AI splitter nett-søk i tre forskjellige virkeligheter

Nye forskningsfunn viser at Google nå bruker tre forskjellige informasjonssystemer innen sin egen søkeimperium, med vanlig søk, AI-oversikter og Gemini som alle favoriserer forskjellige kilder, rangeringer og innhold.

Redusjonisme hersker. Over de siste tolv månedene har ‘La meg Google det for deg’ meme blitt overtatt av en ny ‘La meg sammenfatte Google-søket for deg’ trend, hvor AI-oversikter i søkeresultater stadig oftere sparer lesere problemer med å klikke på søke-lenker (arguably de-finansierer kilde-sidene i prosessen), ved å kondensere hele søkeresultater til noen genererte avsnitt.

En kunne tro at den grunnleggende kunnskapen som kommer til overflaten, og valget av nettsteder som trekkes fra denne kunnskapen, ville være relativt lik over alle tre av de mest populære metodene for å søke etter informasjon på internett: i tradisjonell nettsøk; i AI-oversiktene (AIOs) som nå toppen av de fleste nettsøkeresultater; og gjennom økende bruk av LLMs som ChatGPT som web-orakler (med eller uten eksterne RAG-oppkall).

Men, nylig forskning fra USA indikerer at dette er, overraskende, langt fra tilfelle; og at selv innen Google’s egen treenighet av orakler – SERPS*, AI-sammenfatninger og direkte interaksjon med Gemini LLM-serien – det ser ut til å være betydelige og interessante diskrepanser, for hver rute.

Treveis-split

I en tydelig og omfattende ny papir, med tittelen Hvordan Generative AI Forstyrer Søk: En Empirisk Studie av Google Søk, Gemini og AI-oversikter, seks forskere fra New Jersey Institute of Technology beskriver måtene som de tre søkemåtene divergerer, og tilbyr noen mulige teorier for disse frakturerne i tilnærmingen.

Papiret sier:

‘[Først, vi] finner at for 51,5% av representative, virkelige bruker-spørringer, AIOs genereres, og vises over de organiske søkeresultatene. Kontroversielle spørsmål resulterer ofte i en AIO.

‘Andre, vi viser at de hentede kildene er vesentlig forskjellige for hver søkemotor (<0,2 gjennomsnittlig Jaccard-lignende). Vanlig Google-søk er betydelig mer sannsynlig å hente informasjon fra populære eller institusjonelle nettsteder i regjering eller utdanning, mens generative søkemotorer er betydelig mer sannsynlig å hente Google-eide innhold.

‘Tredje, vi observerer at nettsteder som blokkerer Google’s AI-crawler er betydelig mindre sannsynlig å bli hentet av AIOs, til tross for å ha tilgang til innholdet.’

Ettersom papiret er en smørgåsbord av fascinerende innlysninger, snarere enn å følge den vanlige lineære og metode-drevne arbeidsflyten, vil vi ta en nærmere titt på disse, og noen av dens mest overraskende og opplysende innlysninger.

Den gamle ‘To-en’

En av de mange interessante funnene i studien indikerer at Google’s AI-oversikter tenderer til å bli undertrykt for plutselige nyhetsbegivenheter, siden de tidligste og mest tilgjengelige kildene kanskje ikke er de mest nøyaktige.

Dette systemet fungerer ikke alltid: i eksempelet under, notert av forskerne, en Google AI-oversikt om resultatet av en boksekamp tilskrev seieren til feil bokser, selv om den eneste kilden som sa (feil) resultat var en satirisk sportsfeed på Facebook:

En av årsakene til at Google’s AI-oversikter unngår tid-kritiske sammenfatninger er at tidlig informasjon kan være ufullstendig eller fullstendig ukorrekt. I dette tilfelle tapte bokser Jake Paul faktisk kampen. Kilde

Forskerne noterer at AIOs tenderer til å dukke opp når en hendelse er minst fem dager gammel, som kvalifiserer dette som en anomali – men likevel, en som forskerne lett kunne fremkalle.

AIOs ble funnet å være mer sannsynlig å bli generert når spørringen ble lukket med et spørsmålstegn, og at spørrings-intent var en faktor i om en AIO ville bli presentert:

Prosenten av hendelser hvor en AI-søkesammenfatning ble produsert i en av forskernes runder av tester. Her indikerer ‘informasjons-‘ direkte spørsmål, som tenderer til å produsere AIOs mer enn noen annen type interaksjon.

I tillegg hevder papiret, lengre spørringer tenderer til å være mer sannsynlig å produsere en AI-sammenfatning i stedet for bare rett søkeresultater, selv om forfatterne ikke ennå tilbyr en teori for å forklare dette.

Et kongedømme delt

Kanskje den mest overraskende overordnede resultatet fra det nye arbeidet er den relativt lille overlapp i resultater kvalitet/type mellom Google’s (ovennevnte) tre søkeplattformer.

Papiret viser gjentatte ganger at vanlig Google-søk, AI-oversikter og Gemini (LLM) henter vesentlig forskjellige kilder for samme spørring, med overlap-scorer lavt nok til å antyde tre konkurrerende innhenting-logikker innen en og samme selskap, hvor brukere kanskje antar at Google har en autoritativ indeks, og en rangeringsfilosofi:

Selv innen Google’s egen økosystem, var overlappen mellom tradisjonell Søk, AI-oversikter og Gemini overraskende liten, med samme spørring ofte produserte vesentlig forskjellige kilde-lister avhengig av hvilken Google-system håndterte forespørselen. I denne sammenligningen ser vi hvor nært de tre systemene matchet hverandre over tusenvis av søke-spørringer, fra shopping og debatt-temaer til lokale søk og generell kunnskapsspørsmål, med lavere scorer indikerer mindre enighet mellom de valgte kildene.

Med hensyn til denne delen av deres analyse, sier forfatterne^†:

‘[Tabellen over] presenterer den gjennomsnittlige likheten mellom listen over kilder returnert av AIO, Gemini og tradisjonell SERP for hver spørring i benchmark-datasettet.

‘Hovedpoenget er at uavhengig av spørring-undergruppe og hvilket par av søkemotorer som sammenlignes, de hentede listene er ulike, til tross for at alle tre er utviklet av Google.’

Forskerne sier videre at ingen søkemåte testet hadde en rang-bias overlapp (RBO) over 0,27, som er en svært lav score. De noterer videre at Amazon Retail og lokaliserings-spørringer (dvs. ‘butikker nær meg’) hadde den laveste likheten blant søkemåtene.

De tilskriver den lave enigheten til grunnleggende ‘inkonsistens mellom søkemotorer’, noterende at hverken tilfeldighet eller noen annen åpenbar faktor kan gjøres til å forklare denne desynkopasjonen.

En intuitiv forklaring, kan man si, er at treningdatapunkter er tildelt rang på en svært annerledes måte enn metoden som Google har utviklet for PageRank og dens etterfølgere over de siste to tiårene. Videre, på den avvei at Google-søkets algoritme har en hemmelig agenda, er det vanskeligere å få AI til å handle på en forretningsmessig måte, siden Gemini’s PageRank-liknende beslutninger dikteres ikke av Google’s politiingeniører, men av en ufullstendig forståelse av hvordan hyperskale-data transformerer til datafordelinger og latente innkapslinger under trening av en AI-modell.

Selvbetjening..?

Visse nettsteder eller kategorier av nettsteder, ser ut til å ha blitt påvirket av innføringen av AI-sammenfatninger og innkroppningen av LLM-basert søk i det tradisjonelle søke-rommet – både negativt og positivt, avhengig av tilfelle:

I sammenligning med tradisjonell Google-søk, reduserte AI-oversikter og Gemini begge sitater fra mange store nettsteder, mens de økte synligheten for en mindre mengde favoriserte domener. YouTube viste seg å være en av de største fordelene på begge systemer, mens Reddit, Wikipedia, Facebook og mange institusjonelle kilder dukket opp mindre ofte i AI-generert innhenting.

Forfatterne noterer at noen uventede preferanser dukker opp blant de tre metodene, under testing:

‘Vi har tre hovedpoeng fra [grafene over]. Først, store og kjente nettsteder er de mest berørt (både positivt og negativt). Dette er intuitivt, siden store nettsteder har rykte og mangfold i innhold til å være relevante for mange forskjellige spørringer.

‘Andre, den overveldende majoriteten av disse nettstedene mottar færre totale, og færre topp-tre sitater med generative søkemotorer (indikert av røde stolper og negative tall i [grafene over]). Dette antyder at generativ søk tenderer til å hente informasjon fra mer nisje-kilder enn tradisjonelle søkemotorer.

‘Tredje, Google’s AIOs favoriserer Google-nettsteder (dvs. google.com og youtube.com-domener).

‘Gemini favoriserer også YouTube i sammenligning med tradisjonell Google-søk, men den absolutte forskjellen er mindre.’

Noen ‘blokkeringer’..?

Studien fant også at utgivere som blokkerer Google’s AI-web-crawler – den automatiske web-roboten som skraper data fra nettstedet ditt med mindre du forteller den ikke å gjøre det med en robots.txt-fil – tenderer til ikke å dukke opp i AI-sammenfatninger.

Dette kan se ut som en åpenbart selv-forårsaket skade, men i virkeligheten har Google offentlig erklært at innhold fra plattformer som blokkerer AI-crawlers vil ikke bli hindret fra å dukke opp i AI-sammenfatninger; snarere, utgiverne vil bare ikke få deres data skrapet, kurert inn i en samling, og kjørt gjennom neste runde av AI-trening for Gemini og andre Google AI-prosjekter.

Men, det var ikke konklusjonen som de nye papirets forskere kom til, da de i stedet fant at populære AI-blokkerende utgivere var svært sjelden sitert av Gemini, enten i LLM eller i en mer strømlinjeformet og agil søkeresultat-inkarnasjon. De ‘effektivt utestengte’ utgiverne ble rapportert av papiret til å være NYTimes, CNN, BBC, ScienceDirect, Reuters, Wiley, Nature, ESPN, Business Insider, CNBC, NPR, WIRED, USA Today, NBC News, Genius, National Geographic, The Conversation, U.S. News & World Report, Scientific American, Consumer Reports, og STAT.

Noen av robots.txt AI-scraping-blokkeringer effektuert av utgiverne ovenfor. Men har det ført til en videre censur fra Google?

Forfatterne sier:

‘I våre analyser av de mest berørte domenene, fant vi at 21 populære [utgivere] (som hentes for minst 20 unike spørringer av både Google-søk og AIOs) aldri ble sitert av Gemini.

‘Flere populære sosiale medier (Facebook, Instagram, Tiktok) og anmeldelses-nettsteder (IMDb, Yelp, Tripadvisor) mottok også null sitater fra Gemini. Ved videre undersøkelse, fant vi at alle disse nettstedene blokkerte Google-Extended-bot i deres robots.txt-filer.’

Hvis denne funn viser seg å være verifisert andre steder og varig, kunne en spekulere om at disse selskapene potensielt blir presset av Google til å gi etter og samarbeide med deres AI-operasjoner gjennom delvis de-listing. Ved en første øyne, ser resultater ut til å være straffende – men så, funnene fra det nye arbeidet er mer indikative for kaos enn for hensikt; derfor er den eneste rimelige kommentaren en kan komme frem til, at disse resultater ser overfladisk ‘spiteful’ ut, uavhengig av hva som egentlig forårsaker dem.

Konklusjon

Meninger Dette er en tydelig og omfattende zip-bomb av en papir, hvis bare ti primære sider utvikler seg til en nesten overveldende kaskade av ytterligere funn. Ettersom vi har hatt tid til å dekke bare en liten del av disse, anbefaler jeg kilde-PDF-en selv til den merkelige leseren (en sjelden hendelse).

Et ‘gult’ syn kan kaste mange negative tolkninger på forfatternes oppdagelser, men arbeidet er kanskje best behandlet som indikativ for en global teknologileder som forsøker å oppnå og beholde en global ledelse i AI-basert søk, ved hjelp av svært kontrasterende plattformer som utviklet seg under svært forskjellige omstendigheter og over svært forskjellige epoker.

Mens tre søkemåter undersøkes i papiret, er den virkelige kontroversen mellom tradisjonelle søkeresultater, rangert av proprietære metoder, og de skarpt kontrasterende distribusjons-baserte utvalgs-metodene som dominerer data-kurering og AI-trening.

AI som i 1999

Før innføringen av Google, var det mulig å ‘spille’ søkeresultater gjennom ren mengde, og på denne måten kunne en ofte oppnå førsteside-SERPS-plassering med minimal (ofte automatisert) innsats. Dette ‘tall-spillet’ ble effektivt avsluttet rundt 2002 av Google’s mer sofistikerte og hemmelige søke-rangeringsalgoritme. Men siden innsatsen var betydelig, forsvant ikke høy-volum og lav-kvalitets innhold i noen mening.

Derfor, da hyperskale-samlinger som Common Crawl la grunnlaget for den moderne AI-revolusjonen, var data-prominensen dømt til å bli dominert av hvor godt automatiserte prosesser kunne filtrere og rangere innkommende datakvalitet, og (mye mindre sannsynlig), hvor mye penger som var tilgjengelig for å betale mennesker for å rangere denne dataen.

Det var mye dårlig eller lav-kvalitets data i disse enorme og indisriminerte samlingene; data som kanskje ikke inkluderte nakenhet eller sværing eller rasistiske tropar, eller noe av de andre tingene som er relativt enkle å filtrere ut av treningssamlinger – men som likevel var selv-betjent og mengde-rik, akkurat som resultater fra internett-søk cirka 1999-2001.

Fordi disse data-induksjonsprosessene er fortsatt ikke gode, er det svært vanskelig selv for Google å få AI til å handle på en forretningsmessig måte, siden Gemini’s PageRank-liknende beslutninger dikteres ikke av Google’s politiingeniører, men av en ufullstendig forståelse av hvordan hyperskale-data transformerer til datafordelinger og latente innkapslinger under trening av en AI-modell.

* Søke-resultat-sider.

^† Forfatternes betoning, ikke min. Men, jeg har erstattet fet skrift med kursiv, siden kursiv betoning ikke fungerer godt i sitater som allerede er primært kursiv.

Først publisert onsdag, 13. mai 2026