Google zverejnili výskumnú štúdiu o vývoji náročného dátového súboru na tréning AI agentov pre hlboké výskumné úlohy, ktorá poskytuje poznatky o fungovaní agentom AI v hlbokom výskume a jeho dopadoch na optimalizáciu obsahu. Štúdia predstavuje SAGE, čo znamená Steerable Agentic Data Generation for Deep Search with Execution Feedback – “dvojagenta” systém, ktorý generuje zložité otázky a odpovede na ich tréning AI vyhľadávacích agentov. Predchádzajúce súbory údajov ako Musique, HotpotQA a Natural Questions (NQ) obsahovali pomerne málo krokov uvažovania (priemerné vyhľadávania na otázku: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), čím vznikla medzera v tréningu AI agentov, ktorým chýbala schopnosť spracovať naozaj ťažké, viacstupňové hlboké dopyty. SAGE to rieši tak, že jeden AI vytvára náročné otázky vyžadujúce viacero krokov uvažovania a vyhľadávania, zatiaľ čo druhý „vyhľadávací agent“ sa ich snaží zodpovedať, pričom poskytuje spätnú väzbu o obtiažnosti otázok a ich vykonávaní (počet vyhľadávacích krokov a použité dokumenty). Keď druhý AI otázky vyrieši príliš ľahko alebo zlyhá, sledovacie stopy výkonu sa vracajú prvému AI, ktorý tak môže odhaliť skratky, ktoré znižujú zložitosti uvažovania. Výskumníci identifikovali štyri hlavné skratky, ktoré umožňujú AI agentom vyhnúť sa hlbokému výskumu: 1. **Ko-lokácia informácií (35%)**: Kľúčové informácie potrebné na zodpovedanie otázky sa nachádzajú v tom istom dokumente, čo umožňuje menej vyhľadávaní. 2. **Kollaps viacdopytov (21%)**: Jeden efektívny vyhľadávací dopyt získa potrebné informácie z rôznych dokumentov v jednom kroku. 3. **Povrchová zložitosť (13%)**: Otázky sa môžu zdať zložité, ale umožňujú priamu odpoveď cez vyhľadávanie bez medzičlánkového uvažovania. 4.

**Príliš špecifické otázky (31%)**: Vysoce detailné otázky vedú k odpovedi na prvom vyhľadávaní, čím sa eliminuje potreba hlbšieho skúmania. Tieto skratky pomáhajú vysvetliť, ako sa AI agenti dokážu zjednodušiť a znížiť počet krokov hlbokého uvažovania, a poskytujú relevantné poznatky aj z hľadiska SEO. Pre vydavateľov je vhodné zoskupiť rozptýlené fakty („Ko-lokácia informácií“) do jednej komplexnej stránky, čím sa zníži potreba AI “skákať” na konkurenčné stránky. Štruktúrovanie obsahu tak, aby odpovedal na viaceré podotázky naraz („Kollaps viacdopytov“), pomáha AI agentom rýchlejšie nájsť kompletné riešenia, čím sa skracuje reťazec uvažovania. Poskytovanie špecifických dátových bodov (dátumy, výpočty, mená) môže slúžiť ako skratky umožňujúce AI rýchle dosiahnuť odpovede, čo je v súlade s cieľmi SEO. Napriek týmto poznatkom o agentom riadenom AI sa štúdia zdôrazňuje, že hlavná priorita SEO by mala zostať na dobrej pozícii v klasickom vyhľadávaní, keďže AI agenti v štúdii čerpajú výsledky z prvých troch stránok pre danú otázku, podľa Google’s Serper API. Preto by mali tvorcovia obsahu: - Optimalizovať webové stránky predovšetkým pre klasické vyhľadávanie. - Snažiť sa byť komplexní a relevantní, pričom sa umiestniť medzi prvými tromi výsledkami. - Vzájomne prepojiť súvisiace stránky na podporu ich dobrej pozície a možného podpory viacstupňového hlbokého výskumu. - Nezameriavať sa výlučne na optimalizáciu pre AI vyhľadávanie vzhľadom na súčasnú závislosť od klasických pozícií vo vyhľadávaní v agentovom systéme. Na záver, hoci agentom riadené AI hlboké vyhľadávanie prináša nové výzvy, stratégie SEO, ktoré zdôrazňujú komplexný, dobre štruktúrovaný obsah optimalizovaný pre klasické vyhľadávanie, ostávajú účinné. Výskum, ktorý publikoval Google 26. januára 2026, je dostupný pod názvom “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”