Michael Martinez перебрав патенти Google, якими в спільноті доводять, ніби саме так влаштовані AI Overviews і AI Mode. З шести штук лише один справді про AI-відповіді у видачі. Решта описують застосунок Gemini для смартфонів, експерименти з наукових статей і методи навчання моделей, і ознак того, що це працює в живому пошуку, немає. У нього ж є докладна інструкція, як читати патенти для SEO, з якої ми взяли кроки перевірки нижче.
TLDR
- Патент фіксує право на метод. Чи метод десь працює у видачі, з нього не видно.
- Під чотирма патентами зі списку лежать опубліковані наукові статті з експериментами, деякі ще 2022 року.
- Нижче прямі посилання на кожен патент і на наукову статтю під ним.
Чому патент нічого не доводить
Компанії патентують усе, до чого дотягуються руки дослідників, включно з тим, що ніколи не дійде до живого продукту. Патент не є підтвердженням, що метод використовується, він тільки закріплює право на його використання. Тому міркування виду ось патент, ось значить Google так і ранжує, далеко не завжди справджується.
Багато патентів Google юридично оформлюють те, що вже описано у відкритій науковій статті, часто на пару років раніше. Якщо перед патентом була стаття про експеримент на тестовому наборі даних, то по суті це опис експерименту. І такі статті набагато більш корисні, ніж сам патент.
Ми вже розбирали подібні ситуації на витоку документації Google і на документі про MUVERA. Є первинний документ, є хвиля переказів і купа домислів щодо документа, який нічого з того насправді не стверджує.
Шість патентів зі списку
Search With Stateful Chat, US20240289407A1 описує пошукову сесію з памʼяттю, де система тримає контекст попередніх запитів. За розбором Martinez, це опис застосунку Gemini для смартфонів. AI-відповіді у видачі він не описує.
Method for Text Ranking with Pairwise Ranking Prompting, US20250124067A1 документує експеримент з наукової статті Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting. Модель порівнює документи попарно, і так виходить впорядкований список. Жодних вказівок, що це завели в живу систему, немає.
User Embedding Models for Personalization of Sequence Processing Models, WO2025102041A1 стоїть на статті User Embedding Model for Personalized Language Prompting і стосується покращення рекомендаційних підсистем, наприклад підбору фільмів. Довгу історію користувача стискають у компактне числове представлення, щоб не згодовувати моделі весь текст.
Systems and methods for prompt-based query generation for diverse retrieval, WO2024064249A1 оновлює патент 2022 року на метод PROMPTAGATOR зі статті Promptagator: Few-shot Dense Retrieval From 8 Examples. Модель генерує додаткові запити з кількох прикладів. Такий метод справді можна застосувати для розкладання одного запиту на кілька підзапитів.
Але. Розкладання запиту використовують у різних системах щонайменше з девʼяностих, тож реалізацій багато, і конкретну з патента не вивести.
Instruction Fine-Tuning Machine-Learned Models Using Intermediate Reasoning Steps, US20240256965A1 описує метод донавчання моделі на проміжних кроках міркування зі статті Scaling Instruction-Finetuned Language Models, яку команда Google виклала препринтом ще 2022 року. Пізніша робота Mixture-of-Experts Meets Instruction Tuning цей підхід уже перекрила.
Generative summaries for search results, US11769017B1 прямо описує генерацію короткого переказу над результатами пошуку у відповідь на запит. Це і є патент про AI Overviews.
На схемі система дивиться в профіль користувача й вирішує, чи він уже знайомий зі змістом, який відповідає на запит. Далі відповідь генерується по-різному, з урахуванням цього знайомства або без нього.
Як зрозуміти, чи черговий патент, який активно обговорюють SEOшники, насправді вартий уваги
- Відкрий сам патент на patents.google.com. Те, що про нього пишуть у соцмережах, часто мало схоже на те, що в ньому насправді написано.
- Двічі прочитай розділ Background. Там сказано, яку саме задачу документ розвʼязує, і це найкорисніші кілька абзаців у всьому тексті.
- Подивись на схеми і блок-схеми. Логіку вони показують значно краще за патентну мову.
- У кожному патенті є список попередніх патентів, на які він посилається. Часто з нього видно, що ідеї вже пʼятнадцять чи двадцять років і ніякого відкриття тут немає.
- Перевір, кому патент належить і ким працюють автори. Рекламні патенти регулярно приймають за пошукові, і за оцінкою Martinez історично на цьому спотикалася приблизно половина розборів.
- Знайди наукову статтю під ним. Якщо в патенті є посилання на публікацію або та сама назва методу гуглиться на arxiv.org, то з великою ймовірністю патент оформлює вже описаний експеримент.
- Спитай, який продукт тут описано. Пошук, застосунок Gemini і рекомендаційна система — це різні системи, і патент майже завжди називає, про яку йдеться.
Martinez окремо попереджає, що алгоритм Google з патентів не відновити в принципі. Одна робоча система складається з багатьох патентів і багатьох підсистем, а кожен окремий документ описує невеликий крок уперед.
Чи технологія працює у видачі, видно тільки зі спостережень за самою видачею. Патентна база цього не покаже. Як спостерігати за AI-відповідями, ми показували в матеріалі про частку твого контенту в AI-відповіді.