W sierpniu 2025 roku s\u0105d w Waszyngtonie wyda\u0142 230-stronicowy wyrok w sprawie antymonopolowej przeciwko Google. Dla niekt\u00f3rych to kontynuacja i potwierdzenie tego czego dowiedzieli\u015bmy si\u0119 w wyniku proces\u00f3w w 2023, dla innych by\u0107 mo\u017ce pierwsze spotkanie z tego typu wiadomo\u015bciami. Poni\u017cej zebra\u0142em najwa\u017cniejsze informacje.<\/b><\/p>\n
To co przez lata spekulowali\u015bmy, testowali\u015bmy, teraz mamy czarno na bia\u0142ym, w dokumentach s\u0105dowych. Zag\u0142\u0119bmy si\u0119 w techniczne szczeg\u00f3\u0142y tego, co naprawd\u0119 dzieje si\u0119 „pod mask\u0105” Google.<\/span><\/p>\n Zacznijmy od podstaw. S\u0105d zdefiniowa\u0142 indeks wyszukiwania precyzyjnie:<\/span><\/p>\n „Search Index means any databases that store and organize information about websites and their content that is crawled from the web”<\/span><\/em><\/span><\/p>\n Brzmi prosto? W rzeczywisto\u015bci to monumentalne przedsi\u0119wzi\u0119cie. Google crawluje \u201c<\/span>trillions of web pages\u201d<\/b> (tak, tryliony \u2013 nie liter\u00f3wka). Ale nie wszystkie trafiaj\u0105 do indeksu.<\/span><\/p>\n Tutaj pojawia si\u0119 pierwszy fakt. Dokumenty s\u0105dowe ujawniaj\u0105, \u017ce <\/span>dane o zapytaniach u\u017cytkownik\u00f3w bezpo\u015brednio wp\u0142ywaj\u0105 na to, co Google crawluje i jak cz\u0119sto:<\/b><\/p>\n „Query data helps a GSE understand what web pages to crawl and how frequently. And building and maintaining a comprehensive and fresh search index is essential to answering user queries, especially those of the long-tail variety.”<\/span><\/em><\/span><\/p>\n Co to oznacza w praktyce?<\/b><\/p>\n Je\u015bli u\u017cytkownicy cz\u0119sto szukaj\u0105 informacji z okre\u015blonej tematyki, Google b\u0119dzie cz\u0119\u015bciej crawlowa\u0142 strony z tej bran\u017cy. To p\u0119tla zwrotna \u2013 popularne zapytania = cz\u0119stsze crawlowanie = \u015bwie\u017csze dane w indeksie.<\/span><\/p>\n Z dokument\u00f3w dowiadujemy si\u0119, \u017ce Google u\u017cywa konkretnych sygna\u0142\u00f3w do optymalizacji crawlowania:<\/span><\/p>\n „Google assigns a score to the pages it crawls, and it endeavors to exclude from its web search index pages without value to users, such as spam-heavy or pornographic pages.”<\/span><\/em><\/span><\/p>\n Jeden z najwa\u017cniejszych fragment\u00f3w dokumentu:<\/span><\/p>\n „’Freshness,’ or the recency, of information is an important factor in search quality. GSEs 'need to know how to recrawl sites to make sure that they do at all times have a reasonably fresh copy of the web that you are looking at.”<\/span><\/em><\/span><\/p>\n Google nie crawluje wszystkich stron z t\u0105 sam\u0105 cz\u0119stotliwo\u015bci\u0105. Strony z aktualno\u015bciami \u2013 codziennie, a tre\u015bci evergreen \u2013 rzadziej. System jest dynamiczny i uczy si\u0119 na podstawie tego, jak cz\u0119sto strona faktycznie zmienia zawarto\u015b\u0107.<\/span><\/p>\n Teraz przechodzimy do kluczowej cz\u0119\u015bci. Dokumenty s\u0105dowe opisuj\u0105 szczeg\u00f3\u0142y dw\u00f3ch system\u00f3w Google.<\/span><\/p>\n S\u0105d opisuje Glue jako:<\/span><\/p>\n „Glue is essentially a 'super query log’ that collects a raft of data about a query and the user’s interaction with the response.”<\/span><\/em><\/span><\/p>\n Co dok\u0142adnie zbiera Glue?<\/b><\/p>\n Dokumenty wymieniaj\u0105 cztery kategorie danych:<\/span><\/p>\n „Navboost is a 'memorization system’ that aggregates click-and-query data about the web results delivered to the SERP.”<\/span><\/em><\/span><\/p>\n Navboost mo\u017cna opisa\u0107 jako gigantyczn\u0105 tabel\u0119, kt\u00f3ra zapami\u0119tuje:<\/span><\/p>\n Kluczowa informacja z dokument\u00f3w:<\/b><\/p>\n „Google trains Navboost on 13 months of user data, which is the equivalent of over 17 years of data received by Bing.”<\/span><\/em><\/span><\/p>\n Navboost wykorzystuje <\/span>13 miesi\u0119cy danych o klikni\u0119ciach<\/b>. To oznacza, \u017ce twoje dzia\u0142ania SEO z ostatniego roku wp\u0142ywaj\u0105 na dzisiejszy ranking.<\/span><\/p>\n SCENARIUSZ: U\u017cytkownik szuka „best italian restaurant near me”<\/b><\/p>\n KROK 1 \u2013 ZAPYTANIE<\/b><\/p>\n User \u2192 „best italian restaurant near me”<\/span><\/p>\n Google zbiera: lokalizacja, urz\u0105dzenie, czas<\/span><\/p>\n KROK 2 \u2013 GLUE ZAPISUJE:<\/b><\/p>\n \u2713 Query text: „best italian restaurant near me”<\/span> KROK 3 \u2013 NAVBOOST SPRAWDZA:<\/b><\/p>\n „Dla podobnych zapyta\u0144 w tej lokalizacji o tej porze,<\/span>\u00a0kt\u00f3re restauracje ludzie klikali i nie wracali do wynik\u00f3w?”<\/span> KROK 4 \u2013 RANKEMBED ROZUMIE:<\/b><\/p>\n Analiza semantyczna:<\/span> KROK 5 \u2013 WYNIKI<\/b><\/p>\n Ranking uwzgl\u0119dnia:<\/span><\/p>\n KROK 6 \u2013 U\u017bYTKOWNIK KLIKA:<\/b><\/p>\n Klikn\u0105\u0142: „Ristorante Roma” (pozycja #1)<\/span> KROK 7 \u2013 UCZENIE SI\u0118 SYSTEMU:<\/b><\/p>\n Glue + Navboost zapisuj\u0105:<\/span> NAST\u0118PNYM RAZEM:<\/b><\/p>\n Gdy kto\u015b w podobnej lokalizacji, o podobnej porze, wyszuka podobne zapytanie: \u2192 Ristorante Roma b\u0119dzie <\/span>wy\u017cej w rankingu<\/b> \u2192 Sygna\u0142 wzmocniony dla zapyta\u0144 zwi\u0105zanych z w\u0142oskimi restauracjami \u2192 System „wie”, \u017ce to dobry wynik dla tego typu intencji<\/span><\/p>\n Trzeci kluczowy system to RankEmbed (p\u00f3\u017aniej rozwini\u0119ty do RankEmbedBERT). To model deep learning:<\/span><\/p>\n „RankEmbed and its later iteration RankEmbedBERT are ranking models that rely on two main sources of data: 70 days of search logs plus scores generated by human raters and used by Google to measure the quality of organic search results.”<\/span><\/em><\/span><\/p>\n RankEmbed rozumie znaczenie zapytania, nie tylko s\u0142owa kluczowe:<\/span><\/p>\n „Embedding based retrieval is effective at semantic matching of docs and queries”<\/span><\/em><\/span><\/p>\n Je\u015bli szukasz „jak naprawi\u0107 kran”, RankEmbed wie, \u017ce:<\/span><\/p>\n Dokumenty podkre\u015blaj\u0105 szczeg\u00f3ln\u0105 si\u0142\u0119 RankEmbed:<\/span><\/p>\n „RankEmbed particularly helped Google improve its answers to long-tail queries.”<\/span><\/em><\/span><\/p>\n Long-tail queries to zapytania, kt\u00f3re pojawiaj\u0105 si\u0119 rzadko (mniej ni\u017c 100 razy w ci\u0105gu 12 miesi\u0119cy). Przyk\u0142ady:<\/span><\/p>\n Te zapytania stanowi\u0105 <\/span>ponad 38% wszystkich wyszukiwa\u0144<\/b> (dane z dokumentu, badanie Bing).<\/span><\/p>\n „RankEmbed is trained on 1\/100th of the data used to train earlier ranking models yet provides higher quality search results.”<\/span><\/em><\/span><\/p>\n System u\u017cywa <\/span>100 razy mniej danych<\/b> ni\u017c poprzednie modele, a daje <\/span>lepsze wyniki<\/b>. To pokazuje moc deep learning.<\/span><\/p>\n Dokumenty s\u0105dowe potwierdzaj\u0105 istnienie setek sygna\u0142\u00f3w rankingowych. Nie otrzymali\u015bmy pe\u0142nej listy, ale potwierdzaja kluczowych kategorii:<\/span><\/p>\n Z zezna\u0144 eksperta Google wynika, \u017ce istniej\u0105 „top-level signals” b\u0119d\u0105ce agregatami wielu pod-sygna\u0142\u00f3w:<\/span><\/p>\n\ud83d\udd0d Indeks Wyszukiwania \u2013 fundament wszystkiego<\/b><\/h2>\n
Jak Google decyduje, co indeksowa\u0107?<\/b><\/h3>\n
Sygna\u0142y decyduj\u0105ce o crawlowaniu<\/b><\/h3>\n
\n
\n
\n
\n
\n
\n
Freshness \u2013 \u015bwie\u017co\u015b\u0107 ma znaczenie<\/b><\/h3>\n
\ud83c\udfaf Glue i Navboost \u2013 nazwy system\u00f3w, kt\u00f3re musicie zna\u0107<\/b><\/h2>\n
Glue \u2013 „Super Query Log”<\/b><\/h3>\n
\n
\n
\n
\n
\n
\n
\n
\n
Navboost \u2013 system pami\u0119ci klikni\u0119\u0107<\/b><\/h3>\n
\n
Jak Glue i Navboost wsp\u00f3\u0142pracuj\u0105? Przyk\u0142ad praktyczny<\/b><\/h3>\n
\n\u2713 Lokalizacja: GPS\/IP (np. Warszawa, Mokot\u00f3w)<\/span>
\n\u2713 Device type: mobile (iPhone)<\/span>
\n\u2713 Czas: 18:00, pi\u0105tek<\/span>
\n\u2713 J\u0119zyk interfejsu: polski<\/span><\/p>\n
\nDane historyczne pokazuj\u0105:<\/span>
\n– Ristorante Roma: 45% CTR, avg. 3 min na stronie<\/span>
\n– Trattoria Verde: 32% CTR, avg. 1.5 min\u00a0\u00a0<\/span>
\n– Pasta & Basta: 28% CTR, avg. 4 min<\/span><\/p>\n
\n„best” = u\u017cytkownik szuka wysokiej jako\u015bci<\/span>
\n„near me” = blisko\u015b\u0107 jest kluczowa\u00a0\u00a0<\/span>
\n„italian” = kuchnia w\u0142oska (nie pizza place, nie bistro)<\/span>
\nKontekst: pi\u0105tek 18:00 = prawdopodobnie rezerwacja na kolacj\u0119<\/span><\/p>\n\n
\nSp\u0119dzi\u0142: 4 minuty na stronie<\/span>
\nAkcja: Klikn\u0105\u0142 numer telefonu (intent fulfilled)<\/span>
\nNie wr\u00f3ci\u0142 do wynik\u00f3w = by\u0142 zadowolony<\/span><\/p>\n
\nQuery pattern: „best [cuisine] restaurant near me”<\/span>
\nLocation: Mokot\u00f3w, Warszawa\u00a0\u00a0<\/span>
\nTime: pi\u0105tek, wiecz\u00f3r<\/span>
\nWinner: Ristorante Roma<\/span>
\nSignal: d\u0142ugi czas na stronie + klikni\u0119cie telefonu = sukces<\/span><\/p>\n\ud83e\udd16 RankEmbed \u2013 AI w s\u0142u\u017cbie zrozumienia zapyta\u0144<\/b><\/h2>\n
Co Robi RankEmbed?<\/b><\/h3>\n
\n
\n
\n
\n
\n
\ud83d\udcca Sygna\u0142y rankingowe \u2013 co faktycznie si\u0119 liczy?<\/b><\/h2>\n
Top-Level Signals (Sygna\u0142y Najwy\u017cszego Poziomu)<\/b><\/h3>\n
\n