Nag-publish ang Google ng isang pananaliksik tungkol sa pagbuo ng isang mahirap na dataset para sanayin ang mga AI agent sa malalim na gawain sa pananaliksik, na nagbibigay ng mga pananaw kung paano gumagana ang agentic AI sa malalim na pananaliksik at ang mga implikasyon nito para sa pag-optimize ng nilalaman. Ipinakikilala ng papel ang SAGE, na nangangahulugang Steerable Agentic Data Generation for Deep Search with Execution Feedback—isang “dalwang agent” na sistema na gumagawa ng mga komplikadong tanong at sagot para sa pagsasanay ng mga AI search agent. Noong nakaraan, ang mga dataset tulad ng Musique, HotpotQA, at Natural Questions (NQ) ay may iilang reasoning steps lamang (average na paghahanap kada tanong: Musique 2. 7, HotpotQA 2. 1, NQ 1. 3), na nag-iiwan ng kakulangan sa pagsasanay para sa mga AI agent na kailangang humarap sa talagang mahihirap, multi-step na malalim na pananaliksik. Tinutugunan ito ng SAGE sa pamamagitan ng pagkakaroon ng isang AI na nagsusulat ng mahihirap na tanong na nangangailangan ng multiple reasoning steps at paghahanap, habang ang ikalawang “search agent” ay sumusubok na sagutin ang mga ito, na nagbibigay ng feedback hinggil sa kahirapan ng tanong at sa proseso ng paghahanap (mga hakbang at dokumentong ginamit). Kapag ang pangalawang AI ay nasosolusyunan ang mga tanong nang masyadong dali o nabibigo, ang mga execution traces ay ibinabalik sa unang AI, na tumutulong dito upang matukoy ang mga shortcut na nagpapaliit sa kabuuang reasoning. Natukoy ng mga mananaliksik ang apat na pangunahing shortcut na nagpapahintulot sa AI agents na iwasan ang malalim na pananaliksik: 1. **Pagkakasama-sama ng Impormasyon (35%)**: Natagpuan ang mahahalagang piraso ng impormasyon na kailangang sagutin ang isang tanong ay nasa iisang dokumento, kaya't mas kakaunti ang paghahanap. 2. **Multi-query Collapse (21%)**: Isang mabisang paghahanap ang nakakakuha na ng sapat na impormasyon mula sa iba't ibang dokumento sa isang hakbang. 3. **Magaan na Kompleksidad (13%)**: Mukhang mahirap ang mga tanong ngunit maaari naman itong masagot nang direkta sa paghahanap nang hindi nangangailangan ng karagdagang reasoning. 4.

**Sobrang Detalyadong Tanong (31%)**: Ang mga masyadong espesipikong tanong ay nagdadala sa sagot sa unang paghahanap, na nag-iiwas sa mahabang proseso ng malalim na pananaliksik. Ang mga shortcut na ito ay nakakatulong ipaliwanag kung paano binabawasan ng AI agents ang bilang ng mga reasoning steps at nagbibigay ng mga mahahalagang pananaw para sa SEO. Para sa mga publisher, ang pagsasama-sama ng magkakalat na facts (“Information Co-location”) sa isang kompletong pahina ay maaaring magpababa sa pangangailangan ng AI na mag-“hop” sa mga kalaban. Ang pagstruktura ng nilalaman upang sabay-sabay sagutin ang maraming sub-questions (“Multi-query Collapse”) ay nakatutulong sa AI na makahanap ng buong solusyon nang mas mabilis, na nagreresulta sa mas maikling reasoning chain. Ang pagbibigay ng mga espesipikong datos (mga petsa, kalkulasyon, pangalan) ay maaaring magsilbing shortcut na nagpapabilis sa AI na makuha ang sagot, na sumasabay sa mga layunin ng SEO. Sa kabila ng mga pananaw hinggil sa agentic AI, binibigyang-diin ng papel na ang pangunahing pokus sa SEO ay nananatiling sa mahusay na pag-ranggo sa tradisyong search, dahil ang mga AI agents sa pag-aaral ay kumukuha ng resulta mula sa nangungunang tatlong pahina ayon sa ranking, gamit ang Google’s Serper API. Kaya, ang mga gumagawa ng nilalaman ay dapat mag-focus upang: - I-optimize ang mga web page para sa tradisyong search. - Maging komprehensibo at nasa tamang paksa habang nasa top three ang ranking. - Mag-interlink sa mga kaugnay na pahina upang makatulong sa kanilang pagraranggo at posibleng suportahan ang multi-hop na malalim na pananaliksik. - Huwag magpokus nang sobra sa pag-optimize para sa AI search, dahil ngayon ay nakaasa pa rin sa klasikong search ranking ang mga AI system. Sa buod, bagamat may mga bagong hamon ang agentic AI sa malalim na pananaliksik, epektibo pa rin ang mga SEO strategies na nakatuon sa komprehensibo, maayos na pagkakaayos ng nilalaman na naangkop sa tradisyong search. Ang pananaliksik, na inilathala ng Google noong Enero 26, 2026, ay matatagpuan sa papel na pinamagatang “SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback. ”