Fabrykowane źródła (manufactured sources): jak sprawdzić, czy AI cytuje prawdziwe dane

Krótka odpowiedź: fabrykowane źródła (ang. manufactured sources) to strony pisane nie dla ludzi, tylko dla wyszukiwarek AI: tysiące podstron typu „najlepsze narzędzia do X" i „statystyki o Y" z liczbami bez pochodzenia, ułożone tak, żeby Perplexity, ChatGPT albo AI Overviews w Google wzięły je za źródło. Raport Trellner Research z 2 września 2026 policzył, że w 380 kategoriach oprogramowania 59,8% cytowań Perplexity prowadzi do domen spoza 100 tysięcy najpopularniejszych w sieci, a 23,4% do domen spoza pierwszego miliona. Jeśli podejmujecie decyzje na podstawie odpowiedzi czatu, sprawdzajcie źródło, nie odpowiedź.

Co to są fabrykowane źródła

Wyszukiwarka AI nie odpowiada z pamięci. Najpierw szuka stron, potem streszcza je i podaje jako źródła. To otworzyło nową furtkę: zamiast przekonać człowieka, wystarczy przekonać model, że dana strona jest „faktem". Powstały więc serwisy, które publikują dziesiątki tysięcy podstron o identycznej budowie, z liczbami podanymi jako pewnik, bez badań i bez autora. W tytułach HTML niektórych z nich stoi wprost: „Facts & Grounding Page", czyli strona faktów do „uziemienia" modelu.

Branża nazywała to grounding pages albo citation farming. Trellner użył ostrzejszego określenia: manufactured sources, fabrykowane źródła. Różnica wobec zwykłego SEO jest zasadnicza. Strona pod Google musi jeszcze przejść przez oczy czytelnika, który kliknie i oceni. Strona pod Perplexity nie musi. Wystarczy, że model ją zacytuje, a użytkownik zobaczy tylko streszczenie z numerkiem przypisu.

Co pokazał raport Trellner

Trellner Research zadał Perplexity (modele sonar i sonar-pro przez OpenRouter) to samo pytanie w 380 kategoriach oprogramowania: „jakie narzędzie polecasz". Dane zebrano 2 września 2026, domeny sprawdzono względem listy Tranco z 1 września i archiwum Wayback Machine. Wyniki:

• 7 534 cytowania do 2 055 różnych domen; mediana pozycji cytowanej domeny w rankingu Tranco to 71 611.
• 59,8% cytowań prowadzi do domen spoza pierwszych 100 tysięcy, 23,4% do domen spoza pierwszego miliona.
• Trzy bliźniacze serwisy (worldmetrics.org, gitnux.org, wifitalents.com), zarejestrowane między grudniem 2023 a majem 2024, mają w mapach witryn odpowiednio 103 578, 107 083 i 105 541 adresów, z czego łącznie 215 128 to podstrony „/best/". Zebrały 181 cytowań, czyli 2,4% wszystkich, w 41 kategoriach.
• Serwis guideflow.com (pozycja 177 039 w Tranco) został zacytowany 194 razy w 96 z 380 kategorii, za każdym razem inną podstroną bloga.
• Oba modele zwróciły bajt w bajt tę samą listę źródeł w 289 z 380 kategorii. To znaczy, że manipulacja działa na oba naraz.
• 17 cytowanych domen (1,1%) już nie istnieje, a 92 (6,1%) przekierowują na inną domenę.

Raport, dane i skrypty są dostępne na licencji CC BY 4.0: trellner.com/reports/manufactured-sources-behind-ai-recommendations. Wątek na Hacker News (item 49536375) zebrał w dobę ponad 370 punktów i 170 komentarzy.

Jak to działa od kuchni

Schemat powtarza się w każdym opisanym serwisie. Jedna domena, jeden szablon, generator, który dla każdej frazy „najlepszy software do X" wypluwa stronę z listą 10 narzędzi i kilkoma „statystykami". W podpisach autorów zostają niewyrenderowane zmienne szablonu w rodzaju „Within the next 26 days", bo nikt tych stron nie czyta przed publikacją. Serwisy dzielą tę samą infrastrukturę: te same pary serwerów nazw, to samo konto Cloudflare, ten sam kod śledzący.

Jeden z komentujących na Hacker News opisał jeszcze precyzyjniejszą wersję: firmy liczą, jak bardzo ich tekst różni się od tego, co sam model by napisał, i przepisują go tak, żeby różnica malała. Model chętniej cytuje tekst, który brzmi jak on sam. To już nie jest pisanie dla czytelnika. To jest strojenie tekstu pod funkcję kosztu.

Czy samemu raportowi można wierzyć

Uczciwie: nie do końca wiadomo, kim jest Trellner Research. Raport nie podaje nazwisk autorów, a kilku komentujących na Hacker News zwróciło uwagę, że poprzednie publikacje tego samego zgłaszającego wyglądają na wygenerowane przez model. Byłaby to ironia losu: raport o fabrykowanych źródłach, który sam jest fabrykowanym źródłem.

Dlatego zanim napisaliśmy ten tekst, sprawdziliśmy to, co da się sprawdzić. Liczby powyżej pochodzą z samego raportu i z dołączonego zbioru danych, nie z cudzych streszczeń. Metodyka jest opisana na tyle dokładnie, że da się ją powtórzyć. Trzy wymienione serwisy istnieją, mają opisane mapy witryn i wspomniane błędy szablonu. Wnioski o skali zjawiska w całej sieci traktujcie jednak jako hipotezę: badanie dotyczy jednej wyszukiwarki, jednego typu pytań i jednego dnia.

Sześć sygnałów, że źródło jest fabrykowane

Gdy czat podaje Wam liczbę z przypisem, kliknijcie w przypis i sprawdźcie:

1. Wiek domeny. Domena zarejestrowana w ostatnich dwóch latach, a w mapie witryny sto tysięcy podstron. Ludzie tyle nie piszą.
2. Do kogo mówi strona. Tytuł albo opis w kodzie strony adresowany do „systemów wyszukiwania" lub „modeli", nie do czytelnika. Fraza „grounding page" w tytule to gotowy dowód.
3. Ślady szablonu. Identyczny układ na każdej podstronie, nazwiska autorów bez życiorysu, niewyrenderowane zmienne w rodzaju „within the next N days".
4. Pochodzenie liczby. Statystyka bez odnośnika do badania, bez roku, bez próby. Zdanie „według badań 73% firm…" bez nazwy badania nie jest źródłem.
5. Udział stron „najlepsze". Jeśli większość adresów w witrynie zaczyna się od „/best/" albo „/top/", to nie jest redakcja, tylko generator.
6. Kto stoi za domeną. Brak danych firmy, brak adresu, brak osoby odpowiedzialnej. Serwis, który nie chce być znaleziony, nie chce też odpowiadać za treść.

Dwa z tych sygnałów naraz wystarczą, żeby liczbę odrzucić i poszukać pierwotnego źródła: urzędu statystycznego, ustawy, badania z opisaną próbą.

Co to oznacza dla firm

Coraz więcej decyzji zakupowych zaczyna się od pytania do czatu: jaki system CRM, jaki dostawca, ile firm w naszej branży już używa AI, od kiedy obowiązuje przepis. Jeśli odpowiedź stoi na fabrykowanym źródle, dostajecie ranking ułożony przez tego, kto najwięcej wygenerował, i liczbę, która nie istnieje. Trzy praktyczne zasady:

• Do decyzji z pieniędzmi lub prawem w tle wymagajcie pierwotnego źródła. Jeśli czat nie potrafi go wskazać, odpowiedź jest opinią, nie faktem.
• Przy porównaniach dostawców sprawdzajcie, czy cytowane strony nie należą do jednego z porównywanych. Raport pokazał, że jedna domena potrafi być źródłem w co czwartej kategorii.
• Jeśli używacie AI wewnątrz firmy, dajcie jej dostęp do własnych dokumentów i danych zamiast do otwartej sieci. Odpowiedź z Waszej umowy, Waszej bazy i Waszego regulaminu ma źródło, które znacie.

Jak my publikujemy dane, żeby dało się je sprawdzić

Nie chcemy być po drugiej stronie tej historii, więc trzymamy się kilku reguł. Dane własne publikujemy w całości: nasz monitor zamówień na AI finansowanych ze środków publicznych ma plik CSV z każdym ogłoszeniem, także tymi odrzuconymi, z kolumną „dotyczy_ai", żeby dało się sprawdzić klasyfikację, a nie tylko jej wynik. Licencja CC BY 4.0, metodyka opisana, aktualizacja codzienna z datą.

Fakty o firmie i o rynku zebraliśmy na dwóch stronach źródłowych: fakty o redAi (dane rejestrowe, liczba wdrożeń czytana na żywo z naszej bazy, z kim nas mylą) i AI w Polsce: fakty i liczby (adopcja wg GUS i Eurostatu, terminy AI Act i polskiej ustawy). Każda pozycja ma jedno zdanie, jedno źródło i datę sprawdzenia. Jeśli fakt się zdezaktualizuje, poprawiamy go w tym samym miejscu. Teksty, które powstają z udziałem AI, mają o tym adnotację na dole strony.

To wolniejsza droga niż sto tysięcy wygenerowanych podstron. Ale kiedy ktoś kliknie w przypis, znajdzie za nim firmę z adresem i liczbę z pochodzeniem.