Google płaci około 100 wydawcom za odpowiedzi AI, a większość dostaje prawie nic

To niewygodny rdzeń programu pilotażowego. Ruszył niecały rok temu i wciąż nie ma opublikowanego cennika. The Decoder podsumował doniesienia 30 września. Wydawcy widzą w Google Search Console, jak często ich treści trafiają do odpowiedzi AI i ile za to zarobili. Nie widzą natomiast wzoru, który stoi za kwotą.

Rozrzut jest ogromny. Jeden wydawca dostał od 50 000 do 60 000 dolarów w ciągu kilku miesięcy. Inny zarabia ponad 1 mln dolarów rocznie. Kilka małych i średnich blogów oraz serwisów zebrało przez kilka miesięcy mniej niż 1 000 dolarów. W ich przypadku płatności wychodzą poniżej 0,1 procent przychodów reklamowych.

Niektórzy uczestnicy powiedzieli The Information, że nie wiedzą, jak Google liczy te kwoty. Twierdzą, że płatności zmieniają się z miesiąca na miesiąc bez wyjaśnienia. Z doniesień wynika też, że niszowe tematy z oddaną publicznością, między innymi anime i gry, zarabiają zwykle więcej. Odpowiedzią Google na cały ten układ jest na razie zestaw wybiórczych umów licencyjnych, opcja rezygnacji i model płatności, w którym firma sama decyduje, ile treść jest warta.

Ruch spada, a umowy pozostają indywidualne

Kwestia pieniędzy ma znaczenie, bo trend ruchu jest zły i dla otwartego internetu robi się coraz gorszy. Przywołane w doniesieniach badania pokazują, że AI Overviews mocno ograniczają wizyty w serwisach źródłowych. Część większych wydawców odmawia wejścia do pilotażu, żeby zmusić Google do wyższych stawek.

Ta odmowa jest zakładem, a konstrukcja programu czyni go trudnym. Umowy negocjuje się z każdym wydawcą osobno, więc nikt nie negocjuje zbiorowo. Serwis, który odchodzi, wywiera na Google ograniczoną presję, bo lukę w odpowiedzi AI wypełniają inne źródła. Serwis, który zostaje, przyjmuje zaproponowaną stawkę. The Decoder nazwał to dylematem więźnia wydawców. Zauważył, że strategia dziel i rządź służy Google od dziesięcioleci, gdy firma wciągała do wyszukiwarki coraz więcej treści z sieci, żeby na nich zarabiać.

W tle działa presja regulacyjna. Niezależni wydawcy złożyli w lipcu 2025 roku skargę do Komisji Europejskiej w sprawie AI Overviews. Penske Media, właściciel Rolling Stone, pozwał Google we wrześniu tego samego roku za utratę ruchu i przychodów reklamowych. W grudniu 2025 roku Komisja wszczęła postępowanie antymonopolowe. Bada, czy Google narzuca nieuczciwe warunki, wykorzystując treści wydawców w funkcjach AI bez odpowiedniej zapłaty lub bez realnej możliwości rezygnacji.

Niemiecki sąd orzekł ponadto, że AI Overviews to własne treści Google, a nie streszczenia istniejących materiałów. Jeśli ta interpretacja zyska szerszą akceptację, wydawcy dostaną podstawę prawną, by żądać opłat licencyjnych, ilekroć ich praca pojawi się w odpowiedzi AI. Trudność praktyczna jest oczywista. Śledzenie dokładnego wkładu każdego źródła w odpowiedź jest trudne, być może niemożliwe. Rozliczanie płatności za każde źródło dodałoby koszty administracyjne do opłat, które mogłyby uszczuplić marże Google.

Reszta stosu automatyzacji rusza się szybciej niż pieniądze

Gdy bój o licencje przeciąga się przez regulatorów i sądy, narzędzia wokół pracy wspomaganej przez AI przebudowują się w znacznie szybszym tempie. Wiele z tego spada wprost na inżynierów.

30 września OpenAI i Synopsys poinformowały, że podpisały wieloletnie partnerstwo na rzecz zbudowania wyspecjalizowanego modelu do projektowania układów o nazwie GPT-Synopsys, podaje The Decoder. Model łączy technologię AI OpenAI z narzędziami do automatyzacji projektowania elektronicznego Synopsys, które OpenAI licencjonuje. Deklarowany cel to system, który potrafi rozumować o projektowaniu i weryfikacji układów i obsługiwać narzędzia Synopsys bezpośrednio. Inżynierowie przekazywaliby cele i przeglądali wyniki. System działa na infrastrukturze OpenAI. Obie firmy twierdzą, że dane klientów nie posłużą do trenowania modeli i będą przechowywane zaszyfrowane, a wczesne testy u klientów z branży półprzewodników już trwają. Prezes Synopsys Sassine Ghazi mówi, że AI może znacznie przyspieszyć proces projektowania.

Strona inwestycyjna też się rusza. Flow Engineering, trzyletni startup z San Francisco sprzedający narzędzia AI do projektowania sprzętu, zebrał 50 mln dolarów w rundzie Series B przy wycenie 750 mln dolarów, podał TechCrunch 30 września. Rundę współprowadzili Antonio Gracias z Valor Equity Partners i Gavin Baker z Atreides Management. Wzięło w niej udział Sequoia Capital oraz były partner Sequoia Roelof Botha jako inwestor indywidualny. Botha wszedł do zarządu. Flow wymienia Anduril, Rivian, Joby Aviation i inne firmy jako klientów.

Twierdzenia o infrastrukturze też brzmią coraz głośniej. Modal opublikował 30 września benchmarki dla Quail, warstwy wnioskowania świadomej zapytań, którą zbudował dla obciążeń AI-SQL. Modal twierdzi, że na jednym GPU H100 przetwarza ponad miliard tokenów na minutę przy zapytaniu z wieloma złączeniami. Firma podaje, że to ponad 10 razy szybciej niż jej bazowy vLLM na tym samym sprzęcie i wychodzi poniżej 6 centów za miliard tokenów na Modal. W nowym benchmarku AI-SQL firmy Modal Quail działa 1,84 razy szybciej niż vLLM przy średniej geometrycznej z zadań.

Mniejsze elementy tej samej zmiany wchodzą po cichu. Projekt OpenZL Facebooka wydał 29 września wersję v0.3.0 z nowym silnikiem LZ i Compression Transformer, neuronowym selektorem, który buduje grafy kompresji numerycznej w locie. Notatki do wydania mówią o dekompresji 144 procent szybszej niż Zstandard przy równoważnych ustawieniach. Transformer kompresuje średnio 35 procent lepiej niż zstd -19 w 868 rodzinach strumieni numerycznych. Magnitude, startup z YC S25, uruchomił na GitHubie silnik wnioskowania o otwartym kodzie źródłowym, który kompiluje i dostraja jądra na urządzeniu użytkownika. W README firma podaje do 2 razy szybsze działanie niż llama.cpp, z dekodowaniem szybszym o 92 procent na Metal i o 19 procent na CUDA oraz o 27 procent mniejszym zużyciem pamięci na agenta.

Badania nad bezpieczeństwem też się mnożą. 30 września VUSEC opublikował Branch Target Reuse, klasę ataków Spectre-v2 wymierzoną w kompilatory just-in-time w przeglądarkach, środowiskach uruchomieniowych języków i jądrze Linuksa. Zespół zbudował dwa ataki end-to-end na jądro Linuksa. Pokazał wyciek hasha hasła roota z działającego procesu su z szybkością 8 bajtów na sekundę, wraz z pełnym przejściem listy zadań jądra i tablic stron.

Co mówią ludzie, którzy wykonują tę pracę

Opinie o tym, co cała ta automatyzacja robi z pracą, się dzielą. Na martinelli.ch 30 września jeden z konsultantów przekonywał, że agenci do kodowania popychają inżynierów oprogramowania z powrotem ku modelowi z lat dziewięćdziesiątych. W tym modelu jedna osoba odpowiada za wymagania, architekturę, kod i produkcję, a specyfikacja staje się najważniejszym artefaktem projektu. Osobny wpis na pooyam.dev z tego samego dnia jest bardziej dosadny. Autor, który pracuje nad wydajnością trenowania i wnioskowania LLM na GPU i TPU, twierdzi, że koszt implementacji zmierza ku zeru. Opisuje agenta, który dotrenował część modelu, żeby poprawić długość akceptacji dekodowania spekulatywnego, czego nie pomyślał zakazać.

Trzecia relacja, na rtfm.co.ua, opisuje ten sam dryf z drugiej strony. Agent staje się Mycroftem dla twojego Holmesa, a człowiek kończy jako to, co autor nazywa mięsnym oprogramowaniem pośredniczącym między agentem a przyciskiem wdrożenia. Gerben Rijpkema, inżynier AI, przekonuje na Substacku, że udane projekty to te z architekturami dopasowanymi do konkretnego zastosowania. Zapożycza z inżynierii sterowania założenie, że nie da się w pełni przewidzieć systemu i trzeba projektować wokół szumu.

Nic z tego nie rozwiązuje kwestii wydawców. Google wciąż ustala warunki, 100 wydawców wciąż jest w pilocie, a Komisja Europejska wciąż prowadzi postępowanie.