Google a publicat o lucrare de cercetare despre dezvoltarea unui set de date provocator pentru antrenarea de agenți AI pentru sarcini de cercetare aprofundată, oferind perspective asupra modului în care funcționează cercetarea profundă a AI-ului agentic și implicații pentru optimizarea conținutului. Lucrarea introduce SAGE, care înseamnă Generare de Date Agentice Direcționabile pentru Cercetare Aprofundată cu Feedback de Execuție — un sistem „dublu-agent” care generează perechi complexe de întrebări-răspunsuri pentru antrenarea agenților AI specializați în căutare. Seturile de date anterioare, precum Musique, HotpotQA și Natural Questions (NQ), implicau relativ puțini pași de raționament (număr mediu de căutări per întrebare: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), lăsând o diferență de antrenament pentru AI-urile care trebuie să gestioneze interogări de cercetare profundă cu adevărat dificilă, detaliată în mai mulți pași. SAGE abordează această problemă prin faptul că un AI scrie întrebări provocatoare, care necesită multiple pași de raționament și căutare, în timp ce un al doilea „agent de căutare” încearcă să le răspundă, oferind feedback despre dificultatea întrebărilor și modul de executare (pașii de căutare și documentele utilizate). Când al doilea AI rezolvă întrebările prea ușor sau eșuează, traseele de execuție sunt transmise înapoi către primul AI, ajutându-l să identifice scurtături care reduc complexitatea raționamentului. Cercetătorii au identificat patru scurtături principale care permit AI-urilor să evite cercetarea profundă: 1. **Co-Localizarea Informației (35%)**: Piese cheie de informații necesare pentru a răspunde unei întrebări se află în același document, permițând mai puține căutări. 2. **Rezolvarea Multi-Interogare (21%)**: O singură interogare de căutare eficientă obține suficiente informații din mai multe documente într-un pas. 3. **Complexitate Superficială (13%)**: Întrebările par complicate, dar permit răspunsuri directe prin căutare, fără raționament intermediar. 4.

**Întrebări prea Specifice (31%)**: Întrebări foarte detaliate conduc la răspunsuri în primul rezultat de căutare, eliminând necesitatea unei cercetări aprofundate. Aceste scurtături explică modul în care AI-urile reduc pașii de raționament profund și oferă perspective relevante pentru SEO. Pentru publisheri, consolidarea faptelor dispersate („Co-Localizarea Informației”) într-o singură pagină completă poate reduce nevoia AI de a „sări” către site-uri concurente. Structurarea conținutului pentru a răspunde mai multor sub-întrebări simultan („Rezolvarea Multi-Interogare”) ajută AI-urile să găsească soluții complete mai rapid, scurtând astfel lanțul de raționament. Oferirea unor date specifice (date, calcule, nume) poate acționa ca scurtături, permițând AI-ului să ajungă rapid la răspunsuri, în concordanță cu obiectivele SEO. În ciuda acestor perspective privind AI-ul agentic, lucrarea subliniază că prioritatea principală în SEO trebuie să rămână clasarea excelentă în căutarea clasică, deoarece AI-urile agentice din studiu preiau rezultate din primele trei pagini clasate pentru fiecare interogare, bazându-se pe API-ul Serper de la Google. Astfel, creatorii de conținut ar trebui să: - Optimizeze paginile web preponderent pentru căutarea clasică. - Își propună să fie complete și relevante, menținându-se în top trei rezultate. - Se leagă între ele prin linkuri către pagini relevante pentru a ajuta și acestea să se claseze bine și pentru a sprijini cercetarea aprofundată cu răspunsuri multiple. - Evite să se concentreze exclusiv pe optimizarea pentru AI-ul de căutare, având în vedere dependența actuală de rangurile din căutarea clasică în sistemele de AI agentic. În concluzie, deși cercetarea asupra căutării profunde agentice aduce noi provocări, strategiile SEO care pun accent pe conținut cuprinzător, bine structurat și optimizat pentru căutarea clasică rămân eficiente. Lucrarea, publicată de Google pe 26 ianuarie 2026, poartă titlul „SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback”.