Nowa rzeczywistość pozyskiwania informacji w sieci


Już prawie pół miliona Polaków dziennie pozyskuje informacje bez tradycyjnej wyszukiwarki, wystarcza im LLM*! Tak wynika z badania Gemius/PBI „Poza hype'em AI". Wyszukiwarki AI powoli robią się kanałem, który trzeba brać na poważnie. 

Źródło: https://gemius.com/pl/news/poza-hypeem-ai-jak-realne-wzorce-uzycia-zmieniaja-marketing-i-media/

Powoli, bo na tle Google to wciąż niewielka część ruchu, choć tendencja jest ewidentnie wzrostowa (kolejne badania to potwierdzają). Do naszego słownika wpadły nowe pojęcia, takie jak grounding, vector embeddings czy query fan-out.

W tym artykule omawiam ostatnie z nich: query fan-out, czyli mechanizm, w którym wyszukiwarka rozbija jedno zapytanie na serię podzapytań i z ich wyników skleja spójną odpowiedź.

Źródło: opracowanie własne

To zmienia i sposób działania wyszukiwarki, i to, co zwraca. Dotąd to samo zapytanie dawało z grubsza ten sam wynik, różnice były nieznaczne i zależały od czynników takich jak lokalizacja. Teraz przy każdym zapytaniu wyszukiwarka sama układa sobie zestaw pytań pomocniczych. Zmienia się też samo zapytanie: zamiast frazy kluczowej z kilku słów wpisujemy pełne zdania, czasem cały akapit z kontekstem.

Źródło: https://ipullrank.com/ai-search-manual/search-behavior

Poszerza się wybór, masz AI Overviews i AI Mode w Google (oba napędza Gemini), ChatGPT, Perplexity, Claude i inne LLM-y. I niekoniecznie korzystają z Google: Claude pobiera wyniki z Brave, a w przypadku ChatGPT oficjalnie nie wiadomo, podobno Bing, ale też scraping sieci przez pośredników.

Źródło: wpis użytkownika sankar (@sankar48514583) na platformie X (dawniej Twitter)

 

No dzieje się. Rozbierzmy więc query fan-out na części: co to jest i jak działa.

 

Czym jest query fan-out?

Query fan-out to rozbicie jednego zapytania (query decomposition) na wiele podzapytań (sub-queries) w wyszukiwarkach AI. Wyszukiwarka generuje ich równolegle od kilku do kilkunastu (przy pogłębionym researchu nawet setki), a wyniki scala w jedną sensownie brzmiącą odpowiedź.

Na dodatek cytowane źródła wcale nie muszą pochodzić z top 10 wyników. Żart o chowaniu trupa na drugiej stronie już nie jest taki aktualny jak kiedyś.

Ahrefs przeanalizował cztery miliony cytowań w AI Overviews. Wyszło, że w pierwszej dziesiątce rankuje niecałe 38% cytowanych stron. Reszta, czyli ponad sześć na dziesięć, siedzi niżej albo poza top 100 w ogóle.

 

Źródło: https://ahrefs.com/blog/ai-overview-citations-top-10



Dla jasności: wyszukiwarki AI i poszczególne modele różnią się liczbą podzapytań, źródłami i sposobem sklejania odpowiedzi. Ale fan-out ma każda.

 

Query fan-out vs tradycyjne wyszukiwanie

W porównaniu z tradycyjną wyszukiwarką, AI nie porównuje już dosłownie fraz, bo zapytania są zamieniane na ciągi liczb opisujące znaczenie (vector embeddings).

Do tego dochodzi personalizacja, i to głębsza niż kiedykolwiek. Wpływ mają historia wyszukiwania, urządzenie, lokalizacja i wcześniejsze konwersacje użytkownika z AI. Patent Google US11663201B2 wymienia sygnały takie jak pora dnia czy pogoda.

Z kolei Suganthan Mohanadasan zaobserwował w ChatGPT Search pole personal_sources z wartościami takimi jak gmail oraz files. Czyli personalizacja pełną gębą, model korzysta ze wszystkiego, co o tobie wie.

 

Źródło: wpis użytkownika Lily Ray (@lilyraync) na platformie X (dawniej Twitter)



Query fan-out, query augmentation i grounding: czym się różnią?

Skoro już jesteśmy przy pojęciach, wyjaśnijmy sobie jeszcze dwa sąsiednie. Query augmentation ulepsza jedno zapytanie: dodaje kontekst, rozwija skróty, podstawia synonimy. Query fan-out mnoży je w serię równoległych podzapytań. Grounding działa na końcu i sprawdza, czy każde zdanie odpowiedzi ma pokrycie w źródłach.

Jak działa query fan-out, krok po kroku?

Od razu zastrzegam, że poniższy proces odtwarzam (i upraszczam) z patentów Google oraz opracowań głów mądrzejszych ode mnie, jak Dan Petrovic (dejan.ai) czy Lazarina Stoy (iPullRank.com). 

 

Źródło: opracowanie własne

 

  1. Klasyfikacja: nie każde zapytanie odpala fan-out, dekompozycję uruchamia dopiero zapytanie odpowiednio otwarte i skomplikowane.

  2. Generowanie podzapytań: model dostaje polecenie, jaki typ wariantu wygenerować (np. porównawczy), a zapytania o wielu znaczeniach idą kilkoma ścieżkami jednocześnie.

  3. Równoległe pobranie: podzapytania lecą jednocześnie do indeksu, Knowledge Graph i Shopping Graph.

  4. Selekcja fragmentów: strony są cięte na fragmenty (tzw. chunki) i to one konkurują o miejsce w odpowiedzi. Wygrywa ten, który pokrywa kilka podzapytań naraz, plus bonus za świeżość.

  5. Synteza: model scala odpowiedź i umieszcza źródła tylko do fragmentów, które przeszły selekcję.

Selekcja premiuje też fragmenty, które wnoszą coś ponad to, co system już zebrał (information gain). 

Liczba podzapytań zależy od modelu i trybu. Szybki model ChatGPT często poprzestaje na jednym przeformułowanym zapytaniu, model rozumujący przy porównaniach generuje ich 15-40, AI Mode zwykle 8-12.

Całość domyka osobny model, który ocenia jakość podzapytań i usuwa duplikaty, a równolegle grounding weryfikuje pokrycie każdego zdania w źródłach. To wszystko po to, żeby model nie zaczął zmyślać (halucynować).

 

Jakie typy podzapytań generuje AI?

Nie istnieje, rzecz jasna, oficjalna typologia, ale ułożyłem (i uprościłem) własną na bazie dwóch patentów Google: US11663201B2 o generowaniu wariantów zapytań i US20240289407A1 „Search with Stateful Chat", plus materiałów praktyków (wspominałem ich wyżej). Wyszło 11 typów, opartych w gruncie rzeczy na kwestiach językowych, logice zapytania oraz intencji użytkownika.

 


Źródło: opracowanie własne

 

Wszystkie przykłady pokazuję na jednym zapytaniu: „najlepszy CRM dla małej firmy":

  • Równoważne, to samo pytanie innymi słowami: „jaki system CRM wybrać dla małej firmy".

  • Szersze, wyjście poziom wyżej: „narzędzia do zarządzania sprzedażą".

  • Węższe, zawężenie tematu: „CRM dla firmy usługowej do 10 osób".

  • Kanonizacja, zamiana potocznego na słownikowe: „apka do ogarniania klientów" staje się „oprogramowaniem CRM".

  • Tłumaczenie, to samo zapytanie w innym języku: „best CRM for small business".

  • Implikacja, pytanie wynikające logicznie z oryginału: „czy mała firma w ogóle potrzebuje CRM".

  • Doprecyzowanie, pytanie zwrotne do użytkownika: „chodzi o CRM sprzedażowy czy marketingowy?".

  • Porównawcze, zestawienie X vs Y: „Pipedrive vs HubSpot dla małej firmy".

  • Powiązane, temat sąsiedni: „integracja CRM z mailingiem".

  • Spersonalizowane, dopasowane do kontekstu użytkownika: „CRM dla małej agencji marketingowej".

  • Równoległe, tematy siostrzane: „program do fakturowania dla małej firmy".

Za fan-out odpowiada model probabilistyczny, więc dokładne brzmienie podzapytań zmienia się przy każdym uruchomieniu. W badaniu Surfera powtórzyło się tylko 27% podzapytań, a 66% pojawiło się jeden raz na 10 prób. Wniosek: nie ma co przywiązywać się do konkretnych fraz. Liczy się to, czy dany typ podzapytania w ogóle się pojawia i czy twoja treść go pokrywa.

 

Jak optymalizować pod query fan-out, krok po kroku?

Skoro pojedyncze podzapytania rotują i jest ich całkiem sporo, szaleństwem byłaby optymalizacja pod każdy potencjalny fanout. Dlatego lepszym rozwiązaniem jest praca na klastrach, grupach tematycznych, a nie na pojedynczych frazach czy podzapytaniach. Jak optymalizować:

  1. Zbierz prompty (różne warianty poleceń bliskie twojego tematu).

  2. Wygeneruj fan-outy i wyeksportuj je (podzapytania, które AI dopisuje sobie do twojego promptu). Masz symulatory, wtyczki do przeglądarki albo Google AI Studio z włączonym groundingiem.

  3. Sklastruj podzapytania w tematy (pogrupuj to, co pyta w gruncie rzeczy o to samo). Nie patrz na pojedyncze frazy, tylko na to, wokół czego się powtarzają.

  4. Zbuduj macierz pokrycia (tabela: o co pyta AI kontra co masz na stronie). 

  5. Uzupełnij luki (dopisz treść, gdzie trzeba, optymalizuj encje itd.).

  6. Mierz, czy AI w ogóle podaje cię jako źródło (jak często odpowiedzi w twoim temacie cię cytują, jaki masz udział na tle konkurencji, ile klastrów realnie pokrywasz).

 

Czym wygenerujesz fan-outy?

Najprościej zacząć od LLM-a, którego używasz na co dzień, możesz stworzyć skilla w Claude specjalnie do tego, albo skorzystać z gotowych symulatorów takich jak Qforia od iPullRank i DEJAN SEO. Generalnie działa tak samo: wrzucasz frazę, dostajesz listę podzapytań, jakie prawdopodobnie wygeneruje AI Mode.

Źródło: https://dejan.ai/

 

Inny sposób to podejrzenie prawdziwego fan-outu za pomocą rozszerzeń (wtyczek) lub konsoli w Chrome (szukasz pola search_model_queries). Sprawdzi się Query Fan-Out Natiego Elimelecha, jest też Fanout Fox (https://fanoutfox.com) , który pokazuje również podzapytania z Perplexity. 

Źródło: https://en.natielimelech.com/tools/chatgpt-query-fan-out-chrome-extension

 

Przy okazji narzędzi: zaprzyjaźnij się z Bing Webmaster Tools, gdzie znajdziesz zakładkę z danymi o wynikach generowanych przez AI. Google nieśmiało wprowadza podobną funkcję u siebie, w Search Console.

Źródło: wpis użytkownika Pawła Gontarka na LinkedIn.

 

Pisz pod fragment, nie pod stronę

Pamiętaj, że AI tnie strony na fragmenty i ocenia je osobno, a takim fragmentem (tzw. passage) jest w praktyce akapit. Stąd warto trzymać się zasady: jedna myśl na akapit, konkretny fakt, nagłówek w formie pytania i bezpośrednia odpowiedź w pierwszym zdaniu. Już w ogóle wspaniale, jeśli uda ci się w treści wnieść coś, czego nie ma nigdzie indziej (information gain). 

Podsumowanie

Sporo tego, ale wniosek nie jest skomplikowany. Bardziej niż kiedykolwiek liczy się cały obraz, a nie pojedyncze działania. Możesz to nazywać GEO, AIO czy LLMO, jak kto woli. Ostatecznie i tak jest to stare, dobre SEO, czyli sztuka optymalizacji. Tyle że graczy jest teraz kilku, a praca zrobiła się dużo bardziej zniuansowana technicznie.

 

* LLM, czyli duży model językowy. Piszę „pozyskuje informacje", nie „wyszukuje", bo model często odpowiada z własnej wiedzy, bez zaglądania do sieci i bez źródeł. Gemius mierzy tu osoby, które danego dnia korzystały z LLM-a i ani razu wyszukiwarki.