Google kazał wydawcom sprawdzać treści AI 1 października. Dane o ruchu mówią co innego

Google zmienił 1 października wytyczne dla stron korzystających z generatywnej AI. Jak podaje Search Engine Journal, poprawiona strona informuje wydawców, że modele generatywne "nie wyszukują faktów, tylko przewidują prawdopodobną sekwencję słów na podstawie danych treningowych". Dodaje, że odpowiedzi "mogą zawierać nieścisłości, nazywane też halucynacjami".

Polecenie, które po tym następuje, jest jednoznaczne: ręcznie sprawdzić i przejrzeć wszystkie treści wygenerowane przez AI przed publikacją. Przegląd dotyczy też metadanych, w tym elementów tytułu, opisów meta, danych strukturalnych i tekstów alternatywnych obrazów, bo te mogą pojawić się w wynikach wyszukiwania. Search Engine Journal podaje, że strona z aktualizacjami dokumentacji Google wymienia tę zmianę jako jedyną edycję tego dnia. Wytyczne są też teraz zgodne z zasadami dla oceniających jakość wyszukiwania.

Redakcje od dwóch lat budują procesy produkcji wspierane przez AI. Dla nich to polecenie operacyjne, nie seminarium filozoficzne. Każdy nagłówek i każdy tekst alternatywny napisany przez model trafia teraz do etapu przeglądu, który według Google ma być ręczny.

Co dane o ruchu mówią o tej wymianie

Wytyczne ukazują się w momencie, gdy zmienia się ekonomia bycia widocznym w wyszukiwarce. Mehrzad Khosravi i Hema Yoganarasimhan opublikowali pracę na arXiv i ostatnio poprawili ją 25 października 2026. Szacują w niej wpływ AI Overviews od Google na ruch z wyszukiwarki do Wikipedii. Autorzy wykorzystują stopniowe wprowadzanie AIO w różnych regionach i wielojęzyczną strukturę Wikipedii. Stosują model różnic w różnicach: miesięczne przekierowania z zewnętrznych wyszukiwarek do haseł angielskiej Wikipedii porównują z tymi samymi hasłami w wersji niemieckiej i francuskiej.

Wynik: domyślna dostępność AIO obniżyła angielski ruch z wyszukiwarki o 5,45% i 4,82% względem dwóch języków porównawczych. Streszczenie pracy mówi, że rezultaty sugerują, iż pośrednicy cyfrowi produkujący odpowiedzi mogą istotnie przekierowywać uwagę od wydawców informacyjnych. Autorzy wskazują na skutki dla monetyzacji treści, projektowania platform wyszukiwania i polityki. Historia wersji na arXiv pokazuje, że praca przeszła siedem wersji od lutego, a ostatnia pochodzi z 25 października.

Praca mierzy Wikipedię, a nie serwisy informacyjne, i autorzy ostrożnie podchodzą do uogólnień. Izoluje jednak jeden mechanizm: odpowiedź AI umieszczoną nad organicznym linkiem. O ten mechanizm wydawcy spierają się w sądach.

Droga prawna się zwęża

Nagłówki z ostatnich dni mówią, że sędzia oddalił sprawy dotyczące AI Overviews wniesione przez Chegg i Penske. Jeden z serwisów ujął wyrok tak, że oczekiwanie nie jest umową. Te nagłówki nie znalazły się w dostarczonych tekstach źródłowych, więc szczegóły prawne traktuję tu jako niepotwierdzone. Kierunek jest jednak zgodny z ramą z pracy na arXiv: spór przenosi się z sal sądowych do logów przekierowań.

Polem walki staje się więc pomiar. Wydawca nie wezwie systemu rankingowego do sądu, ale może policzyć sesje.

Kto dziś liczy się jako wydawca

Publikacje z tego samego tygodnia sugerują, że definicja się rozluźnia. 4 października repozytorium GitHub Nero7991 udostępniło pełny silnik wnioskowania w VHDL. Uruchamia on wnioskowanie transformerów klasy Qwen3.5 na układach FPGA, z 9 000 000 000 parametrów na jednej karcie i 27 000 000 000 docelowymi na dwóch. README podaje, że wyniki są weryfikowane względem llama.cpp uruchomionego na BF16 GGUF. Aktywacje każdej warstwy są porównywane z bitowo dokładnym modelem C ścieżki INT4 i stałoprzecinkowej. Tokenizer i szablon rozmowy są bitowo zgodne z llama.cpp.

To artefakt badawczy, nie produkt, a kolektyw równoległy tensorów do wnioskowania na wielu układach wciąż jest szkieletem. Mimo to model, który kiedyś wymagał szafy w centrum danych, ma teraz implementację referencyjną nastawioną na dwie karty po 8 GiB HBM każda. Rozproszone wnioskowanie zmienia to, kogo stać na generowanie odpowiedzi, a więc i to, z iloma powierzchniami odpowiedzi wydawca konkuruje.

Warstwa narzędzi rozwija się równie szybko. JetBrains opublikował 4 października notatki z praktyki o swoim potoku generowania wspomaganego wyszukiwaniem Air Context do semantycznego przeszukiwania kodu. Zespół zbudował go, bo agenci opierający się na grep nie znajdują kodu, którego identyfikatory nie pasują do zapytania. Wpis otwarcie mówi o luce między demem a produkcją: "dobrze ocenione rozwiązanie klasy produkcyjnej to z pewnością nie jest" coś prostego. To zdanie pasuje z niewygodną precyzją do procesów wydawniczych wspieranych przez AI. Wiarygodny szkic i poprawny szkic wyglądają identycznie, dopóki ktoś tego nie sprawdzi.

Gdzie mają siedzieć ludzie

Laurie Voss współtworzył npm, a dziś kieruje relacjami z deweloperami w Arize. 4 października przekonywał w biuletynie Chain of Thought, że programowanie nigdy nie było tą pracą. "Oni nie chcą tego odkrywać. Chcą coś, co robi to, co chcą robić" - mówił Voss o właścicielu piekarni, który potrzebuje oprogramowania do śledzenia zamówień, w wywiadzie opublikowanym przez biuletyn. Jego argument: wyczucie produktu, kontakt z klientem i wiedza, jaki kontekst przekazać agentowi, to reszta pracy dla ludzi.

Zestaw to z nowym brzmieniem wytycznych Google, a jedno pasuje do drugiego. Maszyna produkuje sekwencję słów; człowiek ma odpowiadać za to, czy jest prawdziwa. Ryadh Dahimene stawia pokrewną tezę w eseju z 4 października o menedżerze produktu o nastawieniu inżynierskim. Opisuje, jak ClickHouse rozłożył odpowiedzialność za ekosystem integracji między produkt i inżynierię, bo pakiety klientów leżały na krytycznej ścieżce adopcji. Wstaw w miejsce "pakietów klientów" "strony pisane przez AI", a problem organizacyjny jest ten sam.

Nic z tego nie jest darmowe. Ktoś musi przeczytać szkic, sprawdzić twierdzenie i zatwierdzić tag tytułu. Ten ktoś to pozycja kosztowa, której nie było, gdy hasło brzmiało "AI pisze dziesięć razy szybciej".

Bezpieczeństwowe czytanie tej samej zmiany

Oddanie większej części produkcji systemom automatycznym niesie ryzyko drugiego rzędu, a pochodzi ono z testów samego dostawcy bezpieczeństwa. Unfold AI opublikował 4 października portal opisujący, co znalazł, kierując proces inżynierii detekcji oparty na AI na Jenkinsa. Ten serwer CI/CD przechowuje poświadczenia do znacznej części tego, co firma wdraża. Na pytanie, czy pełny zrzut poświadczeń pojawi się w logach, odpowiedź była co najwyżej częściowa. Zespół widział, że skrypt się uruchomił, jego kod, konto i znacznik czasu, ale nie to, co zwrócił. Spośród 36 technik ATT&CK, które ostatecznie sprawdzono względem wtyczki dziennika audytu Jenkinsa, tylko jedna była zalogowana wprost.

Trzynaście aplikacji serwerowych wdrożono w wersji dostarczonej przez producenta i podłączono do ich udokumentowanych integracji Splunk lub Microsoft Sentinel. Unfold podaje, że w całym zestawie około trzech czwartych tego, co sprawdzono, nie jest w pełni widoczne w standardowym wdrożeniu, a jedna trzecia nie zostawia żadnych użytecznych śladów. Wpis jest datowany na stronie na 31 sierpnia, ale trafił do kanału serwisu 4 października.

Wniosek się przenosi. Nieobecność nie ogłasza się sama. Wydawca, któremu ruch z przekierowań cicho spada o 5%, nie dostanie alertu; log pokazuje po prostu mniej sesji i żadnego powodu. Rada Google, by sprawdzać wynik ręcznie, to to samo polecenie co u Unfold. Lukę znajdujesz tylko wtedy, gdy wykonasz działanie i poszukasz tego, co nigdy nie przyszło.

Na co patrzeć

Warto śledzić trzy rzeczy. Po pierwsze, czy efekt AIO utrzymuje się poza Wikipedią; projekt z arXiv jest czysty, ale wąski, a autorzy nie twierdzą, że uogólnia się na wydawców komercyjnych. Po drugie, czy sformułowanie Google z 1 października nabierze zębów. Strona wytycznych wciąż odsyła do sekcji zasad dla oceniających o nadużywaniu treści na skalę i mówi, że oceny recenzentów "nie wpływają bezpośrednio na ranking". Po trzecie, czy koszt ręcznego przeglądu wejdzie do budżetów redakcji, czy zostanie po cichu pominięty, gdy terminy zaczną gonić.

Uczciwe podsumowanie jest takie: platformy kazały wydawcom weryfikować pracę maszyn. Ich własne pola odpowiedzi zabierają mierzalną część ruchu, który za tę weryfikację płacił. Nikt nie zaproponował, kto pokryje różnicę.