Google je objavio naučni rad o razvoju izazovnog skupa podataka za obuku AI agenta za dubinska istraživanja, pružajući uvide u to kako funkcioniše agentni AI dubinsko istraživanje i njegove implikacije za optimizaciju sadržaja. Rad uvodi SAGE, što znači Steerable Agentic Data Generation for Deep Search with Execution Feedback — “dvosmisleni” sistem koji generiše složene sklopove pitanja i odgovora za obuku AI pretraživača. Prethodni skupovi podataka kao što su Musique, HotpotQA i Natural Questions (NQ) uključivali su relativno mali broj koraka rezonovanja (prosečno pretraživanja po pitanju: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), ostavljajući jaz u obuci AI agenata kojima je potrebno da rešavaju zaista teške, višekorakne upite za dubinsko pretraživanje. SAGE to rešava tako što jedan AI piše zahtevna pitanja koja zahtevaju više koraka rezonovanja i pretraživanja, dok drugi “pretraživački agent” pokušava da odgovori na njih, pružajući povratne informacije o težini pitanja i izvršenju (koracima pretraživanja i korišćenim dokumentima). Kada drugi AI reši pitanja previše lako ili zakaže, tragovi izvršenja se vraćaju prvom AI-u, pomažući mu da prepoznaju prečice koje smanjuju složenost rezonovanja. Istraživači su identifikovali četiri glavne prečice koje omogućavaju AI agentima da izbegnu dubinska istraživanja: 1. **Informaciona Ko-lokacija (35%)**: Ključne informacije potrebne za odgovor na pitanje nalaze se u istom dokumentu, što omogućava manje pretraživanja. 2. **Kompaktno Višekorisničko Pretraživanje (21%)**: Jedan efektivan upit za pretraživanje pruža dovoljno informacija iz različitih dokumenata u jednom koraku. 3. **Površna Složenost (13%)**: Pitanja deluju složeno, ali se na njih može direktno odgovoriti putem pretraživanja bez potrebe za srednjim rezonovanjem. 4.

**Previše Specifična Pitanja (31%)**: Visoko detaljna pitanja vode do odgovora već na prvom pretraživanju, eliminišući potrebu za dubinskim istragama. Ove prečice pomažu da se objasni kako AI agenti smanjuju broj potrebnih koraka dubinskog rezonovanja i pružaju važne uvide za SEO. Za izdavače, objedinjavanje raspršenih činjenica (“Informaciona Ko-lokacija”) u jednu sveobuhvatnu stranicu može smanjiti potrebu AI-a da skakuće na konkurentske sajtove. Strukturiranje sadržaja tako da istovremeno odgovara na više podpitanja (“Kompaktno Višekorisničko Pretraživanje”) pomaže AI agentima da brže pronađu rešenja, efektivno skraćujući lanac rezonovanja. Davanje specifičnih podataka (datuma, kalkulacija, imena) može delovati kao prečice koje AI-ju omogućavaju brzo pronalaženje odgovora, što je u skladu sa SEO ciljevima. Iako ovi uvidi u agentni AI dubinsko istraživanje donose nove izazove, rad ističe da bi primarni fokus SEO-a i dalje trebalo da ostane na dobrom rangiranju u klasičnoj pretrazi, jer AI agenti u studiji izvlače rezultate sa prvih triju rangiranih stranica po upitu, na osnovu Google-ovog Serper API-ja. Zato bi kreatori sadržaja trebalo da: - Optimizuju veb stranice prvenstveno za klasičnu pretragu. - Teže biti sveobuhvatni i relevantni, dok ostaju među prva tri rezultata. - Među sadržajem međusobno povezivati povezane stranice kako bi im pomogli da se dobro rangiraju i eventualno podrže višekorakno dubinsko istraživanje. - Izbegavaju fokusiranje samo na optimizaciju za AI pretraživanje, s obzirom na trenutnu zavisnost od klasičnih rangiranja u agentnim AI sistemima. Zaključno, iako agentni AI sistemi za dubinsko pretraživanje donose nove izazove, SEO strategije koje ističu sveobuhvatan, dobro strukturiran sadržaj optimizovan za klasičnu pretragu i dalje ostaju efikasne. Ovaj rad, objavljen od strane Google-a 26. januara 2026, dostupan je pod naslovom “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback”.