Un model AI poate reproduce descrierea brandului tău și poate eșua la întrebarea reală a cumpărătorului. Cercetarea pe date de antrenament arată de ce „a ști” nu e același lucru cu „a putea folosi”. Recunoașterea nu este recomandare, iar publicarea unui text nu echivalează cu antrenamentul pe acel text.

Discuția despre „memoria modelelor” a devenit un refren în marketingul din 2026: bagi brandul în corpus, modelul te reține, recomandările vin de la sine. Pedro Dias ridică în Search Engine Journal o problemă pe care puțini o spun direct: un model poate recita textul tău până la ultima virgulă și poate rata întrebarea care contează. Materialul sursă (It Knew Every Word) trece prin câteva studii pe modele mici și sintetice. Concluzia lui, pe care o împărtășesc, este că între „a memoriza” și „a răspunde” există o distanță pe care nimeni nu o acoperă cu un pachet de pagini web.

Ce arată de fapt experimentele

Cercetarea citată (Physics of Language Models, partea 3.1) folosește biografii fictive. Modele mici sunt antrenate de la zero pe aceste biografii, apoi ajustate pe întrebări despre o parte dintre personaje și testate pe celelalte. Persoanele din test apar în materialul de antrenament, dar nu apar niciodată în perechile întrebare-răspuns. Eșecul nu poate fi pus pe seama lipsei materialului. Modelul a văzut biografia, doar că nu a învățat să extragă faptul în forma cerută.

Aici e miezul. Recitarea și răspunsul sunt două teste diferite. Un model care completează descrierea produsului tău când îi dai începutul a trecut un test. Un cumpărător care întreabă „care produs mi se potrivește pentru situația mea” a pus un alt test. Cine alunecă între cele două fără să spună, vinde o promisiune pe care cercetarea nu o susține.

Experimentul arată și partea bună: variind formularea, amestecând ordinea frazelor și repetând numele complet, acuratețea pe întrebările factuale a urcat de la 9,7% la 96,2% pe un model GPT-2 de 124 de milioane de parametri. Cifra e spectaculoasă. Dar e vorba de fapte sintetice, pe un model mic, antrenat de cercetători pe materialul lor. Nu e o recomandare comercială și nu se transferă automat la un model mare de producție. Dacă folosești cifra asta ca argument de vânzare pentru un pachet de pagini, promiți o îmbunătățire pe care cercetătorii nu au testat-o.

Repetiția ajută, dar întrebarea rămâne „la ce?”

Instinctul imediat e să repeți. Studiul Quantifying Memorization Across Neural Language Models arată că duplicarea în corpus crește șansa de reproducere cuvânt cu cuvânt: dai începutul unui pasaj, modelul continuă mai probabil. Deci nu putem spune simplu că „repetiția nu învață modelul nimic”. Repetiția îmbunătățește un rezultat măsurat. Întrebarea e care rezultat.

Un studiu mai nou, Don’t Forget! Decomposing the Training Dynamics of Memorization, privește ce se întâmplă cu un pasaj memorat pe măsură ce antrenamentul continuă. Folosind versiuni salvate ale modelelor Pythia pentru a simula actualizări, cercetătorii au observat că învățarea din alte date acționează mai puternic împotriva pasajelor repetitive frecvent decât împotriva celor rare, mai ales la modelul de un miliard de parametri. Ipoteza lor: repetiția ar ajuta pasajele să rămână reproductibile în ciuda interferenței. Nu au variat separat repetiția și datele concurente ca să demonstreze explicația. Și au testat continuarea cuvânt cu cuvânt, nu răspunsuri la întrebări despre fapte.

Traducerea practică: un număr de mențiuni nu îți spune cum afectează restul materialului din antrenament rezultatul care te interesează. Iar o publicare repetată nu înseamnă automat o expunere repetată la antrenament. Furnizorul modelului decide dacă îți colectează copia, dacă o păstrează după filtrare și dacă o folosește efectiv. Poți număra mențiuni până dimineața. Nu poți controla ce învață modelul din ele.

Transferul care strică toată povestea cu „contentul de brand”

Partea cea mai interesantă a materialului, și cea care ar trebui să dea pause oricui vinde „optimizare pentru memorie”, e experimentul cu grupul neschimbat. Cercetătorii au păstrat biografiile unui grup așa cum erau și au adăugat biografii variate pentru alt grup. Acuratețea pe întrebările despre grupul neschimbat a urcat de la 4,4% la 86,8%. Pentru antrenamentul ulterior pe întrebări-răspuns s-au folosit exemple doar despre grupul adăugat. Biografiile grupului de test nu au primit versiuni suplimentare, iar perechile lui întrebare-răspuns nu au intrat niciodată în antrenament.

Cu alte cuvinte, antrenamentul pe material despre alți oameni a ajutat modelul să răspundă la întrebări despre acest grup. Transferul a depins de material suficient de similar. În sala de clasă: elevul se descurcă mai bine cu lecția lui pentru că predarea s-a îmbunătățit în altă parte. Pasajul lui nu a primit un paragraf în plus.

Ce înseamnă pentru un brand? Că un model poate începe să răspundă mai bine despre compania ta fără ca nimeni să fi rescris materialul despre companie. S-ar putea să se fi schimbat felul în care modelul învață să folosească informația de acel tip. E o ipoteză despre sisteme de producție, nu un rezultat măsurat de cercetători. Dar e suficient ca să nu mai explici orice îmbunătățire prin „am mai publicat încă trei pagini”.

Recunoaștere, răspuns și preferință de sursă: trei lucruri diferite

Studiul Fine-Tuning or Retrieval? găsește și el beneficii din material parafrazat, dar pune problema în perspectivă. Pe testul său cu variante multiple, Mistral-7B a luat 50,4% după antrenament pe documentele originale și 58,8% cu material parafrazat. Cu pasaje relevante furnizate împreună cu întrebarea, adică RAG, a ajuns la 87,5%. Întrebările au fost generate din aceleași bucăți de text pe care sistemul de căutare le putea furniza, deci testul favorizează recuperarea. Și a oferit variante de răspuns, deci a măsurat recunoaștere, nu producere liberă de răspuns sau recomandare de produs.

Asta e o distincție pe care o repetăm prea rar: un câștig în recunoaștere, un câștig în răspuns factual și o schimbare în recomandările de produs cer dovezi diferite. Dacă ai dovada pentru una, nu ai dovada pentru toate trei.

Mai e și studiul Source Preference in the Wild. Cercetătorii au păstrat titlurile și fragmentele fixe, au schimbat doar sursa afișată alături și au văzut cum se schimbă alegerile modelelor. Modelele alegeau din fragmente fără să deschidă paginile. Apoi au antrenat modele pe perechi de selecții mai bune și mai proaste, făcând o sursă să însoțească mai des elementul mai bun. La test, modelele preferau acea sursă chiar și când elementele îndeplineau aceleași cerințe măsurate. Un mod prin care antrenamentul poate crea o preferință de sursă. Nu explică însă cum agenții de căutare și-au dobândit preferințele existente.

Concluzia pentru un marketer: produsul tău poate trece un test de recall în timp ce un rezultat concurent e ales dintr-un motiv pe care testul nu l-a examinat niciodată.

Ce înseamnă pentru tine, antreprenor sau marketer în România

Dacă ai un magazin online sau un business de servicii și ai început să auzi de „GEO” și „memorie de brand în modele”, iată ce faci concret, fără să vinzi iluzii clienților sau ție însuți.

Primul pas: definește rezultatul pe care vrei să îl îmbunătățești. Vrei ca modelul să recunoască numele brandului? Să răspundă corect la o întrebare factuală despre ce faci? Să te recomande la o cerere de tip „am nevoie de X pentru situația Y”? Sunt trei obiective diferite și cer dovezi diferite. Scrie-l pe hârtie înainte să comanzi conținut.

Al doilea pas: testează întrebarea reală, nu doar descrierea. Ia cinci întrebări pe care le-ar pune un client la finalul procesului de cumpărare, pune-le modelului fără context suplimentar și notează răspunsul. Apoi pune-le din nou cu un pasaj relevant din site-ul tău furnizat explicit, ca să vezi diferența dintre memorie și recuperare. Dacă răspunsul se îmbunătățește doar cu pasajul, ai o problemă de conținut disponibil, nu de memorie.

Al treilea pas: nu promite clienților ce nu controlezi. Poți controla calitatea descrierii, claritatea situațiilor în care produsul e util, diversitatea formulărilor. Nu controlezi dacă furnizorul colectează pagina, o păstrează după filtrare sau o folosește. Dacă îți construiești oferta pe „intri în memoria modelului”, ai un gap de dovadă pe care un client serios îl va găsi.

Al patrulea pas: urmărește și partea de preferință de sursă. Cum arată brandul tău în fragmentele pe care un agent le citește fără să deschidă pagina? Titlul, descrierea scurtă, sursa afișată. Aici contează și cum arată rezultatele tale în căutare, subiect pe care l-am atacat și în analiza despre eticheta Popular Links testată de Bing și în materialul despre programul UGC Fresh Data al Google.

Al cincilea pas: separă ce ai măsurat de ce ai presupus. Dacă un test intern arată o îmbunătățire, notează condițiile: ce model, ce întrebări, ce context furnizat. O verificare incompletă nu dovedește absența unei funcții și nici nu dovedește o îmbunătățire reală. Nu transforma o observație într-o promisiune de vânzări.

Limitele pe care nimeni nu le poate ocoli

Cercetările citate sunt pe modele mici, cu fapte sintetice, antrenate de cercetători pe materialul lor. Câștigul mare din experimentul biografiilor nu ne spune ce îmbunătățire să așteptăm de la un model comercial mult mai mare. Transferul între grupuri e o ipoteză despre sisteme de producție, nu un rezultat verificat acolo. Iar cine controlează antrenamentul rămâne furnizorul: el decide ce intră, ce se păstrează și cum se folosește. Tu controlezi doar materialul pe care îl pui la dispoziție și cât de clar îl descrii.

Confuzia dintre cele două puteri e cea mai scumpă. Poți continua să dai teme mult după ce elevul poate recita lecția.

FAQ

Un model care îmi știe descrierea mă va recomanda? Nu neapărat. Recitarea descrierii și răspunsul la o întrebare de cumpărare sunt teste diferite. Experimentele arată că un model poate reproduce materialul și poate eșua la extragerea faptului în forma cerută. Recomandarea cere dovezi suplimentare față de recunoaștere.

Mai multe pagini despre brand înseamnă memorie mai bună în model? Nu există garanția asta. Repetiția poate îmbunătăți un rezultat măsurat, dar furnizorul decide dacă îți colectează pagina, o păstrează după filtrare și o folosește la antrenament. Iar o publicare repetată nu înseamnă automat o expunere repetată la antrenament.

Ce pot controla concret? Calitatea descrierii, claritatea situațiilor de utilizare, diversitatea formulărilor și modul în care arată brandul în fragmentele citite fără deschiderea paginii. Restul ține de furnizor. Testează întrebarea reală, nu doar descrierea.

AI-ul ajută la analiză și planificare: structurează întrebările de test, grupează descrierile pe situații de utilizare, evidențiază unde lipsește dovada. Decizia și execuția rămân umane. Media buyer-ul știe ce întrebare pune clientul la finalul procesului, ce înseamnă un rezultat util și când un test e prea mic ca să concluzionezi. Iar pasul concret îl face ALLSoft Agency: definim împreună rezultatul măsurabil, testăm întrebările reale și separăm ce am verificat de ce presupunem. Fără hype, fără cifre inventate.