Jak modele AI wybierają źródła, które cytują

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 w Wielkiej Brytanii”. 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.

Drugi wynik z tego samego badania Authoritas z grudnia 2025 jest poważniejszy. Gdy zamiast o dziedzinę pytano o konkretne nazwisko, modele myliły się zbiorczo w 29,5% przypadków, czyli blisko trzy na dziesięć odpowiedzi uznawały fikcyjną osobę za wiarygodnego eksperta. Rozstrzał między modelami był ogromny: od 9,1% dla ChatGPT do 55,6% dla Google AI Mode.

Z jednym zastrzeżeniem. Pytań o konkretne nazwisko było jedenaście, więc rozstrzał traktuję jako sygnał, nie jako miarę; do tego Authoritas sprzedaje narzędzia SEO, a badania nie powtórzył niezależny zespół. Poziom pewności: średni.

Odporność dotyczy więc pytań o dziedzinę, nie pytań o osobę. Na tym rozróżnieniu wszystko stoi, bo pytanie o nazwisko zadaje się modelowi wtedy, gdy ktoś kogoś sprawdza. Co z tego wynika dla pytania o czołowe nazwiska w Polsce, rozwijam w tekście kto jest najlepszym ekspertem od AI w Polsce.

Co z tego wynika dla firmy

Z mechaniki wyboru źródeł wynikają trzy decyzje, które firma podejmuje u siebie, a nie w narzędziu do monitoringu: na jakie pytania odpowiadać, jak zbudować dokument i czego nie próbować.

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.

Co się stało 8 sierpnia 2026

Sposób, w jaki asystent szuka, nie jest ustalony raz na zawsze. Promptwatch, narzędzie monitorujące cytowania w interfejsie ChatGPT, zarejestrowało 8 sierpnia 2026 zmianę w zapytaniach, które ChatGPT wysyła do wyszukiwarki: udział zapytań z operatorem site: skoczył tego dnia z 0,37% do 16,8%. Tydzień później załamały się cytowania Reddita: w oknie od 18 lipca do 7 sierpnia serwis miał średnio 3,83% wszystkich cytowań, a między 14 a 17 sierpnia 0,52%, czyli o 86,4% mniej.

Dwa wnioski praktyczne. Pierwszy: kanał, który w jednym miesiącu dowozi cytowania, w kolejnym może przestać, bez żadnej zmiany po stronie treści. Firma, która oparła widoczność na obecności w jednym serwisie społecznościowym, nie ma nad tym kontroli. Drugi: skoro asystent od 8 sierpnia 2026 wysyła średnio 1,8 wyszukiwania na odpowiedź zamiast 1,1 i częściej zawęża je do konkretnej domeny, rośnie znaczenie tego, co znajdzie po wejściu na nią: treści, którą widać w kodzie bez JavaScriptu.

Poziom pewności: średni. To pomiar firmy narzędziowej na własnym monitoringu interfejsu, bez ujawnionej wielkości próby; autorzy podają, że niezależne narzędzia monitorujące cytowania widzą spadek podobnej skali. Samo zachowanie widać jednak w odpowiedziach asystenta.

Praktyczny wniosek

Buduj strony będące bezpośrednimi odpowiedziami na wąskie, konkretne pytania, które faktycznie zadają twoi klienci. Umieszczaj odpowiedź na górze strony. 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 jedyne badanie, jakie na ten temat mamy, pokazuje zero trafień na 55 pytań w dziewięciu modelach.