گوگل در ۲۶ ژانویه ۲۰۲۶ اطلاعات پژوهشی مهمی با عنوان SAGE Steerable Agentic Data Generation منتشر کرد که یکی از پیشرفتهترین تلاشها برای آموزش هوش مصنوعی در انجام جستجوهای عمیق و چندمرحلهای به حساب می آید. این پژوهش که توسط تیمی از محققان Google Cloud AI Research و دانشگاه نیویورک انجام شده، یک چارچوب خودکار برای تولید دادههای آموزشی چالشبرانگیز معرفی میکند تا مدلهای زبانی بتوانند سؤالات پیچیده کاربران جستجوگر را تنها با چند مرحله جستجو، به نتیجه نهایی برساند.
SAGE یک چارچوب دو عاملی برای تولید خودکار دادههای آموزشی دشوار برای هوش مصنوعی عاملمحور است.
مکانیسم SAGE چگونه است؟
SAGE یک سیستم دو عاملی است:
- عامل اول (data generator) سؤال و پاسخ اولیه را با هدف تعداد مشخصی مرحله جستجو (target search steps) تولید میکند.
- عامل دوم (search agent) سعی میکند سؤال را حل و ردپای اجرایی (execution trace) شامل تعداد مراحل واقعی، اسناد بازیابیشده و نتیجه نهایی را ثبت کند.
در این پروسه اگر سؤال یا سرچ کوئری مخاطب خیلی آسان حل شود یا حتی اگر اشتباه باشد، بازخورد اجرایی به عامل تولیدکننده داده ارائه میشود تا سؤال را اصلاح کند. این حلقه تکرار میشود تا داده نهایی هم درست باشد و هم به سطح مورد نظر (تعداد مراحل جستجوی منطقی) برسد.
پژوهش فوق نشان داد که بدون این بازخورد، تولیدکننده پاسخ در نتایج جستجو تنها ۱۸٪ دادههای درست و دشوار را تولید میکند، اما با ۳ دور بازخورد، این نرخ به ۵۰٪ میرسد و میانگین مراحل جستجوی مورد نیاز به ۴.۹ افزایش مییابد.
نکته: مکانیسم هوش مصنوعی مولد در نتایج جستجو، بر پایه توزیع و تولید نتایج استوار است. یعنی ما سیستمی داریم که نتایج جستجو را تولید یا توزیع می کند.
یافتههای کلیدی تأثیر SAGE گوگل بر سئو
تأثیر واقعی SAGE بر سئو در چهار میانبر (shortcut) اصلی نهفته است و پژوهش انجام شده اینطور آشکار کرده که این میانبرها باعث میشوند عامل هوش مصنوعی بدون جستجوی عمیق پاسخ مخاطب را بدهد:
- Information Co-Location (۳۵٪): اطلاعات مرتبط در یک سند یا صفحه واحد قرار دارد → عامل با یک جستجو پاسخ میدهد.
- Multi-query Collapse (۲۱٪): یک کوئری چندوجهی اطلاعات چند منبع را یکجا فچ میکند.
- Superficial Complexity (۱۳٪): سؤال ظاهراً پیچیده به نظر میرسد اما با جستجوی ساده حل میشود.
- Overly Specific Questions (۳۱٪): جزئیات بیش از حد باعث میشود پاسخ در جستجوی اول واضح باشد.
این یافتهها پیام روشنی برای متخصصان سئو دارند:
در عصر جستجوی عاملمحور، صفحات جامع که تمام اطلاعات مرتبط را در یک مکان (co-location) جمع کنند، شانس بسیار بیشتری برای انتخاب شدن به عنوان منبع اصلی دارند. پراکندگی محتوا (مقالات جداگانه برای هر زیرموضوع) باعث افزایش مراحل جستجو و احتمال خطای عامل میشود، در حالی که ساختار قوی (headingها، schema markup، جدولها، لیستها و بلوکهای FAQ) به عامل کمک میکند سریعتر و دقیقتر پاسخ دهد.
استراتژیهای پیشنهادی برای کارشناسان سئو
- تمرکز روی محتوای جامع و متمرکز: به جای ۱۰ مقاله کوتاه، یک راهنمای کامل با پوشش عمیق بنویسید و یا ساختار پیلار کلاستر منسجم داشته باشید.
- بهینهسازی ساختار صفحه: استفاده از دادههای ساختاریافته (schema)، headingهای معنادار، جدول مقایسه، لیستهای مرتب و نکات کلیدی.
- کاهش پراکندگی اطلاعات: دادههای مرتبط (مشخصات + نظرات + مقایسه + FAQ) را در یک صفحه یا نزدیک به هم نگه دارید.
- رتبهبندی در نتایج کلاسیک همچنان کلیدی است: عاملهای AI اغلب از ۳ نتیجه برتر گوگل استفاده میکنند؛ بنابراین رتبهبندی سنتی همچنان اهمیت دارد.
پژوهش گوگل SAGE نشان میدهد آینده سئو نه فقط درباره رتبه در صفحه اول، بلکه درباره انتخاب شدن به عنوان منبع معتبر و جامع توسط عاملهای هوش مصنوعی است. سایتهایی که محتوایشان متمرکز و عمیق باشد، نه تنها در جستجوی سنتی، بلکه در پاسخهای مستقیم AI و اقدامات عاملمحور (مانند خرید خودکار یا تحقیق عمیق) برتری خواهند داشت. این پژوهش که در ۲۶ ژانویه ۲۰۲۶ منتشر شد، یکی از مهمترین سیگنالهای گوگل برای جهتگیری سئو در عصر هوش مصنوعی عاملمحور به حساب می آید.
تحریریه ژاکت
مشاهده تیم تحریریه
