Ruch z wyszukiwarek maleje, a sieć przebudowuje się wokół agentów
Wydawcy tracą odesłania z wyszukiwarek, a dwa nowe teksty i fala infrastruktury dla agentów stawiają na sieć, w której produktem jest odpowiedź, nie kliknięcie. Najnowszy numer IEEE Spectrum o informatyce, opublikowany 29 września, otwiera wiersz o interfejsie; biznesowy bilans wokół niego jest coraz trudniejszy.

29 września dział Computing w IEEE Spectrum opublikował wiersz Ralpha Earle'a, byłego starszego inżyniera oprogramowania w IBM, o przekładaniu „suchego i nieubłaganego kodu” na interfejs użytkownika. To drobny artefakt dużej zmiany: interfejs jest dziś miejscem, w którym krążą pieniądze, i coraz częściej odpowiada, zamiast odsyłać dalej.
Liczby stojące za tą zmianą pojawiły się w tym samym tygodniu. Working paper National Bureau of Economic Research z września 2026 szacuje, że od listopada 2022 do grudnia 2025 sztuczna inteligencja podniosła oczekiwaną przez rynek wartość bieżącą produktywności inżynierii oprogramowania o równowartość trwałego wzrostu o 32,6 proc. Efekt dla PKB to 3,6 proc. w scenariuszu bazowym i 6,5 proc., gdy wyższa produktywność inżynierii oprogramowania podnosi też produktywność prac badawczo-rozwojowych. Autorzy, Alex Blumenfeld, Jonathon Hazell, Chen Lian i Andreas Schaab, dodają, że do połowy 2026, wśród szybkiego postępu agentów piszących kod, efekt ten ponad dwukrotnie wzrósł względem końca 2025. To wielkość makroekonomiczna, nie medialna, ale opisuje kapitał, który płynie do systemów stojących dziś między użytkownikami a treścią.
Wyszukiwanie pełnotekstowe wciąż działa, ale nie załatwia sprawy do końca
Manticore Search opublikował na blogu długi tekst o tym, dlaczego wyszukiwanie po słowach kluczowych się nie zepsuło i dlaczego to nie wystarcza. Firma cytuje własne ujawnienie Google z maja 2026, że AI Mode przekroczył miliard użytkowników miesięcznie, i przekonuje, że zapytania typu „potrzebuję czarnych wodoodpornych butów do biegania na mokrym chodniku” zawierają kilka zadań: wyodrębnienie warunków, zrozumienie intencji, sprawdzenie ceny i dostępności, a potem wyjaśnienie różnic między opcjami. Odpowiedzią Manticore jest rozwiązanie hybrydowe: wyszukiwanie pełnotekstowe i wektorowe połączone przez ranking wyników, a na wierzchu model językowy generujący odpowiedź. Firma przetestowała to na ConvApparel, zbiorze rozmów, który po oczyszczeniu zawierał 82 524 produkty z kategorii obuwia, spodni, topów i odzieży wierzchniej, i zbudowała demo o nazwie Manticore Apparel Shop. W tekście wprost pada ryzyko: jeśli system twierdzi, że model nadaje się na deszcz, użytkownik powinien móc otworzyć produkt i sprawdzić źródło tego twierdzenia. To zdanie to problem wydawcy wypowiedziany przez dostawcę infrastruktury.
Jak agent zakupowy Meta decyduje, co pokazać
28 września badacz piszący jako Kalan opublikował w caeliai.com analizę inżynierii odwrotnej Muse, nowego agenta AI firmy Meta. Muse zadebiutował na początku września 2026 i według danych Apptopii cytowanych w tekście przekroczył 2 800 000 instalacji na świecie w pierwszych 12 dniach, z około 642 000 użytkowników dziennie w USA, szybciej niż wczesny start mobilnej wersji ChatGPT. Analiza jest nietypowo konkretna, jeśli chodzi o warstwę wyszukiwania. Kalan pisze, że znalazł program katalogowy pod /opt/hatch/bin/meta-catalog-search, chroniony socket procesu roboczego pod /run/hatch/privsep/meta-catalog-search.sock, instrukcje zakupowe w pliku shopping-SKILL.md oraz ranking_score przypisany do każdego produktu. W opisanych zadaniach zakupowych Muse zwracał od 40 do 71 produktów z ocenami, sprawdzał je na stronach samych sprzedawców przez przeglądarkę i pokazywał użytkownikowi dwie lub trzy karty.
Kalan zauważa też, że surowe wyniki katalogu zawierały wewnętrzne linki debugowania wskazujące na sieć wewnętrzną Meta, a jedyny otwarty link, 28 września, pokazał wyłącznie wewnętrzną stronę logowania Meta.
Nie mam konta Meta, więc mam tylko adresy, a nie to, co jest pod nimi.
Tekst jasno mówi, że dekoder napisano po to, by czytać skompilowany program w Rust o rozmiarze 11,7 MB bez uruchamiania go, a eksperymenty zmieniały jedną zmienną naraz i powtarzano je trzy razy. Trzeba to traktować jako relację jednego badacza, nie jako ujawnienie ze strony Meta. Własny opis Meta, opublikowany 8 września 2026 i cytowany w tekście, mówi, że Muse każdego użytkownika działa w wydzielonej sekcji dedykowanej maszyny wirtualnej z przeglądarką, katalogiem roboczym, narzędziami wiersza poleceń, umiejętnościami i agentami pomocniczymi, a wbudowane konektory działają w osobnych chronionych procesach roboczych.
Konsekwencja handlowa jest prosta. Jeśli agent zakupowy zwraca od 40 do 71 kandydatów, a pokazuje dwie lub trzy, o tym, kto zostanie zobaczony, decyduje funkcja rankingu. Wydawcy i sprzedawcy nie mają nad nią kontroli.
Ocena wyszukiwania wciąż jest trudna, a to dotyczy wszystkich dalej w łańcuchu
Szeroko czytany tekst Douga Turnbulla o ocenie z modelem językowym w roli sędziego, opublikowany ponownie na jego blogu 28 września, to przydatna korekta dla każdego, kto zakłada, że te rankingi są ustalone. Testując trafność parami na zbiorze mebli WANDS, Turnbull stwierdził, że wymuszony wybór lewej lub prawej strony dał 75,08 proc. precyzji przy 100 proc. pełności na 1000 par. Gdy model mógł odpowiedzieć „żadna”, precyzja wzrosła do 85,38 proc., ale pełność spadła do 17,10 proc. Jego poprawka jest prosta i warta powtórzenia: zadaj to samo pytanie z zamienionymi produktami i przyjmij werdykt tylko wtedy, gdy model jest spójny w obu kierunkach. To rodzaj szczegółu metodologicznego, który rzadko przeżywa ogłoszenie produktu.
W podobnym okresie MongoDB ogłosił 29 września MongoDB 9.0, Atlas Infinite i Atlas Agent Engine, a tego samego dnia na blogu firmy pojawiła się notka tymczasowego prezesa. Dostawca opisuje Atlas Agent Engine jako warstwę pamięci, środowiska uruchomieniowego i nadzoru dla agentów w produkcji, otwartą na dowolny model i framework, zbudowaną na standardach, w tym Model Context Protocol dla narzędzi, A2A dla delegowania między agentami i OpenTelemetry dla śladów. Ceny dotyczą publicznej wersji zapoznawczej i mogą się zmienić, podaje firma.
Dwa kolejne teksty z 29 września uzupełniają instalację. Unblocked opisał szczegóły adaptacyjnego routera, który przenosi ruch modeli językowych między Baseten, Fireworks i CoreWeave, wszystkie obsługujące GLM 5.2. Przy trybie round-robin Fireworks wziął 51 proc. zadań, a Baseten 49 proc., choć ceny Fireworks były o 25 proc. wyższe, a Baseten szybszy, pisze firma; przy stałej kolejności Baseten obsłużył 98,5 proc. Ceny katalogowe CoreWeave były około 45 proc. niższe niż u Baseten. Loro opublikował z kolei argument, że same CRDT nie wystarczą do synchronizacji lokalnej, opisując przypadek, w którym indeks rozmowy się zsynchronizował, a treść wiadomości nie, zostawiając użytkownika z powiadomieniem i pustką za nim.
Skąd mają przyjść czytelnicy
Nic z tego nie dowodzi, że odesłania z wyszukiwarek się załamią. Widać natomiast, gdzie idą inwestycje. Tekst NBER to miara wynikająca z wyceny rynkowej, nie pomiar produktu, i autorzy tak go przedstawiają. Teksty Manticore i MongoDB to argumenty dostawców. Analiza Muse to relacja jednego niezależnego badacza z wyraźną uwagą, że nie ma dostępu do wewnętrznych systemów Meta.
Dla wydawców praktyczny wniosek jest węższy. Warstwę odpowiedzi budują firmy, którym zależy na rozwiązaniu zapytania, nie na skierowaniu czytelnika. Jeśli katalog stojący za agentem zakupowym jest oceniany, filtrowany i pokazywany jako dwie lub trzy karty, ruch, który kiedyś przychodził ze strony wyników wyszukiwania, nie znika naraz. Jest wchłaniany po jednym zapytaniu.
Źródła
15- 01Poetry for Engineers: User Interface DesignEN
- 02The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
- 03Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN
- 04Reverse Engineering How Meta's Muse ShopsEN
- 05Check twice, cut once with LLM search relevance evalEN
- 06The Intelligent Data Platform for the AI EraEN
- 07The MongoDB Agent Platform | Atlas Agent EngineEN
- 08Routing LLM traffic across inference providers by cost, speed and reliabilityEN
- 09CRDTs are not enough: From CRDTs to a local-first sync engineEN
- 10OpenJev: An open-source, Jev-compatible System One decision engineEN
- 11Branch Target Reuse: Spectre-v2 Attacks in JIT EnginesEN
- 12Agencies publish resolution plan feedback letters for 15 banking organizationsEN
- 13VDE Figures: Electrical Engineering Programs Are Popular InternationallyEN
- 14We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
- 15What makes software development engineeringEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.