Ruch z wyszukiwarek maleje, a sieć przebudowuje się wokół agentów

29 września dział Computing w IEEE Spectrum opublikował wiersz Ralpha Earle'a, byłego starszego inżyniera oprogramowania IBM, o przekładaniu "suchego i nieustępliwego 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. Praca robocza National Bureau of Economic Research z września 2026 roku szacuje, że od listopada 2022 do grudnia 2025 roku AI podniosła oczekiwaną przez rynek wartość bieżącą produktywności inżynierii oprogramowania o równowartość trwałego wzrostu o 32,6%. Efekt dla PKB to 3,6% w scenariuszu podstawowym i 6,5%, 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 roku, w okresie szybkiego postępu agentów piszących kod, efekt ten ponad dwukrotnie wzrósł względem końca 2025 roku. To wielkość makroekonomiczna, nie medialna, ale opisuje kapitał płynący do systemów, które stoją dziś między użytkownikami a treścią.

Wyszukiwanie pełnotekstowe wciąż działa, ale nie załatwia sprawy do końca

Manticore Search opublikował na swoim blogu długi tekst o tym, dlaczego wyszukiwanie po słowach kluczowych się nie zepsuło i dlaczego to nie wystarcza. Firma przytacza ujawnione przez Google w maju 2026 roku dane, że AI Mode przekroczył miliard użytkowników miesięcznie. Jej zdaniem zapytania w rodzaju "potrzebuję czarnych wodoodpornych butów do biegania na mokrym chodniku" zawierają kilka zadań: wyodrębnienie ograniczeń, 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, z modelem językowym generującym odpowiedź na wierzchu. Firma przetestowała je na ConvApparel, zbiorze rozmów, który po oczyszczeniu zawierał 82 524 produkty z kategorii obuwia, spodni, koszulek 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 opisany przez dostawcę infrastruktury.

Jak agent zakupowy Meta decyduje, co pokazać

28 września badacz piszący jako Kalan opublikował na caeliai.com analizę inżynierii odwrotnej Muse, nowego agenta AI Meta. Muse zadebiutował na początku września 2026 roku. Według danych Apptopii cytowanych w tekście w pierwszych 12 dniach przekroczył 2,8 mln instalacji na świecie, z około 642 000 użytkowników dziennie w USA, szybciej niż wczesna mobilna premiera 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 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 tylko wewnętrzną stronę logowania Meta.

Nie mam loginu do Meta, więc mam tylko adresy, a nie to, co jest pod nimi.

W tekście otwarcie napisano, że dekoder powstał, by czytać skompilowany program w Rust o rozmiarze 11,7 MB bez uruchamiania go, a eksperymenty zmieniały jedną zmienną naraz i były powtarzane trzy razy. Traktuj to jako relację jednego badacza, nie ujawnienie ze strony Meta. Własny opis Meta, opublikowany 8 września 2026 roku i cytowany w tekście, mówi, że Muse każdego użytkownika działa we własnej odizolowanej sekcji dedykowanej maszyny wirtualnej z przeglądarką, folderem 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 i pokazuje dwa lub trzy, o tym, kto zostanie zauważony, decyduje funkcja rankingu. Wydawcy i sprzedawcy nie mają nad nią kontroli.

Ocena wyszukiwania wciąż jest trudna i to ma znaczenie dla wszystkich dalej

Szeroko czytany tekst Douga Turnbulla o ocenianiu za pomocą LLM jako sędziego, opublikowany ponownie na jego blogu 28 września, to przydatna korekta dla każdego, kto zakłada, że te rankingi są już ustalone. Turnbull testował trafność parami na zbiorze mebli WANDS. Wymuszony wybór LHS/RHS dał 75,08% precyzji przy 100% czułości na 1 000 par. Gdy pozwolił modelowi odpowiedzieć "Żaden", precyzja wzrosła do 85,38%, ale czułość spadła do 17,10%. Jego poprawka jest prosta i warto ją powtórzyć: zadaj to samo pytanie z zamienionymi produktami i przyjmij werdykt tylko wtedy, gdy model jest spójny w obie strony. To rodzaj szczegółu metodologicznego, który rzadko przeżywa premierę produktu.

Mniej więcej w tym samym czasie MongoDB ogłosił MongoDB 9.0, Atlas Infinite i Atlas Agent Engine 29 września, a tego samego dnia na blogu firmy pojawiła się notatka pełniącego obowiązki prezesa. Dostawca opisuje Atlas Agent Engine jako warstwę pamięci, środowiska uruchomieniowego i zarządzania 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 publicznego podglądu i mogą się zmienić, podaje firma.

Dwa kolejne teksty z 29 września uzupełniają instalację. Unblocked opublikował szczegóły adaptacyjnego routera, który przenosi ruch LLM między Baseten, Fireworks i CoreWeave, wszystkie obsługujące GLM 5.2. Przy działaniu rundowym Fireworks przejął 51% zadań, a Baseten 49%, choć ceny Fireworks były o 25% wyższe, a Baseten szybszy, pisze firma; przy stałej kolejności Baseten obsłużył 98,5%. Ceny katalogowe CoreWeave były około 45% niższe niż u Baseten. Loro opublikował z kolei argument, że same CRDT nie wystarczą do synchronizacji lokalnej. Opisuje przypadek, w którym indeks rozmowy się zsynchronizował, ale treść wiadomości już nie, zostawiając użytkownika patrzącego na powiadomienie, za którym nic nie stało.

Skąd mają przyjść czytelnicy

Nic z tego nie dowodzi, że odesłania z wyszukiwarek się załamią. Pokazuje natomiast, gdzie idą inwestycje. Praca NBER to miara wyceniana przez rynek, nie pomiar produktu, i autorzy tak ją 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, a 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 od razu. Zostaje wchłonięty po jednym zapytaniu.