Google publicerade en forskningsrapport om utvecklingen av en utmanande datamängd för att träna AI-agenter för djupgående forskningsuppgifter, vilket ger insikter i hur agentbaserad AI-forskning fungerar och vilka konsekvenser detta har för innehållsoptimering. Rapporten introducerar SAGE, som står för Steerable Agentic Data Generation for Deep Search with Execution Feedback – ett “dual-agent”-system som genererar komplicerade fråga-svar-par för att träna AI-sökagenter. Tidigare datamängder såsom Musique, HotpotQA och Natural Questions (NQ) innehöll relativt få resonemangssteg (medelantal sök per fråga: Musique 2, 7, HotpotQA 2, 1, NQ 1, 3), vilket ledde till en träningsgap för AI-agenter som behöver hantera genuint svåra, flerstegiga djupgående sökfrågor. SAGE adresserar detta genom att en AI skriver utmanande frågor som kräver flera resonemangssteg och sökningar, medan en andra “sökagent” försöker svara på dem och ger feedback om frågans svårighetsgrad och genomförande (söksteg och använda dokument). När den andra AI:n löser frågor för lätt eller misslyckas, ger utförandespår feedback till den första AI:n, vilket hjälper den att identifiera genvägar som minskar resonemangskomplexiteten. Forskare identifierade fyra huvudsakliga genvägar som tillåter AI-agenter att undvika djupgående forskning: 1. **Informationsplacering (35%)**: Nyckelinformation som behövs för att svara på en fråga finns i samma dokument, vilket möjliggör färre sökningar. 2. **Multi-fråge-kollaps (21%)**: En enda, effektiv sökfråga hämtar tillräcklig information från olika dokument i ett steg. 3. **Ytlig komplexitet (13%)**: Frågor verkar komplexa men kan besvaras direkt via sökning utan mellanliggande resonemang. 4.

**Överdrivet specifika frågor (31%)**: Mycket detaljerade frågor leder till svar vid första sökningen, vilket eliminerar behovet av djupare undersökning. Dessa genvägar förklarar hur AI-agenter kan minska antalet djupa resonemangssteg och ger insikter relevanta för SEO. För utgivare innebär detta att konsolidera spridda fakta (“Informationsplacering”) till en helsides innehåll kan minska AI:s behov att “hoppa” mellan konkurrenters sidor. Att strukturera innehållet för att kunna svara på flera delfrågor samtidigt (“Multi-fråge-kollaps”) hjälper AI-agenter att snabbare hitta helhetslösningar och förkortar effektivt resonemangskedjan. Att tillhandahålla specifika data (datum, beräkningar, namn) kan fungera som genvägar som gör att AI når svar snabbt, vilket är i linje med SEO-mål. Trots dessa insikter om agentbaserad AI-forskning understryks att det primära SEO-fokuset bör förbli att ranka högt i traditionell sökning, eftersom AI-agenter i studien hämtar resultat från de tre högst rankade sidorna per fråga, baserat på Googles Serper API. Därför bör innehållsskapare: - Optimera webbsidor främst för traditionell sök. - Sträva efter att vara heltäckande och relevant samtidigt som de hamnar i topp tre-resultaten. - Länka till relaterade sidor för att hjälpa dem att också ranka väl och eventuellt stödja flerstegs djup forskning. - Undvika att enbart fokusera på AI-sökoptimering, med tanke på det nuvarande beroendet av klassisk sökrankning i agentbaserad AI. Sammanfattningsvis, medan agentbaserad AI djup sökning innebär nya utmaningar, förblir SEO-strategier som betonar omfattande, välstrukturerat innehåll optimerat för traditionell sökning effektiva. Denna forskning, publicerad av Google den 26 januari 2026, finns tillgänglig som rapporten “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”