Jak AI Mode technicky funguje?
Google skládá tzv. reasoning chain – řetězec logických kroků. Jedná se o jakýsi vnitřní myšlenkový proces, kterým Google prochází před generováním odpovědi. Nejde pouze o „vyhledání a shrnutí“, ale o sled mezikroků:
- co uživatel pravděpodobně myslí,
- jaké informace potřebuje,
- jak ověřit správnost,
- jaké zdroje tvrzení podporují.
Výsledkem je souvislá odpověď, která kombinuje více zdrojů – často i z různých jazyků. Vezměme to tedy krok za krokem.
Krok 1: Uživatel zadá dotaz
Uživatel napíše dotaz, například "nejlepší běžecké boty.“
Krok 2: Získání kontextových informací (Retrieve Contextual Information)
Systém nejprve shromažďuje informace o chování uživatele, tedy předchozí dotazy, lokalitu, připojené účty (např. Gmail, Mapy), kliknutí a podobně.
Na základě těchto dat si Google vytváří tzv. vektor osobnosti – všechny údaje převádí do číselné reprezentace významu (vektorů).
Tento vektor ovlivňuje:
- jak model rozumí uživatelským dotazům,
- které fan-out dotazy se aktivují (vysvětlíme níže),
- které pasáže upřednostní při sestavování odpovědí.
Díky tomu se personalizace posouvá na úplně novou úroveň – můžeme zapomenout na jednotné výsledky. I při stejném dotazu dostane každý uživatel s vysokou pravděpodobností unikátní a personalizované výsledky.
Krok 3: Google rozšiřuje dotaz – Query Fan-Out
Z jednoho dotazu Google vytvoří desítky až stovky skrytých poddotazů, které pokrývají:
- příbuzná témata a synonyma (např. "nejlepší běžecké tenisky 2025“),
- implicitní záměry, které uživatel možná řeší, ale do dotazu je přímo nezadal (např. "cenově dostupné běžecké boty do 100 €”),
- porovnávací dotazy (např. "Nike ZoomX Vaporfly 3 vs. Adidas Adizero Adios Pro 3“),
- personalizované dotazy podle uživatele (např. "trailové boty pro začátečníky“).
Tomuto procesu se říká Query Fan-Out.
Každý takto vytvořený skrytý dotaz se samostatně vyhledá v indexu a získá relevantní dokumenty.
Krok 4: Vytvoření "Custom Corpus“
Z nasbíraných dokumentů se sestaví vlastní mini-index, tzv. custom corpus, který obsahuje jen ty texty, videa nebo obrázky, jež jsou pro daného uživatele a dotaz nejrelevantnější.
Krok 5: Hodnocení a výběr pasáží (dense retrieval)
Google už nehodnotí celé stránky, ale jednotlivé pasáže (chunks).
Všechny pasáže i dotazy jsou převedeny do vektorů – číselných reprezentací významu.
Model pak porovnává jejich podobnost pomocí kosínové podobnosti: čím jsou si významově bližší, tím výše se umístí.
Krok 6: Výběr pasáží pomocí "pairwise reasoning“
Google používá tzv. pairwise ranking prompting – model vždy porovná dvě pasáže a rozhodne, která lépe odpovídá na dotaz.
Tento proces se opakuje vícekrát, až vznikne seřazený seznam nejlepších pasáží.
Nejde tedy jen o tu, která pasáž je vektorově nejbližší. Model v tomto kroku ještě předpovídá, která pasáž nejlépe odpovídá konkrétnímu dotazu.
Krok 7: Vícevrstvé zpracování pomocí různých LLM
AI Mode následně spustí několik specializovaných LLM modelů, z nichž každý má jinou úlohu. Jednotlivé modely se spouštějí podle toho, co daná situace vyžaduje. Například:
- jeden shrnuje texty,
- druhý porovnává produkty,
- třetí ověřuje fakta,
- další formátuje výstup (např. seznam, graf, karusel).
Rozdělení rolí snižuje riziko halucinací a zvyšuje přesnost u konkrétních typů úkolů.
Krok 8: Generování a citace
Z vybraných pasáží se pomocí modelu RAG (Retrieval-Augmented Generation) vytvoří konečná odpověď.
Některé pasáže jsou citovány (zobrazí se URL), jiné ne.
Citace se vybírají nezávisle na pozici v SERPu, podle toho, která věta přímo podporuje tvrzení v odpovědi.
Krok 9: Výstup a rozhraní
AI Mode zobrazí výsledek ve formě odstavce, tabulky, videa nebo karuselu podle toho, co je pro uživatele nejvhodnější. Tento přístup se nazývá multimodalita a platí jak pro výstup, tak pro vstup.
