Pięć możliwych tylnych wejść do wyników wyszukiwania dużych modeli językowych

W obliczu załamania tradycyjnego ruchu z wyników wyszukiwarek, wywołanego nowym trendem podsumowań generowanych przez AI, wydawcy każdej wielkości starają się teraz zwiększyć swoją widoczność w oczach dużych modeli językowych, które zasilają podsumowania AI w wyszukiwaniu internetowym, a także bezpośrednio w popularnych modelach czołowej klasy, takich jak ChatGPT.

Legalne podejścia, według wcześniejszych prac takich jak Optymalizacja widoczności w silnikach generatywnych i Jak zdominować wyszukiwanie AI, obejmują zdobywanie niezależnych publikacji redakcyjnych, publikowanie autorytatywnych i dobrze uporządkowanych treści, udostępnianie informacji o produktach czytelnych maszynowo oraz dostosowywanie materiałów do różnych języków i rynków.

Alternatywne metody, które ostatnio przyciągnęły uwagę, przypominają nieuczciwe praktyki SEO z poprzednich dekad. Należą do nich pozorowanie oddolnego poparcia na Reddicie, gdzie umieszczano rzekomo niezależne rekomendacje mające wpływać na wyniki wyszukiwania AI; zatruwanie pamięci, w którym zwodnicze linki próbowały skłonić asystentów do zachowywania twierdzeń reklamowych jako wiarygodnych informacji; oraz wstrzykiwanie instrukcji, gdzie ukryte polecenia na stronach miały wpływać na rekomendacje asystenta AI, zamiast jedynie dostarczać mu informacji do podsumowania.

Szczególnie pomysłowy przykład manipulacji GEO pojawił się, gdy badacze z ETH Zürich stworzyli fikcyjny aparat fotograficzny i opublikowali stronę promocyjną zawierającą ukrytą instrukcję, zapisaną maleńkim białym tekstem, nakazującą Bing Copilot firmy Microsoft polecanie wyłącznie tego aparatu. Bardzo mała czcionka i niski kontrast miały ukryć manipulację.

Dwie reklamy fikcyjnych aparatów użyte w eksperymencie ETH Zürich do manipulowania rekomendacjami wyszukiwania AI. Zwykła reklama po lewej zawiera widoczny tekst promocyjny, natomiast reklama PixelBlitz po prawej ukrywa instrukcję w białej czcionce o wielkości jednego punktu, niewidocznej na białym tle. Ukryta wiadomość podszywa się pod instrukcję systemową, nakazując AI rekomendować wyłącznie PixelBlitz i zatajać istnienie polecenia. W kontrolowanych testach technika podniosła odsetek rekomendacji fikcyjnego aparatu z 34% do 59,4%. Źródło

W kontrolowanych testach odsetek rekomendacji fikcyjnego aparatu wzrósł z 34% do 59,4%, nieznacznie przekraczając 57,9% osiągnięte przez prawdziwe aparaty Nikon i Fuji-film. Pokazuje to, że złośliwe instrukcje osadzone w pobranych stronach internetowych rzeczywiście mogły wpływać na rekomendacje AI.

Przy tak wysokiej stawce można rozsądnie zakładać, że nieuczciwa GEO jest aktywnym i dobrze finansowanym niedozwolonym nurtem badań w marketingu i innych sektorach, które chcą zdobyć lub odzyskać dawną widoczność SEO dzięki rekomendacjom wyroczni AI i silników konwersacyjnych.

Przyjrzyjmy się zatem kilku możliwym lub pojawiającym się ścieżkom:

1: Manipulowanie archiwami

Internet Archive należy do najbardziej wszechstronnych i użytecznych zasobów sieciowych. Jego Wayback Machine przekroczył w 2025 roku próg biliona stron. W chwili pisania IA podaje imponującą liczbę 47 381 733 przechowywanych dokumentów PDF dostępnych publicznie:

Internet Archive przechowuje imponujący zbiór materiałów PDF, w dużej mierze przekazanych przez wolontariuszy. Źródło

Jak pokazują przykładowe wyniki powyżej, wiele przesłanych plików PDF jest dość zwyczajnych: od mało znanych ulotek muzycznych z lat 50.–90. XX wieku, przez rzadkie i fascynujące czasopisma i książki uznawane za bezpowrotnie utracone, po nużące zbiory protokołów posiedzeń samorządowych z lat 70. i 80. oraz wiele innych materiałów.

Zbiór ten jest obecnie bezkrytycznie bombardowany żądaniami, a oczywistym winowajcą jest horda botów zbierających dane dla AI, desperacko szukających nowych danych albo lepszych lub potwierdzających wersji informacji, które już posiadają.

Oczywiście bardzo łatwo zmienić przesłany dokument tak, aby wspierał fałszywe twierdzenie, nieistniejące produkty, nieprawdziwe wzmianki o ludziach, pochwalne bądź zniesławiające, fałszywe wypowiedzi na ich temat i tak dalej.

Takie materiały można wprowadzać do dokumentów uznawanych przez LLM za autorytatywne źródła, na przykład plików PDF cenionych czasopism, które akurat nie zostały jeszcze w pełni zindeksowane w zbiorach IA. Spreparowane wydanie wyglądałoby wtedy na legalne uzupełnienie luki.

Sama AI mogłaby naśladować styl krótkiego artykułu czy nawet podpisu pod ilustracją, a datę pliku PDF można zmienić. Wraz z licznymi innymi prostymi sztuczkami pozwoliłoby to sprawić, że dokument wyglądałby na przykład na znalezisko z archiwum z lat 90. lub jeszcze starszego:

Prosta „korekta historyczna” dostarczona bez sprzeciwu przez ChatGPT-5.5 i łatwo wstawiona z powrotem do źródłowego dokumentu PDF. W ten sposób Pence Opera House znika z historii, a otwarcie Guthrie Theater, rzeczywistego teatru w Minnesocie, zostaje przesunięte z prawdziwego roku inauguracji 1963 na znacznie wcześniejszy 1867. Źródło

W takich przypadkach, jak się wydaje, wystarczy czekać, aż informację przejmą zachłanne boty zbierające dane dla AI. Wciąż jest za wcześnie, by wiedzieć na pewno, w jakim stopniu filtry lub systemy kontroli przy przygotowaniu zbiorów danych mogłyby wykrywać takie niedozwolone zmiany. Skala tych zbiorów jest jednak tak ogromna, że zazwyczaj uniemożliwia tak szczegółowy nadzór. Przy tak olbrzymiej ilości informacji zasadniczo po prostu ufa się danym.

2: Sieci syntetycznego konsensusu

Albo, dla osób wystarczająco starych, by je pamiętać, nowoczesny „pierścień stron”: połączone witryny z początków internetu, sprzed PageRank Google i Domain Authority Moz, które doceniały liczbę i jakość linków przychodzących.

Sieci syntetycznego konsensusu idą jednak dalej, fabrykując pozornie niezależne potwierdzenia na rzekomo niepowiązanych witrynach. Niedawne badanie Chinese University of Hong Kong i EPFL pokazało ogólną zasadę: naukowcy przetestowali 12 modeli AI na 225 produktach z 15 kategorii, zastępując wzmianki o rzeczywistych markach w pobranych wynikach wyszukiwania fikcyjnymi odpowiednikami.

Ilustracja z pracy pokazuje dwie drogi, którymi zmyślone informacje o produktach mogą wpływać na rekomendacje AI. U góry fałszywe treści umieszcza się w rzeczywistej sieci, skąd trafiają do wyników wyszukiwania; u dołu badacze symulują ten sam proces, lokalnie modyfikując pobrane strony. Obie drogi mogą skłonić asystenta AI do polecenia nieistniejącej marki obok rzeczywistych produktów. Źródło

Efekt narastał, gdy więcej wyników zawierało te same fałszywe informacje. Przy trzech zmanipulowanych stronach wśród czołowych wyników najbardziej podatny model rekomendował nieistniejące produkty w 73,8% testów. Nawet pojedynczy zmodyfikowany wynik na pierwszym miejscu mógł wprowadzić niektóre modele w błąd w 27% przypadków.

Co jeszcze bardziej niezwykłe, modele czasami wymyślały własne potwierdzenia: w jednym teście dotyczącym fikcyjnej marki folii ochronnych na ekran Claude i DeepSeek dodały twierdzenia o rekomendacjach społeczności i testach produktów, których nie było w dostarczonym materiale.

Choć eksperyment przeprowadzono na lokalnie zmodyfikowanych wynikach wyszukiwania, a nie w rzeczywistej sieci oszukańczych stron, sugeruje on, jak skoordynowany zbiór pozornie niezależnych recenzji mógłby wytwarzać wiarygodność, przy czym AI wzmacniałaby nieprawdę dodatkowymi rekomendacjami.

3: Generowanie cytowań i „osierocone” twierdzenia

Generowanie cytowań, które można nazwać „praniem cytowań”, jest odmianą sieci syntetycznego konsensusu, lecz kładzie większy nacisk na pozorne pochodzenie informacji niż na liczbę powtarzających ją źródeł.

Zmyślone twierdzenie może najpierw pojawić się w mało znanym czasopiśmie branżowym, samodzielnie opublikowanej pracy badawczej lub specjalistycznej publikacji o niewielkim nadzorze redakcyjnym. Następnie mogą je cytować blogi, katalogi i inne publikacje, a każde powtórzenie nadaje pierwotnej tezie nieco więcej pozornej wiarygodności.

Ostatecznie wyszukiwarka AI może natrafić na twierdzenie oddalone o kilka kroków od pierwotnego źródła, być może w skądinąd wiarygodnym artykule cytującym publikację pośrednią. To, co zaczęło się jako bezpodstawna teza, ma teraz historię cytowań, choć żadne z późniejszych odniesień nie stanowi niezależnej weryfikacji.

Istnieje już kilka udokumentowanych przykładów tego procesu, choć większość poprzedza pojawienie się wyszukiwania AI. W jednym głośnym przypadku nastolatek wymyślił przydomek „brazylijski mrównik” dla ostronosa i dodał go do Wikipedii.

Zmyślona nazwa rozpowszechniła się w gazetach i co najmniej jednej książce akademickiej. Ostatecznie sama Wikipedia zacytowała artykuł prasowy jako dowód twierdzenia, które pierwotnie wprowadziła: niemal idealny obieg sfabrykowanego autorytetu. Historię udokumentował The New Yorker.

Bardziej celowa demonstracja miała miejsce w 2025 roku, gdy naukowcy stworzyli kilka artykułów akademickich wygenerowanych przez AI i przypisanych nieistniejącemu badaczowi. Fikcyjne publikacje zgromadziły 380 cytowań oraz indeks h równy 19 w Google Scholar, zapewniając zmyślonemu naukowcowi pozornie szanowaną pozycję akademicką. Eksperyment, opisany w należącym do Nature czasopiśmie Scientific Reports, pokazuje, jak można wytwarzać liczby cytowań bez odpowiadającego im dorobku rzeczywistych badań.

Żaden z tych przypadków nie dowodzi udanego ataku na wyszukiwarkę AI. Oba pokazują jednak zasadniczą słabość: kiedy fałszywą tezę powielą pozornie wiarygodne źródła, kolejne systemy mogą mieć problem z odróżnieniem niezależnego potwierdzenia od wielokrotnego obiegu jednej fikcji. Szczególne zagrożenie dla wyszukiwania AI polega na tym, że model może streścić łańcuch odniesień jako wzajemnie potwierdzające się dowody, nie rozpoznając, że wszystkie pozorne autorytety prowadzą do tego samego niezweryfikowanego twierdzenia.

4: Przejmowanie autorytetu

Wygasłe domeny mogą zachowywać pozorną wiarygodność, linki przychodzące i widoczność w wyszukiwarkach dawnych właścicieli. Zakup takich adresów i wypełnienie ich nowymi materiałami może sprawić, że niedawno wprowadzone twierdzenia będą wyglądać na pochodzące z uznanych publikacji. Praktyka ta sięga 20–30 lat wstecz. Autorytet wygasłej lub porzuconej domeny często kupuje się po to, by przekształcić jej treść w materiały tematycznie pokrewne, lecz skomercjalizowane.

W 2024 roku wpływowy blog kobiecy The Hairpin, zamknięty w 2018 roku, pojawił się ponownie pod nowym właścicielem jako fabryka treści generowanych przez AI. Oryginalne artykuły mieszały się z przeredagowanymi materiałami i fikcyjnymi nazwiskami autorów, wykorzystując reputację i autorytet domeny niegdyś cenionej publikacji. Choć nie jest to udowodniony atak na wyszukiwanie AI, przypadek pokazuje, jak można zawłaszczyć historię uznanej witryny.

Choć kopie archiwalne mogą ujawnić różnicę między autentyczną przeszłością domeny a jej nowymi, sfabrykowanymi treściami, nawet taki dowód niekoniecznie jest trwały. W 2002 roku Internet Archive usunęło kopie stron krytycznych wobec scjentologii po skargach prawników organizacji dotyczących praw autorskich, początkowo sugerując, że o usunięcie prosili sami właściciele witryn.

Do 2017 roku Wayback Machine stosował reguły wykluczania witryn wstecznie, co potencjalnie pozwalało nowym właścicielom domen ukrywać treści poprzedników. Chociaż praktykę tę zarzucono, Internet Archive nadal rozpatruje wnioski o usuwanie historycznych kopii.

5: Wykorzystywanie repozytoriów akademickich

Repozytoria akademickie oferują kolejną drogę do pozornego autorytetu. Serwery preprintów pozwalają naukowcom publikować prace przed recenzją naukową, a wyszukiwarki i systemy wyszukiwania informacji oparte na AI mogą napotykać te dokumenty obok uznanej literatury naukowej.

Problem w tym, że publikacja i weryfikacja nie są tym samym. W 2024 roku badacze pokazali, jak złośliwe instrukcje osadzone w artykułach akademickich mogą manipulować asystentami AI przetwarzającymi te dokumenty. Ich praca wykazała, że pozorna wiarygodność artykułu naukowego nie zapobiega wykorzystaniu jego treści do wpływania na system AI.

Mniej rzucająca się w oczy strategia GEO polegałaby na deponowaniu wiarygodnie wyglądających, lecz marginalnych badań, które wielokrotnie łączą firmę, produkt lub osobę z określoną wiedzą ekspercką. Nawet bez wyraźnych instrukcji dla AI taki materiał mógłby dostarczać pozornie naukowego poparcia twierdzeniom pochodzącym od samego beneficjenta.

Podsumowanie

Inne potencjalne drogi obejmują infiltrację ekosystemu recenzji, czyli umieszczanie przychylnych ocen w porównywarkach i katalogach oprogramowania; manipulowanie grafami wiedzy, czyli zmienianie danych strukturalnych w celu tworzenia mylących powiązań między firmami, produktami i kompetencjami; oraz wielojęzyczne pranie reputacji, czyli lokowanie twierdzeń promocyjnych w mniej kontrolowanych źródłach obcojęzycznych.

Wreszcie agentowa optymalizacja GEO mogłaby zautomatyzować te techniki poprzez wielokrotne testowanie treści w wyszukiwarkach AI i udoskonalanie wariantów przynoszących pożądane rekomendacje.

Opublikowano po raz pierwszy w poniedziałek 12 października 2026 roku. W ciągu trzydziestu minut poprawiono wielkie litery w nagłówkach i brakujące znaczniki.