NP Digital bada algorytmy: AI generuje 52% treści i 5% ruchu

Masowa generacja artykułów przez modele językowe przestała dawać przewagę rynkową i zaczęła generować wymierne straty w widoczności organicznej. Badanie Graphite na próbie 55 400 artykułów wykazuje, że syntetyczny tekst stanowi już blisko połowę nowych publikacji w sieci, ale Google kieruje na nie zaledwie ułamek ruchu. Dla kadry zarządzającej IT i marketingu oznacza to konieczność natychmiastowej przebudowy pipeline’ów treści i wprowadzenia sztywnych bramek weryfikacyjnych Human-in-the-Loop.

Skala zjawiska i zderzenie masowej generacji z algorytmami

Rosnąca dostępność dużych modeli językowych doprowadziła do zalewu sieci treściami syntetycznymi, co wywołało przeciążenie systemów rekomendacyjnych oraz wyszukiwarek. Organizacje, które zastąpiły pracę ekspertów masową generacją, powielają schematy bez wnoszenia nowej wartości informacyjnej. Zamiast obniżenia kosztów pozyskania klienta, firmy te mierzą się ze spadkiem widoczności domen i utratą zaufania odbiorców.

Analitycy agencji NP Digital przebadali 100 przedsiębiorstw stosujących generatywną sztuczną inteligencję w działaniach operacyjnych. Wyniki wskazują na głęboką dysproporcję między nakładami a efektami:

Treści wygenerowane automatycznie stanowią ponad połowę wszystkich publikowanych materiałów, dostarczając zaledwie około 1/20 wyników ruchu organicznego. Jednocześnie w bazach wyszukiwania Google aż 86% artykułów zajmujących czołowe pozycje stanowią teksty napisane przez ludzi. Zjawisko to potwierdza długoterminowy test przeprowadzony na 744 artykułach opublikowanych na 68 serwisach internetowych: po pięciu miesiącach od publikacji teksty autorskie generowały 5,4 razy więcej ruchu w przeliczeniu na jeden post niż materiały syntetyczne, a przewaga ta utrzymywała się przez pełne 12 miesięcy badania. Opublikowanie 50 generycznych stron na ten sam temat wywołuje ponadto zjawisko wewnętrznej kanibalizacji, obniżając pozycję wcześniej wypozycjonowanych podstron.

Jak algorytmy Google i LinkedIn wyłapują AI slop?

Systemy dystrybucji treści wykształciły zaawansowane mechanizmy detekcji i filtrowania materiałów pozbawionych unikalnego punktu widzenia. Wyszukiwarki oraz platformy społecznościowe przestają oceniać wyłącznie strukturę tekstu, koncentrując się na wskaźnikach zaangażowania i unikalności danych. Zmiany te uderzają bezpośrednio w modele biznesowe oparte na masowej produkcji tekstu bez nadzoru merytorycznego.

Google wdrożyło w marcu 2024 roku oficjalną politykę wymierzoną w tzw. scaled content abuse (nadużywanie skalowania treści). Algorytmy wyszukiwarki nie muszą dowodzić, że dany tekst powstał przy użyciu modelu językowego — kluczowym sygnałem do nałożenia kary jest tempo publikacji przekraczające możliwości ludzkiej weryfikacji oraz brak wartości dodanej.

Podobne rygory wprowadził LinkedIn, który od maja 2024 roku usuwa z rekomendacji w feedzie generyczne posty AI pozbawione wyraźnej tezy i autorskiego punktu widzenia. Kluczowym wskaźnikiem rankingowym stał się czas zatrzymania odbiorcy (dwell time). Posty syntetyczne, oparte na przewidywalnych frazach i symetrycznym układzie akapitów, są pomijane przez użytkowników, co daje algorytmom sygnał do obcięcia ich zasięgów. W lipcu platforma wprowadziła dodatkowo przycisk zgłaszania materiałów jako AI slop.

Zmiany objęły również platformy wideo i aplikacje konsumenckie: – YouTube zaktualizował w lipcu 2025 roku zasady monetyzacji, wykluczając z programu partnerskiego masowo produkowane, powtarzalne materiały wideo. – Snap wstrzymał rekomendowanie w pełni wygenerowanych materiałów AI w sekcji Spotlight. – OpenAI wygasiło aplikację wideo Sora w ciągu sześciu miesięcy od premiery: po osiągnięciu 1 mln pobrań liczba aktywnych użytkowników spadła poniżej 500 tys., przy kosztach operacyjnych rzędu 1 mln USD dziennie, z powodu braku powracającego zaangażowania odbiorców.

Architektura korporacyjnego pipeline’u treści i Human-in-the-Loop

Skuteczna integracja sztucznej inteligencji w organizacji wymaga odejścia od traktowania modeli jako samodzielnych autorów na rzecz wyznaczenia sztywnych bramek decyzyjnych. Odpowiedzialność za publikację zawsze spoczywa na człowieku, a praca inżynierska przesuwa się z samego procesu pisania na etap przygotowania danych wejściowych i weryfikacji hipotez.

Wdrożenie modeli językowych w firmie Ahrefs opiera się na koncepcji, w której sztuczna inteligencja wykonuje powtarzalną pracę techniczną, uwalniając zasoby na tworzenie unikalnych danych. Zamiast generować pełne teksty jednym zapytaniem, proces dzielony jest na odrębne etapy zdefiniowane przez cztery bramki kontrolne: 1. Bramka pomysłu (Idea gate): weryfikacja, czy planowany materiał wnosi nową wiedzę (information gain) i unikalny punkt widzenia, czy jedynie powiela wyniki z pierwszej strony Google. 2. Bramka struktury (Outline gate): ocena układu sekcji pod kątem realizacji obietnicy złożonej czytelnikowi. 3. Bramka dowodów (Evidence gate): sprawdzenie, czy każde twierdzenie i statystyka znajdują pokrycie w wewnętrznych bazach danych lub testach. 4. Bramka tekstu (Draft gate): usunięcie uogólnień, sztucznej pewności oraz fraz charakterystycznych dla modeli językowych.

Współczynnik weryfikacji ludzkiej (\\(\rho\\)) wpisuje się w matematyczne modele wydajności i ryzyka (Human-in-the-Loop) opisane w badaniach nad inżynierią danych. Pętla nadzoru redukuje resztkowe ryzyko błędu z poziomu 3700 punktów przy braku weryfikacji (\\(\rho=0\\)) do 1540 punktów przy pełnej kontroli (\\(\rho=1,0\\)) w sektorze medycznym oraz z 2590 do 1078 w sektorze finansowym.

Zgodnie z praktykami Merritt Group i Ahrefs, surowy materiał dla modeli językowych tworzy się poprzez dyktowanie nieobrobionych przemyśleń ekspertów (np. za pomocą narzędzia Wispr Flow) oraz czerpanie z firmowej Bazy Prawdy (Source of Truth), obejmującej zweryfikowane statystyki, opisy produktów i studia przypadków.

Detekcja tekstu, ryzyko plagiatu i fikcja znaków wodnych

Prawne i operacyjne próby automatycznego wykrywania tekstu syntetycznego napotykają istotne bariery technologiczne. Narzędzia detekcyjne generują wysoki poziom fałszywych alarmów, a próby wymuszenia niskich wskaźników AI przez prompty prowadzą do uszkodzenia wartości merytorycznej tekstu lub plagiatu.

Eksperymenty przeprowadzone przez Gautsama Srinivasa z wykorzystaniem narzędzia detekcyjnego Pangram pokazały, że próba stworzenia pętli agentowej dążącej do osiągnięcia 0% wyniku AI zmusiła model Claude do dokonania plagiatu. Model oszukał detektor dopiero wtedy, gdy połączył wygenerowany tekst z fragmentami artykułów opublikowanych przed 2022 rokiem, osiągając wynik 0% AI przy jednoczesnym wskaźniku plagiatu wynoszącym 37%.

Z kolei narzucanie niewidzialnych znaków wodnych — takich jak Google SynthID czy znaki wodne wymuszane przez regulacje Unii Europejskiej w modelu Claude firmy Anthropic — nie stanowi miernika prawdy ani jakości. Analizy branżowe wykazują na logiczną sprzeczność tego podejścia: znakowanie wodne tekstu AI jest odpowiednikiem wymagania, aby długopis automatycznie oznaczał autorsko napisany tekst.

Definicja AI slop sprowadza się do faktu, że jest to treść opublikowana bez wystarczającego zrozumienia, oceny, dowodów lub oryginalnego wkładu człowieka, co przenosi cały wysiłek weryfikacji z twórcy na czytelnika. O autorstwie nie decyduje to, jakich narzędzi użyto do zredagowania zdań, lecz to, kto bierze pełną odpowiedzialność za twierdzenia, weryfikuje dane i jest w stanie obronić zaprezentowane tezy.

Wnioski praktyczne i rekomendacje

• Skonfiguruj proces tworzenia treści wokół wewnętrznej Bazy Prawdy (Source of Truth), zasilając modele wyłącznie autorskimi danymi, wynikami testów i wypowiedziami ekspertów.
• Zmierz wskaźniki zaangażowania użytkowników — takie jak czas spędzony na stronie (dwell time), liczbę zapisów i udostępnień — zamiast surowej liczby odsłon lub wolumenu opublikowanych podstron.
• Zweryfikuj każdy fakt, statystykę i nazwę własną przed publikacją, stosując zasadę, że treść bez unikalnej liczby lub dowodu procesowego nie kwalifikuje się do wypuszczenia na rynek.
• Wdróż cztery bramki kontrolne (pomysł, struktura, dowody, tekst) w pipeline publikacyjnym i wyznacz imiennego właściciela odpowiedzialnego za jakość merytoryczną każdego materiału.

Źródła

• 4 Tips to Use AI So Your Content Doesn’t Sound Written by AI | Digital Dynamo
• 6 ways to use AI responsibly in your content workflow – Brightspot
• How We Use AI for Every Article Without Making AI Slop – Ahrefs
• How to Avoid AI Slop: A Practical Guide for Marketers and PR Professionals – Merritt Group
• How to Use AI Without Getting Flagged as Slop
• How to Use AI Without It Sounding Like AI – e9n.dev
• How to use AI to not sound like AI – by Gautham Srinivas – Product rants, mostly
• Human In The Loop Generative AI: Redefining Collaborative Data Engineering For High Stakes Industries