Google opublikował pracę naukową na temat opracowania trudnego zbioru danych do trenowania agentów AI do głębokich zadań badawczych, dostarczając wglądu w sposób działania agentowego AI w głębokim poszukiwaniu informacji oraz implikacji dla optymalizacji treści. W pracy przedstawiono SAGE, czyli Steerable Agentic Data Generation for Deep Search with Execution Feedback – „system podwójnego agenta”, który generuje skomplikowane pary pytań i odpowiedzi do trenowania agentów wyszukiwawczych AI. Wcześniejsze zbiory danych, takie jak Musique, HotpotQA i Natural Questions (NQ), obejmowały stosunkowo niewiele kroków rozumowania (średnia liczba wyszukiwań na pytanie: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), pozostawiając lukę w treningu dla agentów AI, którzy muszą radzić sobie z naprawdę trudnymi, wieloetapowymi zapytaniami głębokiego wyszukiwania. SAGE rozwiązuje ten problem poprzez to, że jeden agent AI tworzy trudne pytania wymagające kilku kroków rozumowania i wyszukiwań, podczas gdy drugi „agent wyszukiwawczy” próbuje na nie odpowiedzieć, dostarczając informacje zwrotne na temat trudności pytania i procesu wykonania (liczba kroków wyszukiwań i użyte dokumenty). Gdy drugi AI rozwiązuje pytania zbyt łatwo lub nie potrafi ich rozwiązać, śledztwa wykonawcze przekazują informacje zwrotne do pierwszego AI, pomagając mu zidentyfikować skróty, które zmniejszają złożoność rozumowania. Badacze zidentyfikowali cztery główne skróty, które pozwalają agentom AI unikać głębokiego poszukiwania: 1. **Współlokalizacja informacji (35%)**: Kluczowe elementy informacji niezbędne do odpowiedzi na pytanie znajdują się w tym samym dokumencie, co umożliwia mniej wyszukiwań. 2. **Konsolidacja wielokrotnych zapytań (21%)**: Pojedyncze, skuteczne zapytanie wyszukiwania zwraca wystarczające informacje z różnych dokumentów w jednym kroku. 3. **Pytania powierzchowne (13%)**: Pytania wydają się skomplikowane, ale można na nie odpowiedzieć bezpośrednio poprzez wyszukiwanie, bez konieczności rozbudowanego rozumowania. 4.

**Zbyt szczegółowe pytania (31%)**: Bardzo szczegółowe pytania prowadzą do odpowiedzi przy pierwszym wyszukiwaniu, eliminując potrzebę głębokiego śledztwa. Te skróty pomagają wyjaśnić, jak agenci AI ograniczają liczbę kroków głębokiego rozumowania i dostarczają wartościowe wskazówki SEO. Dla wydawców konsekwentne łączenie rozrzuconych faktów („Współlokalizacja informacji”) w jedną kompleksową stronę może zmniejszyć potrzebę „przeskakiwania” do stron konkurencji. Strukturyzacja treści tak, aby równocześnie odpowiadały na wiele pytań podrzędnych („Konsolidacja wielokrotnych zapytań”) pomaga agentom AI szybciej znaleźć pełne rozwiązania, skracając tym samym łańcuch rozumowania. Podanie konkretnych danych (dat, kalkulacji, nazw) może działać jako skrót, umożliwiający AI szybkie dotarcie do odpowiedzi, co jest zgodne z celami SEO. Pomimo tych spostrzeżeń dotyczących agentowego AI, dokument podkreśla, że głównym celem SEO powinna pozostać wysoka pozycja w klasycznym wyszukiwaniu, ponieważ systemy agentowego AI korzystają z wyników pierwszych trzech stron w rankingu, opierając się na API Serper Google. Dlatego twórcy treści powinni: - Optymalizować strony głównie pod kątem klasycznego wyszukiwania. - Starać się być wyczerpującymi i tematycznie na czasie, starając się zajmować pozycję w top 3 wynikach. - Linkować do powiązanych stron, aby pomóc im również osiągnąć wysoką pozycję oraz wspierać wieloetapowe głębokie badanie. - Unikać skupiania się wyłącznie na optymalizacji pod kątem wyszukiwania AI, zważywszy na obecny dominujący wpływ klasycznego rankingu. Podsumowując, choć agentowe AI w głębokim wyszukiwaniu stawia nowe wyzwania, strategie SEO koncentrujące się na tworzeniu pełnych, dobrze zorganizowanych treści zoptymalizowanych pod kątem klasycznego wyszukiwania pozostają skuteczne. Prace, opublikowane przez Google 26 stycznia 2026 roku, noszą tytuł „SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback”.