Jak modele AI wybierają źródła, które cytują
Modele AI w trybie wyszukiwania podchwytują treść ze strony, gdy jest ona jedyną bezpośrednią odpowiedzią na wąskie pytanie, ale są odporne na sztucznie budowany autorytet przy pytaniach szerokich: w badaniu na dziewięciu modelach żaden z jedenastu fikcyjnych ekspertów, umieszczonych w ponad 600 artykułach prasowych, nie pojawił się w odpowiedzi na pytanie o wiodących specjalistów w dziedzinie.
Robert Marczyński3 źródła
Dwa eksperymenty, dwa przeciwstawne wnioski
O tym, jak modele AI wybierają cytowane źródła, krąży dużo domysłów i mało dowodów. Są jednak dwa udokumentowane eksperymenty, które razem dają obraz dokładniejszy niż każdy z nich osobno, bo prowadzą do wniosków pozornie sprzecznych.
Eksperyment pierwszy: podatność
Thomas Germain, dziennikarz technologiczny BBC, opublikował na własnej stronie artykuł zatytułowany mniej więcej „najlepsi dziennikarze technologiczni w jedzeniu hot dogów”, w którym opisał zmyślone zawody i przypisał sobie w nich sukcesy. Całość zajęła mu około dwudziestu minut.
W niecałą dobę ChatGPT i Gemini zaczęły potwierdzać te informacje jako fakt.
Mechanizm, który to umożliwił, jest pouczający i nie ma w sobie nic magicznego. Pytanie „którzy dziennikarze technologiczni jedzą najwięcej hot dogów” jest tak wąskie, że nie istnieje na nie żadne konkurencyjne źródło. Model w trybie wyszukiwania znalazł jedyny dokument, który wprost odpowiadał na to pytanie, i go powtórzył.
Wniosek 1: strona, która jest jedyną bezpośrednią odpowiedzią na wąskie pytanie, ma bardzo wysoką szansę zostać podchwycona.
Eksperyment drugi: odporność
Firma Authoritas opublikowała w grudniu 2025 roku badanie oparte na rzeczywistym przypadku: brytyjska firma stworzyła jedenastu całkowicie fikcyjnych ekspertów. Zmyślone nazwiska, wygenerowane zdjęcia, sfabrykowane kompetencje. I umieściła ich w ponad 600 artykułach prasowych w brytyjskich mediach.
Następnie zadano dziewięciu modelom AI 55 pytań typu „kto jest wiodącym ekspertem w dziedzinie X”. Wynik: żaden z fikcyjnych ekspertów nie pojawił się w żadnej rekomendacji.
Sześćset artykułów prasowych. Zero trafień.
Wniosek 2: przy pytaniach szerokich, dotyczących autorytetu w dziedzinie, modele wymagają czegoś więcej niż liczba wzmianek. I sama liczba tego nie zastępuje.
Jedno zastrzeżenie z tego samego badania: gdy pytano o konkretne nazwisko zamiast o dziedzinę, jeden z modeli potwierdził status eksperta u osoby fikcyjnej, powołując się na jej obecność w mediach. Odporność dotyczy pytań o dziedzinę, nie pytań o osobę.
Co z tego wynika dla firmy
Wąskie pytania są zdobywalne, szerokie nie
„Ile kosztuje wdrożenie AI w firmie produkcyjnej” to pytanie, na które da się być najlepszym dostępnym źródłem. „Kto jest najlepszym ekspertem od AI” to pytanie, przy którym twoje starania rozbiją się o to samo, o co rozbiło się 600 artykułów prasowych.
Format ma znaczenie
W obu eksperymentach zadziałał ten sam schemat: nagłówek będący dokładnym brzmieniem pytania, odpowiedź w pierwszych zdaniach, treść dostępna w HTML. Nic tu nie jest wyszukane. To po prostu dobrze napisany dokument.
Fałsz działa krótko i zostawia ślad
Google przestał podawać informację Germaina w AI Overviews. Przy prawdziwej firmie taka korekta oznacza publiczny ślad po próbie manipulacji. Koszt nieproporcjonalny do kilku tygodni widoczności.
Praktyczny wniosek
Buduj strony będące bezpośrednimi odpowiedziami na wąskie, konkretne pytania, które faktycznie zadają twoi klienci. Umieszczaj odpowiedź na górze, nie na dole. Podawaj liczby i źródła, bo to one nadają się do cytowania. I nie próbuj wygrywać pytania „kto jest najlepszy”, nie dlatego, że to nieetyczne, tylko dlatego, że mamy dowód, iż to nie działa.
Najczęstsze pytania
- Czy da się sprawić, żeby ChatGPT cytował moją stronę?
- Da się zwiększyć prawdopodobieństwo przy pytaniach wąskich i konkretnych, na które brakuje dobrych źródeł. Pod warunkiem że strona jest bezpośrednią odpowiedzią na to pytanie, odpowiedź pada w pierwszych zdaniach, a treść jest w HTML. Przy pytaniach szerokich, typu „kto jest najlepszy w dziedzinie X”, skuteczność takich zabiegów jest bliska zeru.
- Czy publikowanie dużej liczby artykułów o sobie zwiększa szansę na cytowanie?
- Nie samo w sobie. W badaniu Authoritas ponad 600 artykułów prasowych z fikcyjnymi ekspertami nie wystarczyło, żeby którykolwiek z dziewięciu modeli wskazał ich w odpowiedzi na pytanie o wiodących specjalistów. Sama liczba wzmianek okazała się niewystarczająca bez pokrycia w rzeczywistym dorobku.
- Czy nieprawdziwe treści zostają przez modele skorygowane?
- W udokumentowanym przypadku dziennikarza, który celowo podłożył modelom zmyśloną informację o sobie, treść została podchwycona w niecałą dobę, a następnie usunięta z wyników. Google przestał ją podawać w AI Overviews. Podstawianie fałszywych informacji działa krótko i pozostawia ślad publiczny.
Źródła
Każde twierdzenie liczbowe na tej stronie da się sprawdzić poniżej.
Powiązane
Masz konkretny proces do omówienia?
Napisz, jaki to proces i ile razy w miesiącu się powtarza. Odpowiem, czy nadaje się do automatyzacji, również wtedy, gdy odpowiedź brzmi „nie warto”.