt-agent»-system som genererer komplekse spørsmål og svar for trening av AI-søkere. Tidligere datasett som Musique, HotpotQA og Natural Questions (NQ) involverte relativt få resoneringssteg (gjennomsnittlig antall søk per spørsmål: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), noe som etterlot et treningsgap for AI-agenter som må håndtere virkelig vanskelige, flerstegs dype søkeforspørsler. SAGE adresserer dette ved at én AI skriver utfordrende spørsmål som krever flere resonneringssteg og søk, mens en annen «søkeagent» prøver å svare på dem, og gir tilbakemelding om spørsmålenes vanskelighetsgrad og utførelse (søkssteg og dokumenter brukt). Når den andre AI-en løser spørsmål for lett eller feiler, sender utførelsesspor tilbake til den første AI-en, noe som hjelper den å identifisere snarveier som reduserer resonneringskomplekset. Forskerne identifiserte fire hovedsnarveier som gjør at AI-agenter kan unngå dype forskningsprosesser: 1. **Informasjonsplassering (35%)**: Nøkkelinformasjon for å svare på et spørsmål finnes i samme dokument, noe som krever færre søk. 2. **Multi-spørrings-kollaps (21%)**: Et enkelt, effektivt søkesteg henter tilstrekkelig informasjon fra flere dokumenter samtidig. 3. **Overfladisk kompleksitet (13%)**: Spørsmål virker komplekse, men kan løses direkte via søk uten mellomliggende resonnering. 4.

**Altfor spesifikke spørsmål (31%)**: Svært detaljerte spørsmål gir svar i det første søket, og eliminerer behovet for dyp undersøkelse. Disse snarveiene forklarer hvordan AI-agenter kan redusere antall resonneringssteg og gir SEO-relevante innsikter. For utgivere kan konsolidering av spredte fakta ("Informasjonsplassering") til én helhetlig side redusere AI-ens behov for å hoppe mellom sider. Strukturering av innhold slik at flere under-spørsmål kan besvares samtidig ("Multi-spørrings-kollaps") hjelper AI med å finne løsninger raskere og forkorter resonneringskjeden. Å gi spesifikke data (datoer, kalkulasjoner, navn) kan fungere som snarveier som gjør at AI kan finne svar raskere, noe som også støtter SEO-mål. Til tross for disse innsiktene i agentbasert AI, understreker artikkelen at hovedfokuset for SEO bør forbli å rangere høyt i klassisk søk, ettersom AI-agentene i studien henter resultater fra de tre øverste sidene per spørring, basert på Googles Serper API. Derfor bør innholdsskapere: - Optimalisere nettsider først og fremst for klassisk søk. - Sikre at innholdet er dekkende og relevant, og rangerer blant topp tre resultater. - Interne linker til relaterte sider kan hjelpe dem å rangere bedre og muliggjøre multisteg dypforskning. - Ikke bare fokusere på AI-søkoptimalisering, gitt dagens avhengighet av klassisk søk i agentbasert AI. Avslutningsvis, selv om agentbasert AI-dypforskning byr på nye utfordringer, forblir SEO-strategier som vektlegger omfattende, godt strukturert innhold optimalisert for tradisjonelt søk, effektive. Forskningen, publisert av Google 26. januar 2026, er tilgjengelig i artikkelen “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”