Ograniczenia modeli językowych AI: czego nie rozumie Google?

Kamil Rybicki · Opublikowano: 25 stycznia 2021 · Zaktualizowano: 31 lipca 2026

Modele językowe, od BERT po dzisiejsze systemy oparte na Gemini czy GPT, najgorzej radzą sobie z tym samym, z czym miały problem lata temu. Chodzi o ironię, świeżo ukute znaczenia słów i zdania, których sensu nie da się wyprowadzić z samej gramatyki. Składnię rozpoznają dziś niemal bezbłędnie, semantyka, czyli faktyczne znaczenie i intencja stojąca za tekstem, wciąż bywa dla nich zgadywanką. Im mniej dwuznaczności zostawia tekst, tym łatwiej algorytmowi wyszukiwarki i asystentowi AI poprawnie go zinterpretować, zaindeksować i zacytować w odpowiedzi.

Co to jest model językowy i po co Google go używa

Model językowy to system, który na podstawie dużych zbiorów tekstu uczy się przewidywać, jakie słowo, zdanie albo odpowiedź najlepiej pasuje do zadanego kontekstu. Google korzysta z takich modeli, żeby zrozumieć zapytanie użytkownika mimo błędów, skrótów myślowych i języka potocznego, a nie tylko dopasować słowa kluczowe do treści strony.

Język naturalny, czyli polski, angielski czy każdy inny język używany na co dzień, nie powstał w jednym momencie i nie ma sztywnych reguł. Ewoluuje, zmienia znaczenie słów i toleruje wieloznaczność. Język formalny, na przykład kod programu, jest tworem przeciwnym: precyzyjnym, jednoznacznym i pozbawionym miejsca na interpretację. Komputer od dawna radzi sobie świetnie z językiem formalnym. Z naturalnym ma problem, bo żeby poprawnie zareagować na zapytanie, musi nie tylko rozpoznać słowa, ale też odgadnąć, co użytkownik faktycznie miał na myśli.

Pierwsze modele wyszukiwarki opierały się na statystyce: liczyły, jak często dane słowa występują obok siebie, i na tej podstawie zgadywały najbardziej prawdopodobne dopasowanie. Dzisiejsze modele, w tym te stojące za Gemini, ChatGPT czy Claude, opierają się na sieciach neuronowych analizujących całe zdania i akapity naraz, a nie pojedyncze słowa w oderwaniu od reszty tekstu. To zasadnicza różnica w tym, jak dobrze radzą sobie z niejednoznacznością.

Jakich zjawisk językowych modele AI wciąż nie rozumieją do końca

Nawet najnowsze modele językowe najczęściej mylą się przy sześciu zjawiskach: wieloznaczności słów, homonimach, synonimach, wyrażeniach idiomatycznych, zależności od szerszego kontekstu oraz odniesieniach zaimkowych. Żadnego z tych problemów nie rozwiązano do końca, zmieniła się tylko skuteczność radzenia sobie z nimi.

• Polisemiczność. Słowo „zamek” może oznaczać zamek błyskawiczny, budowlę albo mechanizm w drzwiach. Podobnie angielskie „book” bywa rzeczownikiem albo czasownikiem oznaczającym rezerwację. Bez szerszego kontekstu maszyna musi zgadywać, o który wariant znaczeniowy chodzi.
• Homonimiczność. Identyczne brzmienie i pisownia, zupełnie inne znaczenie, bez żadnego związku między nimi. Słowo „funkcja” może dotyczyć pełnionej roli, pojęcia matematycznego albo własności produktu.
• Synonimiczność. Wyszukiwarka wciąż czasem inaczej traktuje frazę i jej bliski synonim, mimo że dla człowieka znaczą dokładnie to samo. Modele osadzania słów zmniejszyły ten problem, ale go nie zamknęły.
• Idiomatyczność. Konstrukcji typu „it rains cats and dogs” nie da się przełożyć dosłownie. Znajomość każdego pojedynczego słowa w takim zdaniu nic nie daje bez świadomości, że całość jest przenośnią.
• Kontekstowość. W zdaniu „Weronika pożyczyła samochód” nie wiadomo bez dodatkowego kontekstu, czy to ona komuś pożyczyła auto, czy sama je pożyczyła od kogoś. Rozpoznanie intencji wymaga więcej niż analizy gramatycznej.
• Koreferencja. W zdaniu „Wyjął ser z lodówki i położył go na kanapkę” trzeba prawidłowo skojarzyć zaimek „go” z serem, a nie z lodówką. Teksty z dużą liczbą zaimków i odniesień wciąż potrafią zgubić nawet zaawansowany model.

Dla kompetentnego użytkownika języka te rozróżnienia są podświadome i natychmiastowe. Dla maszyny każde z nich to osobne zadanie obliczeniowe, które trzeba było się nauczyć rozwiązywać na milionach przykładów, i które nadal czasem kończy się błędem.

Czy sztuczna inteligencja naprawdę rozumie tekst, czy tylko go przewiduje

Nie w takim sensie, w jakim rozumie go człowiek. Model językowy dopasowuje wzorce statystyczne i zwraca odpowiedź, która z dużym prawdopodobieństwem pasuje do kontekstu, ale nie dysponuje wiedzą o świecie w sposób, w jaki dysponuje nią człowiek piszący o przedmiocie, który zna z doświadczenia. Ten spór toczy się w informatyce i filozofii od dekad, a dwa klasyczne eksperymenty myślowe dobrze pokazują, na czym polega różnica.

W latach pięćdziesiątych ubiegłego wieku Alan Turing zaproponował test sprawdzający, czy maszyna potrafi w rozmowie tekstowej przekonać człowieka, że rozmawia z drugą osobą. Zdolność do imitowania konwersacji miała świadczyć o inteligencji maszyny. John Searle podważył ten wniosek eksperymentem myślowym znanym jako chiński pokój. Człowiek zamknięty w pokoju, nieznający języka chińskiego, otrzymuje kartki ze znakami i, posługując się książką reguł, zwraca poprawne odpowiedzi po chińsku, mimo że nie rozumie ani jednego słowa. Potrafi przejść test Turinga, a mimo to nie zna języka, bo brakuje mu świadomości znaczenia, nie tylko reguł składniowych.

Argument Searle’a przekłada się wprost na dzisiejsze duże modele językowe. Analizowały one miliardy słów i potrafią zwracać poprawne, płynne odpowiedzi, co nie jest tym samym, co rozumienie treści w ludzkim sensie. W pracy „Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data” Emily Bender i Alexander Koller argumentują, że modele językowe uczą się formy i prognozowanego znaczenia, a nie znaczenia rzeczywistego, osadzonego w doświadczeniu. Ta krytyka powstała w kontekście BERT, a dziś dotyczy w równym stopniu znacznie większych modeli generatywnych, bo mechanizm uczenia się pozostaje ten sam: przewidywanie kolejnego elementu tekstu na podstawie wzorców z danych treningowych.

Ewolucja modeli językowych Google: od n-gramów do Gemini

Google przechodził przez kilka wyraźnie odróżnialnych generacji technologii językowej, a każda kolejna radziła sobie z kontekstem lepiej niż poprzednia.

Przy premierze BERT firma szacowała, że zmiana obejmie około 10% zapytań w języku angielskim, co jak na pojedynczą aktualizację algorytmu było wynikiem dużym. Kolejne modele nie były już ogłaszane z podobnym wskaźnikiem, bo ich wpływ rozkłada się inaczej: nie tyle zmieniają kolejność wyników, ile zmieniają samą formę odpowiedzi, którą widzi użytkownik, co Google Search Central opisuje w dokumentacji funkcji AI w wyszukiwarce.

Co BERT i AI Overview zmieniły w wynikach wyszukiwania

BERT sam w sobie nie przetasował wyników wyszukiwania, poprawił głównie trafność odpowiedzi na zapytania nowe i długie. AI Overview zmieniło coś innego i dużo bardziej odczuwalnego dla właścicieli stron: część użytkowników dostaje odpowiedź bezpośrednio w wynikach wyszukiwania i nie klika w żaden link.

Klasycznym przykładem błędu sprzed epoki kontekstowej analizy zapytań bywa historia z połowy poprzedniej dekady, gdy pytanie o to, co spotkało dinozaury, potrafiło wyeksponować nienaukową odpowiedź z serwisu religijnego zamiast wyjaśnienia opartego na dowodach paleontologicznych. Kontekstowa analiza zapytań ograniczyła skalę takich pomyłek, choć całkowicie ich nie wyeliminowała.

W badaniu na rynku amerykańskim z 2024 roku na 1000 wyszukiwań w Google tylko 374 kończyło się kliknięciem w wynik spoza samej wyszukiwarki, według analizy SparkToro. Dotyczy to przede wszystkim zapytań informacyjnych, na które wyszukiwarka potrafi odpowiedzieć sama, wprost w wynikach. Zapytania transakcyjne i ofertowe tracą znacznie mniej ruchu, bo tam Google nie ma powodu, żeby wybierać za użytkownika konkretnego wykonawcę usługi czy sklep.

Dla firmy oznacza to inny rachunek opłacalności treści niż jeszcze kilka lat temu. Artykuł poradnikowy, który odpowiada na pytanie wyczerpująco, może zyskać wysoką pozycję i mimo to stracić większość ruchu na rzecz odpowiedzi generowanej przez AI. To nie znaczy, że taki tekst nie ma wartości: buduje widoczność marki na etapie, zanim ktoś zacznie szukać konkretnego wykonawcy, i wspiera linkowaniem wewnętrznym te podstrony serwisu, które nadal przyciągają kliknięcia i faktycznie sprzedają. Koszt pozyskania czytelnika na treść czysto informacyjną rośnie, koszt pozyskania klienta na treść ofertową w tym samym stopniu nie rośnie, bo tych zapytań AI Overview w większości nie przejmuje.

Sprawdzenie, czy strona w ogóle trafia do odpowiedzi generowanych przez AI, jest trudniejsze niż sprawdzenie pozycji w klasycznych wynikach. Odpowiedzi asystentów AI są spersonalizowane, więc odpytywanie stałej listy fraz w ChatGPT czy w Gemini nie daje porównywalnego wyniku między sesjami. W praktyce lepiej sprawdza się monitoring ruchu botów AI po stronie serwera oraz analiza odesłań z narzędzi AI w Google Analytics niż próba odtworzenia rankingu, którego te systemy nie budują w sposób stały.

Jak pisać treści, żeby rozumiały je wyszukiwarka i AI

Zgodnie z oficjalnymi komunikatami Google, aktualizacje typu BERT nie są czymś, pod co da się bezpośrednio zoptymalizować konkretną frazę. Da się za to pisać tak, żeby model językowy, czy to w klasycznej wyszukiwarce, czy w asystencie AI, miał jak najmniej okazji do błędnej interpretacji tekstu.

W praktyce sprawdzają się cztery zasady. Po pierwsze, treść powiązana kontekstowo w obrębie całej witryny, nie tylko pojedynczego artykułu, bo model buduje obraz tematu na podstawie wielu podstron naraz. Po drugie, pokrywanie całych grup powiązanych pytań zamiast pojedynczych haseł, co odpowiada naturze zapytań long tailowych. Po trzecie, jednoznaczne sformułowania, które nie zmuszają czytelnika ani modelu do zgadywania, do czego odnosi się zaimek albo o który wariant znaczeniowy słowa chodzi. Po czwarte, struktura ułatwiająca cytowanie: konkretne pytanie i konkretna odpowiedź blisko siebie, opcjonalnie oznaczone danymi strukturalnymi FAQ.

Skala, w jakiej treść powstaje z pomocą modeli językowych, ma dziś większe znaczenie niż samo jej pochodzenie. Serwisy zbudowane niemal wyłącznie na nieredagowanej treści generowanej masowo bywają usuwane z indeksu Google w ciągu kilku tygodni, zwłaszcza gdy takich tekstów są setki, zgodnie z polityką Google dotyczącą spamu w wyszukiwarce. Niewielki udział treści wspieranych przez AI, które przechodzą redakcję i są merytorycznie poprawne, nie ma z tym mechanizmem nic wspólnego. Wytyczne Google dotyczące treści przydatnych dla ludzi wskazują ten sam kierunek: licz się z czytelnikiem, który ma dostać odpowiedź, nie z algorytmem, który ma tę odpowiedź sklasyfikować.

Koszt błędu w tym miejscu jest policzalny. Artykuł, który trzeba pisać od nowa po tym, jak trafił na filtr za jakość treści, kosztuje więcej niż artykuł napisany raz, ale rzetelnie zredagowany. Przy większej liczbie tekstów publikowanych co miesiąc różnica w koszcie utraconej szansy potrafi przewyższyć samą stawkę za redakcję wielokrotnie, bo traci się nie tylko pieniądze na produkcję, lecz także czas, w którym strona w ogóle mogła zbierać widoczność.

Najczęściej zadawane pytania

Czym jest BERT i czy Google wciąż go wykorzystuje?

BERT to model językowy wprowadzony w 2019 roku, który analizuje zapytanie dwukierunkowo i uwzględnia przyimki oraz spójniki, wcześniej pomijane w danych treningowych. Wciąż jest elementem mechanizmów rozumienia zapytań w Google, ale od tego czasu doszły kolejne modele, w tym MUM oraz duże modele generatywne odpowiedzialne za AI Overview. Sam BERT nie jest już ani najnowszą, ani jedyną technologią odpowiadającą za interpretację języka w wyszukiwarce.

Czy można pozycjonować stronę pod konkretny model językowy, na przykład pod BERT?

Nie w sensie technicznej optymalizacji jednego elementu strony, bo Google oficjalnie nie wskazuje niczego konkretnego do zoptymalizowania pod tego typu aktualizacje. Da się za to pisać treści jednoznaczne, spójne kontekstowo w obrębie całej witryny i pokrywające całe grupy powiązanych pytań, co ułatwia poprawną interpretację tekstu każdemu modelowi językowemu, nie tylko jednemu konkretnemu.

Czym różnią się modele takie jak BERT od dzisiejszych asystentów AI, na przykład Gemini czy ChatGPT?

BERT był zbudowany do jednego zadania: lepszego rozumienia zapytania, żeby dopasować do niego istniejące strony w indeksie. Modele generatywne stojące za dzisiejszymi asystentami potrafią dodatkowo samodzielnie sformułować odpowiedź na podstawie wielu źródeł naraz, zamiast tylko wskazać najlepiej dopasowany wynik. Dlatego AI Overview w Google wygląda inaczej niż klasyczna lista linków sprzed 2019 roku.

Jakie błędy językowe wciąż zdarzają się modelom AI?

Najczęściej przy ironii, świeżych znaczeniach słów, idiomach oraz zdaniach, w których trzeba prawidłowo dopasować zaimek do osoby lub przedmiotu wspomnianego wcześniej. Modele radzą sobie dobrze ze składnią, gorzej z sytuacjami wymagającymi wiedzy o świecie wykraczającej poza sam tekst.

Czy AI Overview w Google zmniejsza ruch na stronach informacyjnych?

Tak, w przypadku zapytań czysto informacyjnych, na które wyszukiwarka może udzielić pełnej odpowiedzi sama, w wynikach. We wspomnianym wcześniej badaniu SparkToro na rynku amerykańskim z 2024 roku na 1000 wyszukiwań w Google tylko 374 kończyło się kliknięciem poza samą wyszukiwarkę. Zapytania transakcyjne i ofertowe tracą znacznie mniej ruchu, bo tam użytkownik i tak musi trafić na konkretną stronę, żeby dokonać zakupu lub zamówić usługę.