O Google publicou um artigo de pesquisa sobre a criação de um conjunto de dados desafiador para treinar agentes de IA para pesquisas profundas. O artigo oferece insights sobre como funciona a pesquisa profunda de IA de agência, o que implica insights para otimizar o conteúdo.

A sigla SAGE significa Steerable Agentic Data Generation for Deep Search com Execution Feedback.

Pares sintéticos de perguntas e respostas

Os pesquisadores observaram que os conjuntos de dados de treinamento de IA de última geração (como Musique e HotpotQA) não exigiam mais do que quatro etapas de raciocínio para responder às perguntas. Quanto ao número de pesquisas necessárias para responder a uma pergunta, o Musique tem uma média de 2,7 pesquisas por pergunta e o HotpotQA tem uma média de 2,1 pesquisas. Outro conjunto de dados comumente usado chamado Natural Questions (NQ) exigiu apenas uma média de 1,3 pesquisas por pergunta.

Esses conjuntos de dados usados ​​para treinar agentes de IA criaram uma lacuna de treinamento para tarefas de pesquisa profunda que exigiam mais etapas de raciocínio e um maior número de pesquisas. Como você pode treinar um agente de IA para tarefas complexas de pesquisa profunda no mundo real se os agentes de IA não foram treinados para lidar com questões realmente difíceis.

Os pesquisadores criaram um sistema chamado SAGE que gera automaticamente pares de perguntas e respostas complexas e de alta qualidade para treinar agentes de pesquisa de IA. SAGE é um sistema de “agente duplo” onde uma IA escreve uma pergunta e uma segunda IA ​​de “agente de pesquisa” tenta resolvê-la, fornecendo feedback sobre a complexidade da questão.

• O objetivo da primeira IA é escrever uma pergunta que seja difícil de responder e que exija muitas etapas de raciocínio e múltiplas pesquisas para ser resolvida.
• O objetivo da segunda IA ​​é tentar medir se a pergunta é respondível e calcular o quão difícil ela é (número mínimo de etapas de pesquisa necessárias).

A chave para o SAGE é que se a segunda IA ​​resolver a questão com muita facilidade ou errar, as etapas e documentos específicos encontrados (o rastreamento de execução) serão retornados à primeira IA. Esse feedback permite que a primeira IA identifique um dos quatro atalhos que permitem à segunda IA ​​resolver a questão em menos etapas.

São esses atalhos que fornecem insights sobre como obter uma melhor classificação para tarefas de pesquisa profunda.

Quatro maneiras pelas quais a pesquisa profunda foi evitada

O objetivo do artigo era criar um conjunto de pares de perguntas e respostas que fossem tão difíceis que o agente de IA precisasse de várias etapas para resolvê-los. O feedback mostrou quatro maneiras que tornaram menos necessário que o agente de IA fizesse pesquisas adicionais para encontrar uma resposta.

Quatro razões pelas quais pesquisas profundas foram desnecessárias

1. Co-localização de informações
   Este é o atalho mais comum, responsável por 35% das vezes em que uma pesquisa aprofundada não foi necessária. Isso acontece quando duas ou mais informações necessárias para responder a uma pergunta estão localizadas no mesmo documento. Em vez de pesquisar duas vezes, a IA encontra as duas respostas em um “salto”.
2. Colapso de múltiplas consultas
   Isso aconteceu em 21% dos casos. A causa é quando uma consulta de pesquisa única e inteligente recupera informações suficientes de diferentes documentos para resolver várias partes do problema de uma só vez. Isto “reduz” o que deveria ter sido um processo de várias etapas em uma única etapa.
3. Complexidade Superficial
   Isto representa 13% das vezes em que a investigação profunda não foi necessária. A pergunta parece longa e complicada para um ser humano, mas um mecanismo de busca (que um agente de IA está usando) pode ir direto para a resposta sem precisar raciocinar nas etapas intermediárias.
4. Perguntas excessivamente específicas
   31% das falhas são questões que contêm tantos detalhes que a resposta se torna óbvia logo na primeira pesquisa, dispensando qualquer investigação “profunda”.

Os pesquisadores descobriram que algumas questões parecem difíceis, mas na verdade são relativamente fáceis porque as informações estão “co-localizadas” em um documento. Se um agente puder responder a uma pergunta de 4 saltos em 1 salto porque um site foi abrangente o suficiente para ter todas as respostas, esse ponto de dados é considerado uma falha no treinamento do agente para o raciocínio, mas ainda é algo que pode acontecer na vida real e o agente aproveitará a vantagem de encontrar todas as informações em uma página.

Conclusões de SEO

É possível obter alguns insights sobre quais tipos de conteúdo satisfazem a pesquisa profunda. Embora essas não sejam necessariamente táticas para uma melhor classificação na pesquisa profunda de IA de agente, esses insights mostram que tipos de cenários fizeram com que os agentes de IA encontrassem todas ou a maioria das respostas em uma página da web.

“Co-localização de informações” pode ser uma vitória de SEO
Os pesquisadores descobriram que quando várias informações necessárias para responder a uma pergunta ocorrem no mesmo documento, o número de etapas de pesquisa necessárias é reduzido. Para um editor, isso significa consolidar fatos “dispersos” em uma página, evitando que um agente de IA tenha que “saltar” até o site de um concorrente para encontrar o resto da resposta.

Acionando “Colapso de múltiplas consultas”
Os autores identificaram um fenômeno onde informações de diferentes documentos podem ser recuperadas usando uma única consulta. Ao estruturar o conteúdo para responder a várias subperguntas de uma vez, você permite que o agente encontre a solução completa em sua página com mais rapidez, efetivamente “curto-circuitando” a longa cadeia de raciocínio que o agente estava preparado para empreender.

Eliminando “atalhos” (a lacuna de raciocínio)
O artigo de pesquisa observa que o gerador de dados falha quando cria acidentalmente um “atalho” para a resposta. Como SEO, seu objetivo é ser esse atalho – fornecendo pontos de dados específicos, como cálculos, datas ou nomes, que permitem ao agente chegar à resposta final sem maior exploração.

O objetivo ainda é classificar na pesquisa clássica

Para um SEO e um editor, esses atalhos enfatizam o valor da criação de um documento abrangente porque eliminarão a necessidade de um agente de IA ser acionado para ir para outro lugar. Isso não significa que será útil adicionar todas as informações em uma página. Se fizer sentido para um usuário, pode ser útil vincular uma página a outra para obter informações relacionadas.

Digo isso porque o agente de IA está conduzindo uma pesquisa clássica em busca de respostas, então o objetivo continua sendo otimizar uma página da web para a pesquisa clássica. Além disso, nesta pesquisa, o agente de IA extrai das três páginas da web mais bem classificadas para cada consulta que está executando. Não sei se é assim que a pesquisa de IA de agente funciona em um ambiente ativo, mas isso é algo a considerar.

Na verdade, um dos testes que os pesquisadores fizeram foi realizado usando a API Serper para extrair resultados de pesquisa do Google.

Portanto, quando se trata de classificação na pesquisa de IA de agente, considere estas conclusões:

• Pode ser útil considerar a importância da classificação entre os três primeiros.
• Otimize páginas da web para pesquisa clássica.
• Não otimize páginas da web para pesquisa de IA
• Se for possível ser abrangente, permanecer no assunto e ficar entre os três primeiros, faça isso.
• Interligue-se com páginas relevantes para ajudá-los a se classificar na pesquisa clássica, de preferência entre os três primeiros (por segurança).

Pode ser que a pesquisa de IA de agente considere extrair mais do que os três primeiros na pesquisa clássica. Mas pode ser útil definir a meta de classificação entre os três primeiros na pesquisa clássica e focar na classificação de outras páginas que possam fazer parte da pesquisa profunda multi-hop.

O artigo de pesquisa foi publicado pelo Google em 26 de janeiro de 2026. Está disponível em formato PDF: SAGE: geração de dados de agente orientáveis ​​para pesquisa profunda com feedback de execução.

Imagem em destaque da Shutterstock/Shutterstock AI Generator