Először is köszönetet kell mondanom valakinek, akit évek óta ismertem és tiszteltem, hogy egy háttérbeszélgetést kezdeményezett a mesterséges intelligencia és a kognitív terhelés témája körül. Shari Thurow eldobta a linket Nielsen úr cikkéhez, ami arra késztetett, hogy elgondolkodjak, hogyan vonatkozna ez a keresőoptimalizálókra és a mi munkánkra. És mint tudod, a keresés történetének nagy részében az alku egyszerű volt. A kereső adott jelölteket, a többit mi csináltuk. Szavakat választottunk a lekérdezéshez, átvizsgáltuk az eredményeket, oldalakat nyitottunk, összehasonlítottuk a forrásokat, szükség esetén finomítottuk a keresést, és végül összeállítottunk egy választ, amiben hajlandóak voltunk megbízni.
Az AI válaszrendszerek megváltoztatják ezt az elrendezést. A fogyasztó egyre gyakrabban tesz fel kérdést, és a késztermékhez sokkal közelebb állót kap. A visszakeresés, a forrás kiválasztása, az olvasás, az összehasonlítás és a szintézis mind megtörténhet a válasz megjelenése előtt. Ezek egyike sem újdonság azoknak, akik ma komolyan keresnek, de érdekesebb kérdést vet fel, mint hogy az AI megkönnyítette-e a keresést.
Ha a mesterséges intelligencia többet keres a fogyasztó után, hová tűnt a kognitív terhelésük?
A mű nem tűnt el egyszerűen
Ezt a kérdést nehezebbé vált figyelmen kívül hagyni, miután elolvastam Jakob Nielsen legutóbbi cikkét, a Cognitive Load Is a Budget, not an Enemy: Design for the Brain’s 4 Cunks címet. Nielsen keretezése hasznos, mert a kognitív terhelést költségvetésként kezeli, nem pedig olyasvalamiként, amit mindig minimalizálni kellene. A munkamemória korlátozott, nagyjából négy értelmes darab az általa használt modellben, így a tervezési probléma annak eldöntése, hogy mi érdemli meg ezt a korlátozott kapacitást. A feladathoz hozzátartozik némi összetettség. A másik összetettség a körülötte lévő rendszer által létrehozott hulladék.
A hagyományos keresés egyértelműen elköltötte a költségvetés egy részét. Az internetes keresés során a kognitív terhelés eloszlására vonatkozó kutatás azt találta, hogy a kognitív igények a keresési folyamat során változnak, és a lekérdezés megfogalmazása különösen nagy terhelést jelent. Ez intuitív módon értelmezhető mindenki számára, aki látta, ahogy az emberek küzdenek egy bizonytalan igényből néhány hatékony keresőkifejezéssé. De a lekérdezés megfogalmazása csak a kezdet volt. A fogyasztóknak meg kellett ítélniük az eredményeket, meg kellett választaniuk a forrásokat, elolvasniuk a dokumentumokat, egyeztetniük kellett a konfliktusokat, és el kellett dönteniük, hogy mikor van elég információjuk a leálláshoz.
A generatív keresés megváltoztatja, hogy ki végez többet ebből a köztes munkából. Egy 2026-os ACL-tanulmány, amely a hagyományos és a generatív internetes keresést hasonlítja össze, közvetlenül írja le a megkülönböztetést. A hagyományos keresés független oldalak rangsorolt listáját adja vissza, míg a generatív keresés információkat kér le és szintetizálja azokat koherens válaszként. A kutatók jelentős különbségeket találtak a generatív rendszerek között a források sokféleségében, a visszakeresési viselkedésben, a szintézis stratégiájában és a stabilitásban. Más szóval, a gép már nem csak abban segít, hogy a fogyasztó megtalálja az értékelendő anyagot. Egyre nagyobb mértékben vesz részt az értékelési és összeszerelési folyamatban, mielőtt a fogyasztó látná az eredményt.
A Microsoft Research egy kiegészítő mintát talált a valós használatban. A 200 000 anonimizált Bing Copilot beszélgetés elemzéséből kiderült, hogy az információgyűjtés és az írás az egyik leggyakoribb tevékenység, amelyhez az emberek segítséget kértek. A mesterséges intelligencia oldalon a közös tevékenységek közé tartozott a tájékoztatás és segítségnyújtás, az írás, a tanítás és a tanácsadás. A tanulmány a foglalkozási vonatkozásokról szólt, nem kifejezetten a keresési magatartásról, de a munkamegosztás itt hasznos. A felhasználó megtartja a célt, miközben a rendszer több információs munkát végez, amely segíti annak kielégítését.
Az ellenőrzés a szintézis után most megtörténik
Ez olyan inverziót hoz létre, amely többet számít, mint az az ismerős megfigyelés, hogy a mesterséges intelligencia közvetlenül válaszol egy kérdésre. A hagyományos keresés általában bizonyítékokat tárt fel a szintézis előtt. A fogyasztók látták a lehetséges forrásokat, megnyitották azokat, alátámasztó anyagokkal és ellentmondásokkal találkoztak, és a bizonyítékokon való áthaladás közben építettek fel megértést. A folyamat tökéletlen volt, de a forrástól a befejezésig vezető út nagy része látható volt.
Az AI-keresés egyre inkább előtérbe helyezi a szintézist. A fogyasztó összesített választ kap, és a bizonyítékok, amikor lelepleződnek, gyakran utólag megjelennek a rendszer által már megfogalmazott állításokhoz csatolt idézetek vagy linkek formájában. Ez megváltoztatja a feladatot a bizonyítékokból válasz felépítéséről a már létező válasz auditálására.
A különbség azért számít, mert az idézetek még azelőtt befolyásolhatják a bizalmat, mielőtt bárki ellenőrizné, hogy mit támogat. Haiwen Li és Sinan Aral, a mesterséges intelligencia-kutatókba vetett emberi bizalomról végzett nagyszabású kísérletben azt találták, hogy a hivatkozási linkek és hivatkozások növelik a generatív keresési eredményekbe vetett bizalmat még akkor is, ha ezek a hivatkozások helytelenek vagy hallucináltak. Azt is megállapították, hogy azok, akik jobban bíztak az eredményekben, kevesebb időt töltöttek azok értékelésével.
Ez olyan problémát jelent, amelyet érdemes elválasztani az idézet jelenlétéről folytatott szokásos vitától. A hivatkozás csökkentheti a fogyasztó vélt ellenőrzési költségeit anélkül, hogy csökkentené a tényleges ellenőrzési kockázatot. A válasz áttekinthetőbbnek tűnik, de a fogyasztónak továbbra is meg kell határoznia, hogy a hivatkozott anyag alátámasztja-e az állítást, nem hagytak-e ki releváns bizonyítékokat, és hogy a rendszer megfelelően egyeztette-e az ellentmondó forrásokat.
Ez emberi terhelés, nem mesterséges intelligencia pszichológiai probléma
Itt van egy fontos különbségtétel. Az LLM-ek nem tapasztalnak kognitív terhelést. A kognitív terhelés egy emberi pszichológiai fogalom, és ha szó szerint alkalmazzuk egy modellre, egy hasznos keretet hamis idegtudományokká változtatna. Az AI-rendszerek különböző véges megszorításokkal rendelkeznek, beleértve a visszakeresést, a kontextust, a forrás kiválasztását, a versengő információkat, a tokeneket és a kimeneti korlátokat.
A kapcsolat fontos, mert ezek a gépi korlátok befolyásolják azt, amit a fogyasztónak végül értékelnie kell. Amikor egy válaszrendszer kiválasztja a rendelkezésre álló bizonyítékok egy részét, tömöríti azt, és választ generál, a fogyasztó egy olyan folyamat kimenetét ítéli meg, amelyet személyesen nem figyelt meg. Az emberi kognitív teher nem szűnt meg, mert a gép többet vett fel a munkafolyamatból. Megváltoztatta a helyszínt és az időpontot.
Mi történik a tömörítés alatt?
Itt válik érdekessé a kérdés a keresőoptimalizálók, a tartalomstratégiák, a kiadók és mindenki számára, aki az AI által generált válaszokban reményeik szerint felbukkan az információkért. A kérdés nem az, hogy egy LLM képes-e olvasni egy oldalt. Ezek a rendszerek rendkívüli mennyiségű szöveget képesek feldolgozni. A hasznosabb kérdés az, hogy mi történik az információink jelentésével, amikor eltűnik a körülötte lévő oldal.
Vegyünk egy olyan mondatot, mint például: „A konverzió 31%-kal nőtt”. Tömör, közvetlen és könnyen kibontható. Szinte értelmetlen is lehet önmagában. Relatív vagy abszolút volt a növekedés? Mely felhasználók kerültek bele? Mi volt az alapállás? Milyen időszak alatt? Mekkora volt a minta? Javult a mobil, miközben az asztali számítógépek csökkentek? Statisztikailag értelmes volt az eredmény?
Az állítás több olyan kapcsolattól is függhet, amelyek igazzá teszik. Ha elválasztja a mondatot ezektől a kapcsolatoktól, akkor könnyebbé válik az idézet, miközben könnyebbé válik a félreértés.
Ez nem csupán elméleti a visszakereső rendszerekben. A hosszú dokumentumok RAG-jával kapcsolatos kutatások a finomszemcsés darabolás okozta kontextus-töredezettséget problémaként azonosították, mivel ez képes elkülöníteni a darabszemantikát, és megszakítani a kapcsolatokat a dokumentum szakaszai között. Ez nem bizonyítja, hogy egy adott tartalomstruktúra javítja a mesterséges intelligencia idézetét vagy láthatóságát. Ez alátámasztja azt a mögöttes aggodalmat, hogy a visszakeresés el tudja választani az információt a kontextustól, ami segít megőrizni jelentését.
Ez egy hasznos kérdéshez vezet a tartalomtervezés szempontjából: ha az oldal többi része eltűnne, akkor ez a rész továbbra is azt jelenti, amit akartál? Egy összetéveszthetetlen entitás, egy szám, amely megőrzi egységét, egy dátum az eseményhez, amelyet minősít, az általa alátámasztott állításhoz közel őrzött bizonyítékok, valamint a megfigyelés és az értelmezés közötti látható különbségtétel mind önállóbbá teszik a szövegrészt. Ezek nem rangsoroló tényezők. Ezek olyan jellemzők, amelyek kevésbé törékenysé tehetik az információt, ha az eredeti környezetéből nyerik ki.
Amikor az egyszerűsítés máshová viszi a munkát
Nielsen újabb hasznos objektívet ad ennek a problémának a tehermosás ötletével. Az interfész tervezésében a látszólagos egyszerűség félrevezető lehet, ha a látható bonyolultságot eltávolítjuk, de a mögöttes munka csupán átkerül a felhasználó fejébe. A navigáció elrejtése nem szünteti meg a navigáció szükségességét. Egyszerűen helyettesítheti a felismerést felidézéssel.
A jelenlegi tartalmi tanácsokban van egy párhuzam, amelyet érdemes tesztelni. A keresőoptimalizálóknak és a megjelenítőknek gyakran azt mondják, hogy válaszoljanak hamarabb, írjanak kevesebbet, távolítsák el a részleteket, és agresszíven egyszerűsítsenek. Néha ez kiváló tanács. A szükségtelen prózával körülvett közvetlen válasz továbbra is szükségtelen próza. De a szavak eltávolítása nem ugyanaz, mint az információs függőség megszüntetése.
Ha egy minősítés határozza meg, hogy az állítás mikor igaz, akkor ez a minősítés továbbra is számít. Ha egy számhoz egység szükséges, az egység továbbra is számít. Ha a kronológia megváltoztatja az értelmezést, a dátumok továbbra is számítanak. Amikor ezek a kapcsolatok eltűnnek, a bonyolultság nem feltétlenül szűnik meg. Előfordulhat, hogy a válaszrendszernek máshonnan kell előkeresnie a hiányzó kontextust, következtetnie kell rá, ki kell hagynia, vagy hiányos reprezentációt kell készítenie.
A cél tehát nem a maximális egyszerűség. A tömörítés az, amely megőrzi az információ pontosságához szükséges kapcsolatokat. Ez szigorúbb szabvány, mint egy szakasz könnyen áttekinthetővé tétele, és különbözik a géphez való írástól.
Szóval, hová tűnt a kognitív terhelés?
Egy része valóban elment. A fogyasztók kevesebb erőfeszítést költhetnek az eredményoldalak navigálására, a dokumentumok megnyitására, a források összehasonlítására és a válaszok kézi összeállítására. Ez valódi érték, és furcsa lenne ennek ellenkezőjét tenni.
A terhelés egy része megváltoztatta a formáját. A társalgási felület megkönnyítheti a mögöttes igények kifejezését, mintha ezt az igényt néhány kulcsszóba szorítaná, bár az összetett feladatok még mindig gondos megfogalmazást igényelnek. Ennél is fontosabb, hogy a teher egy része lefelé mozdult el. Az ítélkezés és az ellenőrzés akkor válik fontosabbá, ha a válasz már összeszerelve érkezik, és a fogyasztó nem volt személyes szemtanúja az azt eredményező forráskiválasztási és szintézis folyamatnak.
Ez a változás megváltoztatja a SEO problémát is. Az információ megtalálásának segítése továbbra is számít, de a visszakeresés már nem jelenti az út végét. Információinkat darabokra szedve, más forrásokkal kombinálva, kisebb válaszba tömörítve a fogyasztó elé tárhatjuk, akinek el kell döntenie, hogy a válasz megérdemel-e bizalmat.
Ha a keresés abbahagyja, hogy az emberek annyit tegyenek maguknak a keresésből, jobban kell törődnünk azzal, hogy az információink milyen mértékben maradhatnak fenn helyettük. A felmerülő kihívás nem egyszerűen az, hogy a tartalom könnyebben olvasható legyen az AI számára. Ez megnehezíti a jelentés elvesztését a visszakeresés és a hit között.
Ez a bejegyzés eredetileg a Duane Forrester Decodes oldalon jelent meg.
