AI Overviews zmieniają sposób korzystania z wyszukiwarki Google. Zamiast jedynie wskazywać strony zawierające odpowiedź, Google coraz częściej sam tworzy ją na podstawie informacji pochodzących z wielu źródeł. Dla użytkownika oznacza to szybsze dotarcie do informacji. Dla analityka pojawia się jednak nowe wyzwanie: trzeba sprawdzić nie tylko źródła, ale również sposób, w jaki sztuczna inteligencja je zinterpretowała i połączyła.
Według danych Similarweb udział wyszukiwań, w których pojawiają się AI Overviews, przekroczył 43 proc. Firma wskazuje również na wydłużanie się zapytań i rosnące znaczenie wyszukiwania opartego na języku naturalnym. Dla przeciętnego użytkownika oznacza to przede wszystkim wygodę – zamiast przeglądać kolejne strony, może otrzymać syntetyczną odpowiedź bezpośrednio w wynikach wyszukiwania. Z perspektywy analityka zmiana jest jednak znacznie poważniejsza. Nie chodzi już wyłącznie o znalezienie właściwej informacji. Coraz ważniejsze staje się ustalenie, co wydarzyło się pomiędzy materiałem źródłowym a odpowiedzią przedstawioną przez AI.
Google nie tylko wyszukuje. Zaczyna interpretować
Przez lata Google pełnił przede wszystkim funkcję pośrednika między użytkownikiem a informacją. Po wpisaniu zapytania wyszukiwarka prezentowała listę wyników, a użytkownik sam decydował, które materiały otworzyć, porównać i wykorzystać do sformułowania odpowiedzi.
Ten proces można uprościć do schematu:
zapytanie → wyniki → źródła → odpowiedź
AI Overviews częściowo odwracają tę kolejność:
zapytanie → AI → odpowiedź → źródła
Różnica jest istotna. W tradycyjnym modelu główna praca interpretacyjna pozostawała po stronie użytkownika. W modelu generatywnym część tej pracy wykonuje system, który wybiera informacje, zestawia dane z różnych materiałów i przedstawia je w formie gotowej narracji. Może to znacznie przyspieszyć research. Przy dużej liczbie dokumentów AI pomaga szybko zorientować się w temacie, znaleźć potencjalnie istotne informacje i wskazać materiały warte dalszej analizy. Problem zaczyna się wtedy, gdy szybkość syntezy zostaje utożsamiona z jej poprawnością. Google samo zaznacza, że odpowiedzi generowane przez AI mogą zawierać błędy i zachęca do sprawdzania ważnych informacji w dodatkowych źródłach. Dla analityka kluczowe staje się więc rozróżnienie między odpowiedzią AI a materiałem, na podstawie którego została ona przygotowana.
Prawdziwe dane mogą prowadzić do błędnego wniosku
W dyskusji o błędach generatywnej AI najczęściej mówi się o halucynacjach – wymyślonych faktach, dokumentach czy cytatach. W pracy analitycznej równie groźna może być jednak błędna interpretacja prawdziwych informacji. AI może przytoczyć poprawną wartość, ale pominąć fakt, że dotyczy ona tylko określonej grupy lub okresu. Może też przedstawić prognozę jako aktualny stan albo stanowisko jednej strony jako neutralny wniosek. Ma to szczególne znaczenie w przypadku AI Mode. System może rozbijać złożone pytanie na podzapytania, wyszukiwać informacje, a następnie łączyć je w jedną odpowiedź. Każdy z tych etapów zwiększa ryzyko utraty kontekstu. Dlatego analityk nie powinien ograniczać się do sprawdzenia, czy podana liczba rzeczywiście występuje w źródle. Powinien również ustalić, czego dotyczą dane, kiedy je zebrano, jaką zastosowano metodologię i czy źródło rzeczywiście uzasadnia wniosek przedstawiony przez AI.
Cytowanie przez AI nie oznacza, że wniosek jest prawidłowy
Widoczne przy odpowiedziach AI linki do źródeł ułatwiają weryfikację informacji. Mogą jednak tworzyć dodatkowe poczucie wiarygodności. Jeżeli odpowiedź zawiera konkretne dane i odwołuje się do istniejącego raportu, łatwo założyć, że przedstawiony wniosek został przez ten dokument potwierdzony.
Nie zawsze tak jest.
AI może poprawnie wskazać źródło i wykorzystać znajdującą się w nim liczbę, a jednocześnie nadać jej znaczenie szersze niż w oryginalnym materiale. Może też zestawić fragmenty kilku dokumentów i sformułować na ich podstawie wniosek, którego żadne z tych źródeł samodzielnie nie potwierdza. Dlatego cytowanie powinno być traktowane przede wszystkim jako punkt wyjścia do weryfikacji, a nie jako gwarancja poprawności odpowiedzi. W przypadku istotnych informacji trzeba sprawdzić nie tylko to, czy dokument istnieje i zawiera wskazane dane. Znaczenie mają również autor, data publikacji, metodologia, zakres badania oraz ewentualne zastrzeżenia. Przy statystykach trzeba ustalić m.in. wielkość i charakter próby, a przy prognozach – upewnić się, że AI nie przedstawiło przewidywanego scenariusza jako stanu faktycznego.
Materiały pierwotne stają się jeszcze ważniejsze
Paradoksalnie rozwój generatywnego wyszukiwania może zwiększyć znaczenie materiałów pierwotnych. AI potrafi w kilka sekund połączyć informacje z wielu stron, ale każda kolejna warstwa pośrednictwa zwiększa ryzyko uproszczenia lub zmiany pierwotnego znaczenia informacji. Artykuł opisujący raport nie jest tym samym co raport. Raport może z kolei opierać się na badaniu, a badanie na określonym zbiorze danych. Dlatego przy informacji kluczowej dla analizy warto cofać się możliwie blisko materiału pierwotnego. W praktyce powstaje odwrócona ścieżka researchu:
odpowiedź AI → cytowane źródło → dokument → materiał pierwotny → kontekst → wniosek
AI może być bardzo dobrym narzędziem do przejścia od pytania do potencjalnych źródeł. Jeżeli jednak na określonej informacji ma zostać oparty ważny wniosek, analityk powinien przejść tę drogę w przeciwnym kierunku i sprawdzić, czy kolejne etapy rzeczywiście prowadzą do tego, co przedstawił system.
Operatory Google mogą pomóc niezależnie zweryfikować odpowiedź AI
Wraz z rozwojem wyszukiwania konwersacyjnego nie musi spadać znaczenie klasycznych technik wyszukiwawczych. Operatory takie jak site:, filetype: czy intitle: mogą służyć jako dodatkowa metoda niezależnego dotarcia do materiału, na który powołuje się AI. Wyobraźmy sobie hipotetyczną sytuację, w której AI Overview wskazuje raport OECD i twierdzi, że wynika z niego określony odsetek firm korzystających z generatywnej sztucznej inteligencji. Zamiast ograniczać się do linku podanego przez system, analityk może spróbować samodzielnie odnaleźć dokument, wykorzystując nazwę instytucji, charakterystyczny fragment informacji i format pliku. Przykładowe zapytanie może wyglądać następująco:
site:oecd.org filetype:pdf "generative AI"
Operator site: ograniczy wyniki do domeny OECD, a filetype:pdf pomoże skoncentrować wyszukiwanie na dokumentach i raportach. Po dotarciu do materiału można sprawdzić nie tylko wskazaną wartość, lecz także jej rzeczywisty kontekst. Nie chodzi przy tym o „pokonanie” AI ani zastąpienie generatywnego wyszukiwania tradycyjnym. Celem jest stworzenie drugiej, niezależnej ścieżki dotarcia do informacji i porównanie jej z wynikiem przedstawionym przez system.
Zmienia się również sposób zadawania pytań
AI Overviews i AI Mode wpływają nie tylko na prezentowanie odpowiedzi, ale również na sposób formułowania zapytań. W tradycyjnym wyszukiwaniu użytkownik musiał dobierać odpowiednie słowa kluczowe i często wykonywać serię kolejnych wyszukiwań. Model konwersacyjny pozwala opisać problem pełnym zdaniem, a część pracy związanej z interpretacją intencji przejmuje system. Dane Similarweb wskazują na wydłużanie się zapytań w wyszukiwaniu AI, co wpisuje się w szerszą zmianę w kierunku konwersacyjnego modelu poszukiwania informacji. Dla analityka oznacza to większą wygodę, ale także nowe źródło niepewności. System może znaleźć prawidłowe źródła i stworzyć logiczną odpowiedź, która w rzeczywistości odpowiada na nieco inne pytanie niż to, które interesowało użytkownika. W tradycyjnym wyszukiwaniu proces był bardziej widoczny. Analityk wiedział, jakie słowa kluczowe wpisał i które wyniki wybrał. W modelu generatywnym część tych decyzji jest podejmowana przez system. Dlatego znaczenia nabiera nie tylko sprawdzenie odpowiedzi, ale również pytanie: jaki problem AI właściwie rozwiązała?
Mniej kliknięć oznacza większe pośrednictwo
Generatywne wyszukiwanie zmienia także relację między użytkownikiem a wydawcą informacji. W klasycznym modelu wyszukiwarka kierowała użytkownika do strony, na której znajdował się interesujący go materiał. AI Overviews mogą natomiast przedstawić odpowiedź bez konieczności otwierania źródła. Z punktu widzenia użytkownika jest to wygodne. Z punktu widzenia procesu analitycznego oznacza jednak, że coraz więcej informacji dociera do odbiorcy po wcześniejszym przetworzeniu przez dodatkową warstwę technologiczną. Powstaje przy tym interesujący paradoks. Materiał źródłowy może mieć coraz większe znaczenie dla systemu AI, ponieważ służy do budowania odpowiedzi, a jednocześnie stawać się mniej widoczny dla użytkownika, który nie musi już go otwierać. Im więcej informacji zostaje przetworzonych przed dotarciem do odbiorcy, tym ważniejsza staje się więc umiejętność cofnięcia tego procesu.
Najtrudniejszy błąd AI może wyglądać jak poprawna odpowiedź
Fałszywą liczbę, nieistniejący dokument czy absurdalny wniosek można stosunkowo szybko zakwestionować. Znacznie trudniejsza jest sytuacja, w której nazwiska są prawdziwe, liczby pochodzą z istniejących raportów, a linki prowadzą do rzeczywistych dokumentów – mimo to końcowy wniosek okazuje się nieuzasadniony. AI nie musi bowiem wymyślać faktów, aby wprowadzić użytkownika w błąd. Wystarczy, że niewłaściwie połączy prawdziwe informacje, pominie istotne ograniczenie metodologiczne albo pozbawi dane kontekstu zmieniającego ich znaczenie. Co więcej, płynna forma odpowiedzi, konkretne liczby i widoczne źródła mogą zwiększać jej wiarygodność w oczach użytkownika. Dlatego samo potwierdzenie, że wskazany dokument istnieje, nie wystarcza. Trzeba jeszcze odpowiedzieć na najważniejsze pytanie: czy źródło rzeczywiście uzasadnia wniosek przedstawiony przez AI?
AI zmienia wyszukiwanie, ale nie zastępuje warsztatu analityka
AI Overviews przesuwają Google od modelu wyszukiwarki wskazującej dokumenty w kierunku systemu, który również interpretuje pytanie, selekcjonuje informacje i tworzy na ich podstawie odpowiedź. Dla analityka nie oznacza to jednak końca tradycyjnego researchu. Sztuczna inteligencja może znacząco przyspieszyć pracę. Może wskazać dokumenty, uporządkować duże ilości informacji i pomóc dostrzec potencjalne zależności. Nie przejmuje jednak odpowiedzialności za ocenę jakości materiału źródłowego. Podstawą weryfikacji pozostaje źródło oceniane wraz z jego pochodzeniem, aktualnością, metodologią, zakresem i ograniczeniami. Szczególnego znaczenia nabiera również umiejętność przejścia od wygenerowanej odpowiedzi z powrotem do dokumentów, na których została oparta. W tradycyjnym Google analityk przechodził od wyników do źródeł, a następnie sam budował odpowiedź. W generatywnym wyszukiwaniu często otrzymuje najpierw gotową interpretację, a później musi odtworzyć drogę, która do niej doprowadziła. To jedna z najważniejszych zmian w pracy z informacją. Odpowiedź AI może być początkiem analizy, ale nie powinna być jej końcem.
Podsumowanie
AI Overviews mogą znacząco skrócić drogę od pytania do odpowiedzi, ale jednocześnie tworzą nową warstwę pomiędzy użytkownikiem a materiałem źródłowym. Największym problemem nie musi być przy tym klasyczna halucynacja. Znacznie trudniejsza do zauważenia może być odpowiedź zbudowana z prawdziwych danych, które zostały niewłaściwie połączone, uogólnione lub pozbawione istotnego kontekstu. Dlatego wraz z rozwojem generatywnego wyszukiwania rośnie znaczenie materiałów pierwotnych, niezależnego wyszukiwania oraz sprawdzania, czy cytowane dokumenty rzeczywiście potwierdzają przedstawiony wniosek. AI może przyspieszać research i pomagać w odnajdywaniu informacji, ale odpowiedzialność za ich ocenę nadal pozostaje po stronie człowieka.
Wyszukiwanie może stać się automatyczne. Weryfikacja nadal pozostaje pracą analityka.
