Fact checking treści AI to nie jedno przejrzenie tekstu przed publikacją, tylko powtarzalny proces, który celuje w miejsca, gdzie modele językowe mylą się najczęściej: liczby, daty, nazwy, cytaty i linki. Poniższy schemat w sześciu krokach zajmuje redaktorowi 20–40 minut na artykuł o długości 1500 słów i wyłapuje większość błędów, zanim trafią do indeksu Google i do odpowiedzi ChatGPT czy Perplexity.
W skrócie
- Modele najczęściej zmyślają statystyki, daty premier, nazwiska autorów badań i adresy URL, rzadziej ogólne opisy mechanizmów.
- Weryfikacja zaczyna się od wypisania wszystkich twierdzeń sprawdzalnych (zwykle 15–40 w tekście na 1500 słów), a nie od czytania akapit po akapicie.
- Każda liczba wymaga źródła pierwotnego: raportu, dokumentacji producenta, ustawy lub danych własnych. Blog cytujący blog nie jest źródłem.
- Cytaty w tekście AI traktujcie jako fałszywe, dopóki nie znajdziecie ich dosłownego brzmienia u autora wypowiedzi.
- Pod tekstem podpisuje się człowiek, który odpowiada za fakty: to warunek E-E-A-T i jedyny sposób, by proces miał właściciela.
Co najczęściej zmyślają modele językowe
Halucynacje nie rozkładają się równomiernie po całym tekście. Model radzi sobie dobrze z opisem, jak działa mechanizm (np. jak Google renderuje JavaScript), a znacznie gorzej z konkretami, które trzeba pamiętać, a nie wywnioskować. Z tego wynika prosta zasada: sprawdzajcie w pierwszej kolejności to, co ma postać liczby, nazwy własnej lub daty.
| Typ twierdzenia | Ryzyko halucynacji | Typowy błąd |
|---|---|---|
| Statystyki i procenty | Bardzo wysokie | „Według badania HubSpot 73% marketerów…” bez istniejącego badania |
| Daty i wersje produktów | Wysokie | Przesunięta o rok premiera aktualizacji algorytmu |
| Nazwiska i afiliacje | Wysokie | Prawdziwy badacz przypisany do cudzej publikacji |
| Cytaty | Bardzo wysokie | Wypowiedź brzmiąca wiarygodnie, której nikt nie powiedział |
| Adresy URL | Wysokie | Poprawna domena, nieistniejąca ścieżka |
| Opisy mechanizmów | Niskie | Uproszczenia, rzadko całkowite zmyślenie |
W praktyce redakcyjnej lepiej założyć, że w tekście na 1500 słów bez podłączonych źródeł znajdzie się od 3 do 8 twierdzeń wymagających poprawki. Sam proces generowania opisujemy w osobnym tekście o modelu Plan, Draft, Polish, Verify; poniższe sześć kroków to rozwinięcie etapu Verify.
Krok 1: wypisanie twierdzeń weryfikowalnych
Pierwszy krok to zamiana tekstu na listę. Redaktor (albo skrypt) wyciąga z artykułu każde zdanie, które da się sfalsyfikować: zawiera liczbę, datę, nazwę własną, cytat, link lub kategoryczne stwierdzenie („Google potwierdził”, „od 2024 roku obowiązuje”). Opinie i opisy ogólne zostają w tekście, ale nie trafiają na listę.
Lista ma cztery kolumny: twierdzenie, źródło (puste na starcie), status (do sprawdzenia / potwierdzone / poprawione / usunięte) i osoba. W arkuszu lub w komentarzach dokumentu; format nie ma znaczenia, ważne, żeby nic nie zostało sprawdzone „w głowie”. Typowy artykuł poradnikowy daje 15–40 pozycji.
Krok 2: źródła pierwotne zamiast wtórnych
Każde twierdzenie z listy dostaje źródło pierwotne, czyli miejsce, w którym dana informacja powstała: raport z metodologią, dokumentacja producenta, treść ustawy, komunikat prasowy firmy, dane z własnej analityki. Artykuł na blogu agencji, który powtarza cudzą liczbę, jest źródłem wtórnym i nie zamyka sprawy.
W tematach SEO praktyczna hierarchia wygląda tak: dokumentacja Google Search Central i oficjalny blog Google, potem publikacje badawcze z opisaną próbą, potem dane własne, na końcu branżowe raporty narzędziowe (Ahrefs, Semrush), które warto cytować z zastrzeżeniem, że dotyczą bazy danego narzędzia. Wypowiedzi Google dotyczące zasad jakości treści warto sprawdzać bezpośrednio w dokumentacji Search Central, a nie w streszczeniach.
Jeśli źródła pierwotnego nie da się znaleźć w 5 minut, twierdzenie wylatuje z tekstu albo zmienia formę z liczby na opis mechanizmu. Zdanie „część redakcji raportuje skrócenie czasu produkcji o połowę” jest uczciwsze niż zmyślone „badanie wykazało 52%”.
Krok 3: liczby, jednostki i daty
Liczby sprawdzajcie w trzech wymiarach: wartość, jednostka i kontekst. Model potrafi podać prawidłową liczbę z niewłaściwą jednostką (miesięczny ruch jako dzienny), poprawny procent z innej populacji (badanie użytkowników w USA przedstawione jako globalne) albo aktualną cenę z poprzedniej wersji cennika.
- Wartość: czy w źródle pierwotnym stoi dokładnie ta liczba, a nie zaokrąglenie lub sąsiedni wiersz tabeli.
- Jednostka i okres: dziennie czy miesięcznie, netto czy brutto, rok kalendarzowy czy fiskalny.
- Populacja: kogo dotyczyła próba i czy uogólnienie jest uprawnione.
- Data: czy dana jest aktualna i czy w tekście stoi rok pomiaru, a nie tylko rok publikacji artykułu.
Daty premier i aktualizacji wymagają osobnej uwagi, bo modele mają datę graniczną wiedzy i chętnie „dopełniają” kalendarz. Każda data po 2023 roku w tekście AI to kandydat do sprawdzenia w komunikacie producenta. Przy tematach analitycznych, jak Consent Mode v2 i pomiar bez cookies, wersje i terminy wdrożenia zmieniały się kilkakrotnie, więc tekst sprzed roku może być już nieaktualny.
Krok 4: cytaty i wypowiedzi
Cytat w tekście wygenerowanym przez AI należy domyślnie uznać za zmyślony. Model składa wypowiedź z fraz, które brzmią jak dana osoba, a nie z tego, co ta osoba powiedziała. Weryfikacja polega na znalezieniu dosłownego brzmienia u źródła: w transkrypcji, w nagraniu, w oficjalnym wpisie, w wywiadzie prasowym z podaną datą.
Jeśli dosłownego brzmienia nie ma, są dwie opcje. Pierwsza: zamiana cytatu na parafrazę z linkiem do wypowiedzi, która faktycznie istnieje. Druga: usunięcie. Nie ma trzeciej, w której cytat zostaje „bo pasuje”. Dotyczy to również cytatów przypisywanych pracownikom Google, którzy wypowiadają się głównie w podcastach i na konferencjach, gdzie modele nie mają dostępu do transkrypcji.
Osobna kategoria to wypowiedzi z własnej organizacji („nasz zespół zauważył”). Tu weryfikacja jest prosta: osoba wymieniona w tekście czyta zdanie i je zatwierdza. Więcej o tym, jak takie autentyczne obserwacje odróżniają tekst od generycznego, znajdziecie w artykule o humanizacji tekstu AI.
Krok 5: linki wychodzące i ich stabilność
Modele generują adresy URL, które wyglądają poprawnie: dobra domena, logiczna ścieżka, tylko strona nie istnieje. Każdy link wychodzący w tekście AI trzeba otworzyć ręcznie lub skryptem i sprawdzić trzy rzeczy: kod odpowiedzi (200, nie 404 ani przekierowanie na stronę główną), czy strona docelowa faktycznie zawiera cytowaną informację oraz czy jest to źródło, do którego chcecie linkować.
Stabilność to drugi wymiar. Linki do dokumentów PDF w podkatalogach, do wpisów na platformach społecznościowych i do stron narzędzi z częstymi zmianami struktury mają krótki czas życia. Gdzie się da, linkujcie do strony głównej dokumentacji lub do trwałego identyfikatora (DOI dla publikacji, archiwalna kopia w Wayback Machine dla treści, które mogą zniknąć). Definicję i mechanizm halucynacji jako zjawiska warto podlinkować do hasła w Wikipedii, a nie do losowego wpisu blogowego.
Krok 6: podpis i odpowiedzialność redakcyjna
Ostatni krok zamyka proces: pod tekstem podpisuje się osoba, która przeszła listę z kroku 1 i odpowiada za każdą pozycję ze statusem „potwierdzone”. Nie chodzi o formalność, tylko o mechanizm. Proces bez właściciela degeneruje się w ciągu kilku tygodni do „przejrzałem, wygląda dobrze”.
Podpis ma też wymiar zewnętrzny. Google w wytycznych dla oceniających jakość opisuje, że treści na tematy wpływające na decyzje czytelnika powinny mieć wskazanego, wiarygodnego autora. Strona autora z opisem kompetencji, powiązanie z profilami zawodowymi i konsekwentne podpisywanie tekstów wzmacniają sygnały E-E-A-T, które przekładają się także na cytowania w odpowiedziach generatywnych.
Skróconą wersję tego procesu w formie listy kontrolnej opisaliśmy w checkliście redaktora do weryfikacji tekstów AI; warto też dopisać do procesu widoczną datę ostatniej weryfikacji faktów, osobną od daty publikacji.
Najczęstsze błędy w fact-checkingu treści AI
- Sprawdzanie „na oko” zamiast z listy: redaktor czyta płynny tekst i przepuszcza zmyśloną liczbę, bo zdanie brzmi wiarygodnie.
- Proszenie tego samego modelu o weryfikację własnego tekstu bez dostępu do źródeł zewnętrznych.
- Uznawanie artykułów branżowych za źródła; jedna zmyślona statystyka potrafi krążyć po kilkudziesięciu blogach.
- Brak osoby odpowiedzialnej, przez co proces istnieje tylko w dokumencie procedur.
FAQ: fact-checking treści generowanych przez AI
Ile czasu zajmuje fact-checking artykułu wygenerowanego przez AI?
Przy opisanym procesie tekst na 1500 słów z 15–40 twierdzeniami sprawdzalnymi zajmuje redaktorowi zwykle 20–40 minut. Najwięcej czasu pochłania krok 2 (szukanie źródeł pierwotnych). Teksty z wieloma statystykami lub cytatami mogą wymagać godziny; teksty opisujące mechanizmy bez liczb sprawdza się w kwadrans.
Czy model AI może sam zweryfikować własny tekst?
Częściowo. Osobny prompt z dostępem do wyszukiwarki dobrze wypisuje twierdzenia i sygnalizuje te bez źródła, ale nie zastępuje człowieka przy ocenie, czy źródło jest pierwotne i czy liczba jest użyta w prawidłowym kontekście. Model, który wygenerował tekst, nie powinien go sam oceniać bez zewnętrznych danych, bo ma tendencję do potwierdzania własnych zmyśleń.
Co zrobić z twierdzeniem, dla którego nie da się znaleźć źródła?
Usunąć albo zmienić formę. Zmyślona statystyka zamieniona na opis mechanizmu („część zespołów obserwuje…”) pozostaje prawdziwa i nie wymaga przypisu. Zostawienie liczby bez źródła „bo pewnie jest prawdziwa” to najczęstsza droga, którą halucynacja trafia do publikacji, a potem do kolejnych tekstów AI, które ją cytują.
Czy trzeba sprawdzać także linki wewnętrzne?
Tak. W automatycznych procesach publikacji częstym błędem są linki do artykułów zaplanowanych, ale jeszcze nieopublikowanych. Skrypt sprawdzający kody odpowiedzi HTTP dla wszystkich linków w tekście, wewnętrznych i zewnętrznych, powinien być stałym elementem kroku 5 i uruchamiać się przed każdą publikacją.
Jak fact-checking wpływa na widoczność w Google i w odpowiedziach AI?
Bezpośrednio przez podpis autora i źródła pierwotne, które są sygnałami E-E-A-T, oraz pośrednio przez brak błędów, które czytelnicy zgłaszają i które obniżają zaufanie do domeny. Systemy generatywne chętniej cytują treści z konkretnymi, sprawdzalnymi danymi i wskazanym autorem niż teksty z ogólnikami lub liczbami bez przypisu.
Co dalej
Wdrożenie procesu zacznijcie od kroku 1: przez tydzień wypisujcie listę twierdzeń dla każdego tekstu AI i liczcie, ile z nich wymaga poprawki. Ta liczba pokaże, czy problem leży w promptach, w modelu, czy w braku podłączonych źródeł. Gdy lista ustabilizuje się na kilku pozycjach, proces można w większości oprzeć na skryptach, zostawiając redaktorowi kroki 2 i 6, czyli ocenę źródeł i podpis.