Grounding: jak modele AI doczytują treści z internetu

Grounding to podawanie modelowi językowemu treści ze źródeł zewnętrznych w chwili budowania odpowiedzi, zamiast zdawania się na to, co model zapamiętał z treningu. Google definiuje to w swojej dokumentacji wprost: dostarczanie treści z indeksu wyszukiwania modelowi w momencie zapytania, żeby poprawić rzetelność i trafność odpowiedzi. Po polsku najbliżej: „ugruntowanie” odpowiedzi w źródłach.

Skąd model bierze treść odpowiedzi

Odpowiedź asystenta AI powstaje z dwóch zasobów o zupełnie różnej naturze.

Wiedza z treningu to wszystko, co model zapamiętał z danych zebranych do daty odcięcia. Szeroka, ale zamrożona: nie wie o niczym nowszym, nie ma odnośników i w szczegółach bywa nieprecyzyjna, bo model przechowuje dane w postaci skompresowanej.

Grounding to dociągnięcie świeżych treści w chwili pytania, z indeksu wyszukiwania (zbudowanego wcześniej przez boty indeksujące) albo wprost ze strony (pobranej na żądanie). Stąd odpowiedzi z linkami do źródeł i stąd zdolność asystentów do mówienia o wczorajszych wydarzeniach.

Ta sama idea pod nazwą RAG (generowanie wspomagane wyszukiwaniem) napędza firmowe chatboty odpowiadające z własnej bazy wiedzy: mechanizm identyczny, różni się tylko źródło.

Dlaczego to rozróżnienie dotyczy Twojej strony

Bo o tym, czy asystent zacytuje firmę, decyduje niemal wyłącznie grounding, a ten zależy od dzisiejszego stanu strony. W praktyce sprowadza się to do botów, tokenu Google i tego, co faktycznie stoi w kodzie.

Boty groundingu to inne boty niż treningowe: OAI-SearchBot i ChatGPT-User u OpenAI, Claude-SearchBot i Claude-User u Anthropic, PerplexityBot i Perplexity-User. Blokada botów treningowych nie wycina z cytowań; blokada indeksujących tak, a przy pobierających na żądanie skutek zależy od dostawcy. Osobno o ChatGPT-User: dokumentacja OpenAI uprzedza, że przy pobraniu na żądanie użytkownika robots.txt „may not apply”, więc wpis w pliku niczego tu nie gwarantuje.

Token Google-Extended to pułapka nazewnicza: wygląda na treningowy, ale według dokumentacji Google steruje także groundingiem odpowiedzi Gemini. W moim pomiarze spółek giełdowych obie firmy blokujące trening zablokowały ten token i wycięły się z kanału odpowiedzi jednego z dużych asystentów, prawdopodobnie nieświadomie. Sam token nie ma wpływu na wyszukiwarkę: Google odnosi go do Gemini Apps i Vertex AI.

Grounding czyta to, co realnie stoi w dokumencie: treść dokładaną skryptem pomija, a bez danych strukturalnych nie wie na pewno, czyją stronę czyta. W pomiarze 60 spółek to właśnie brak danych strukturalnych był najczęstszą luką: 26 z 60 stron nie miało żadnych.

Co kontrolujesz, a czego nie

Wiedza z treningu decyduje o tym, czy model kojarzy Twoją firmę; grounding o tym, czy może ją zacytować z aktualnym stanem. Na pierwsze nie masz prawie wpływu, drugie zależy wyłącznie od stanu Twojej strony: warunki wstępne są mierzalne i sprawdzisz je samodzielnie, a o tym, co dalej robi różnicę, pisałem przy wyborze źródeł przez modele.