Google a publié un article de recherche présentant une méthodologie pour générer un jeu de données difficile destiné à l’entraînement d’agents d’IA spécialisés dans la recherche approfondie. Ce document décrit le fonctionnement de la recherche agentique en profondeur et fournit des éléments qui peuvent être utiles pour concevoir et optimiser du contenu en ligne.

L’acronyme SAGE signifie « Steerable Agentic Data Generation for Deep Search with Execution Feedback ».

Paires synthétiques de questions et réponses

Les auteurs remarquent que les jeux de données d’entraînement traditionnels (comme Musique et HotpotQA) ne requièrent généralement que peu d’étapes de raisonnement pour obtenir les réponses. En moyenne, Musique demande 2,7 recherches par question, HotpotQA 2,1, et le jeu fréquemment utilisé Natural Questions (NQ) seulement 1,3 recherches par question.

Ces corpus d’entraînement entraînent un biais : ils laissent un « vide de formation » pour les tâches de recherche profonde qui exigent plus d’étapes de raisonnement et un nombre plus élevé de recherches successives. Comment préparer un agent d’IA à résoudre des enquêtes complexes du monde réel si, durant la phase d’entraînement, il n’a pas été confronté à des questions véritablement ardues ?

Pour combler ce manque, les chercheurs ont conçu un système baptisé SAGE, capable de générer automatiquement des paires question–réponse complexes et de haute qualité, destinées à entraîner des agents de recherche. SAGE est un mécanisme à « double agent » : un modèle crée la question, tandis qu’un autre modèle, dit « agent de recherche », tente d’y répondre et fournit un retour sur la difficulté rencontrée.

• La mission de la première entité est de formuler des questions qui nécessitent de nombreux pas de raisonnement et plusieurs recherches pour être résolues.
• La mission de la deuxième entité est d’évaluer si la question est solvable et d’estimer sa difficulté (par exemple, le nombre minimal d’étapes de recherche requis).

Le principe essentiel de SAGE consiste à renvoyer à l’auteur de la question la trace d’exécution (les étapes de recherche et les documents consultés) si l’agent de recherche trouve la solution trop facilement ou échoue. Ce retour d’information permet à l’agent générateur d’identifier des raccourcis qui ont permis à l’agent de répondre en moins d’étapes que prévu.

Ce mécanisme de rétroaction met en lumière des astuces et des comportements qui ont des implications directes pour le référencement et la stratégie de contenu en contexte de recherche profonde.

Quatre mécanismes ayant réduit la nécessité d’une recherche approfondie

Le but des expérimentations était d’engendrer un corpus dans lequel la résolution de chaque question demanderait plusieurs « sauts » documentaires. L’analyse des traces d’exécution a révélé quatre mécanismes principaux qui ont diminué le besoin d’une exploration multi-étapes.

Les quatre raccourcis les plus fréquents

1. Information co-localisée
   C’est le raccourci le plus fréquent, représentant environ 35 % des cas où la recherche profonde n’a pas été nécessaire. Il se produit lorsque deux ou plusieurs éléments d’information requis pour répondre à la question se trouvent dans un même document. Plutôt que d’effectuer plusieurs recherches séparées, l’agent obtient toutes les données en un seul « saut ». Ce phénomène transforme une tâche multi-hop en une tâche mono-hop.
2. Effondrement multi-requête (Multi-query Collapse)
   Ce cas représente 21 % des situations observées. Il survient lorsqu’une requête astucieuse est capable de récupérer simultanément, depuis différents documents, l’ensemble des informations nécessaires pour répondre à plusieurs sous-questions. Autrement dit, une seule formulation de requête fusionne plusieurs étapes supposées indépendantes.
3. Complexité superficielle
   À hauteur de 13 % des cas, la question peut sembler longue ou compliquée pour un lecteur humain, mais un moteur de recherche ou l’agent qui l’utilise peut naviguer directement vers la réponse sans devoir déduire les étapes intermédiaires. L’apparente difficulté est donc en grande partie illusoire.
4. Questions trop spécifiques
   Environ 31 % des échecs proviennent de questions tellement détaillées qu’une seule recherche initiale fournit immédiatement la réponse. Le niveau de précision inclus dans la requête rend l’investigation approfondie superflue.

Les chercheurs ont donc constaté que, même pour des questions conçues pour nécessiter quatre sauts de raisonnement, un site particulièrement complet pouvait fournir toutes les données nécessaires en un seul document. Dans le cadre de l’entraînement, cela constitue un « échec » parce que l’agent ne développe pas la capacité à enchaîner les raisonnements, mais du point de vue opérationnel, c’est un comportement avantageux : un agent exploitera naturellement tout document complet qui contient les éléments recherchés.

Implications pour le référencement (SEO)

Les observations issues du papier permettent d’identifier des caractéristiques de contenu susceptibles de satisfaire une recherche approfondie. Même si ces éléments ne sont pas des recettes garanties pour « ranker » dans les systèmes de recherche agentique en conditions réelles, ils éclairent les situations où un agent finit par extraire la totalité ou l’essentiel de la réponse depuis une seule page web.

L’information co-localisée comme opportunité SEO
Lorsque plusieurs éléments nécessaires à la réponse se trouvent sur une même page, cela réduit le nombre d’étapes de recherche. Pour un éditeur, regrouper des éléments dispersés en un seul document évite qu’un agent doive sauter vers un site concurrent pour compléter la réponse. Organiser un article de façon méthodique et centraliser les données clés augmente les chances que cette page soit la source unique utilisée par l’agent.

Provoquer l’effondrement multi-requête
Les chercheurs ont observé que certaines formulations de contenu permettent à une seule requête de récupérer des informations issues de plusieurs documents. En structurant vos pages pour répondre à plusieurs sous-questions en un même endroit (via des sections claires, des tableaux récapitulatifs, des listes de faits), vous facilitez la récupération de l’ensemble des éléments par une requête unique et vous « court-circuitez » ainsi une chaîne de raisonnement longue.

Combler le « raisoning gap » en supprimant les raccourcis
Le papier indique que le générateur de données échoue lorsqu’il crée involontairement un raccourci vers la réponse. Du point de vue d’un créateur de contenu, l’objectif est souvent inverse : devenir ce raccourci. Fournir des points de données explicites (calculs, dates, noms, métriques) aide l’agent à atteindre la solution finale sans devoir partir à la recherche d’informations supplémentaires.

Rester optimisé pour la recherche classique

Pour un spécialiste SEO ou un éditeur, ces raccourcis confirment la pertinence de produire des documents complets : une page exhaustive diminue la probabilité qu’un agent doive se déplacer vers d’autres sources. Néanmoins, centraliser toute l’information sur une seule page n’est pas toujours pertinent du point de vue de l’expérience utilisateur. Lorsque c’est judicieux pour le lecteur, il faut continuer à répartir les sujets entre plusieurs pages et les interconnecter par des liens internes.

Les agents étudiés dans l’article s’appuient sur des résultats de recherche classiques pour trouver les documents : ici l’agent puise dans les trois pages les mieux classées pour chaque requête. Il n’est pas certain que tous les systèmes de recherche agentique en production fonctionnent exactement de la même manière, mais il est raisonnable de tenir compte de ce comportement dans une stratégie SEO.

Dans l’expérience décrite, les chercheurs ont utilisé l’API Serper pour extraire les résultats de recherche Google lors de certains tests.

Conseils pratiques à retenir pour le positionnement (sans recommandations promotionnelles)

• Visez la visibilité dans les premières positions : si les agents de recherche consultent principalement les pages les mieux classées, figurer dans le top trois peut augmenter vos chances d’être exploité comme source.
• Poursuivez l’optimisation pour la recherche classique plutôt que d’essayer de cibler exclusivement les agents d’IA ; les fondamentaux du SEO restent pertinents.
• Si un contenu peut être à la fois exhaustif et centré sur l’utilisateur, privilégiez la complétude tout en restant thématique et en évitant la surcharge d’information inutile.
• Interconnectez les pages pertinentes via des liens internes pour répartir l’autorité et augmenter la probabilité que des pages complémentaires figure dans les résultats classiques.

Il est possible que les systèmes d’IA agentique finissent par consulter davantage que les trois meilleures pages classiques. Toutefois, viser le top 3 en recherche traditionnelle et travailler la qualité des pages qui participent à une chaîne de raisonnement multi-hop reste une stratégie défendable à court terme.

Méthodologie et fonctionnement interne de SAGE

Pour mieux comprendre les conclusions et leurs implications, il est utile de décrire en détails les composants et les étapes du pipeline SAGE. La méthode repose sur une interaction itérative entre un « générateur » de questions et un « exécuteur » (agent de recherche) auquel on fournit une politique d’actions de recherche et un moyen d’analyser la trace d’exécution.

L’agent exécuteur simule une navigation : il émet des requêtes, consulte les résultats, lit ou extrait des passages, puis décide de la requête suivante. À la fin d’une tentative de résolution, l’exécuteur fournit un rapport détaillé qui contient :

• les requêtes successives réalisées,
• les documents ou extraits consultés,
• les inférences opérées et les faits extraits,
• si la réponse finale a été trouvée et quels éléments l’ont permis.

Ce retour est ensuite analysé par le générateur de questions pour détecter la présence d’un des raccourcis identifiés précédemment. Si un raccourci est mis en évidence, la question est modifiée afin de supprimer ce raccourci potentiel et d’exiger un raisonnement supplémentaire lors de la prochaine tentative.

Ce processus de bouclage automatique permet de produire à grande échelle des paires question–réponse qui résistent aux heuristiques simples et nécessitent effectivement plusieurs étapes de recherche et de raisonnement.

Exemples concrets et scénarios

Pour illustrer les phénomènes observés, voici quelques scénarios types, reformulés et développés pour expliciter les implications :

• Scénario d’information co-localisée : un article encyclopédique très complet rassemble la biographie, la chronologie d’événements et des statistiques liées à une personnalité. Une question requérant l’assemblage de ces trois éléments sera résolue en une seule consultation si toutes les données figurent sur la même page.
• Scénario d’effondrement multi-requête : une requête bien construite, contenant des mots-clés croisés et des opérateurs implicites, renvoie des passages extraits de sources diverses mais indexés dans les snippets de résultats ; l’agent peut alors réunir via un seul appel ce qui était censé nécessiter plusieurs recherches complémentaires.
• Scénario de complexité superficielle : une question longue et imbriquée — par exemple un problème financier ou juridique rédigé avec un langage verbeux — peut parfois être résolue par la reconnaissance d’un libellé unique ou d’un passage récapitulatif déjà présent dans un document moyen.
• Scénario de question trop spécifique : une requête contenant des dates précises, des numéros ou des identifiants uniques sera souvent satisfaite immédiatement si un document référençant ces éléments est indexé et accessible.

Limites, risques et éléments à surveiller

Il est important de signaler des limites méthodologiques et des risques potentiels :

• Les modèles employés pour créer et pour résoudre les questions ont leurs propres biais ; les raccourcis détectés dépendent donc du comportement de ces modèles et des stratégies de recherche qu’ils implémentent.
• Le fait que l’étude utilise les trois meilleures pages de résultats par requête est une hypothèse expérimentale qui peut différer des systèmes agentiques en production, lesquels pourraient consulter davantage de sources ou utiliser des index différents.
• La centralisation d’information sur une seule page améliore la probabilité d’être exploitée par un agent, mais si l’expérience utilisateur en pâtit (lisibilité, surcharge d’information), l’impact à long terme peut être négatif.
• Il existe un risque de sur-optimisation si l’on crée artificiellement des documents destinés uniquement à « piéger » les agents ; une telle pratique risque de dégrader la qualité perçue et potentiellement de se heurter aux algorithmes de classement.

Conséquences pour la création de contenu et la stratégie éditoriale

Face aux observations de SAGE, les équipes éditoriales et les spécialistes SEO peuvent reconsidérer plusieurs aspects de leur production de contenu :

• Privilégier la création de pages de référence bien structurées qui rassemblent les informations essentielles sur un sujet donné. L’emploi d’encadrés récapitulatifs, de tableaux comparatifs et de sections « faits clés » peut aider à rendre une page « co-localisée » en termes d’informations.
• Maintenir la clarté et la pertinence au service de l’utilisateur avant toute optimisation technique visant une exploitation par des agents d’IA.
• Documenter explicitement les données factuelles (dates, chiffres, sources) afin que les extraits indexables soient disponibles pour les moteurs et les agents.
• Conserver une architecture informationnelle modulaire : couvrir un sujet en profondeur sur une page principale tout en renvoyant vers des pages spécialisées via des liens internes, pour conserver la pertinence thématique et faciliter le positionnement multiple.

Perspectives futures et recherche continue

Le papier SAGE montre une méthode robuste pour générer automatiquement du contenu d’entraînement qui force les agents à effectuer un raisonnement multi-hop. À mesure que les systèmes d’IA agentique évoluent et que d’autres études sont publiées, il conviendra d’évaluer :

• si les agents de production consultent davantage de sources et comment ils pondèrent les résultats issus de différents index,
• comment les moteurs de recherche et les plateformes d’IA traitent et intègrent les pages co-localisées dans leurs étapes d’extraction,
• si les stratégies éditoriales optimisées pour la recherche classique conservent leur efficacité face à des agents qui pourraient adopter des politiques de collecte d’informations différentes.

Référence et accès au document complet

Le papier de recherche a été publié par Google le 26 janvier 2026. Le document complet est accessible au format PDF à l’adresse suivante : SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback.

Image de couverture : Shutterstock / Shutterstock AI Generator