Citatul Care Nu Există — AI Overviews, Sursele Fantomă și Criza de Verificare
Când 9% rată de eroare înseamnă sute de milioane de greșeli pe an
Articolul 3 din 6 din seria „Gemini și Adevărul Amânat"
Acest articol a fost documentat cu asistența instrumentelor AI (Claude Sonnet 4.6) și verificat editorial de Petru Cojocaru. Responsabilitatea conținutului revine în întregime autorului.
O Redacție, Primăvara Lui 2026
Primăvara lui 2026. O redacție de investigație din Cluj — zece oameni, un sediu închiriat deasupra unui magazin de telefoane, abonamente la câteva baze de date juridice și la serviciile de monitorizare media. Un jurnalist de treizeci și ceva de ani lucrează de două săptămâni la un articol despre o firmă de construcții implicată într-un dosar de achiziții publice suspecte în județul Bihor. A citit sentințele disponibile, a vorbit cu surse, a cerut documente prin Legea 544. Îi mai lipsesc câteva cifre — valoarea exactă a contractelor, istoricul asociaților firmei, câteva date despre licitații anterioare.
Deschide Google. Tastează numele firmei.
În partea de sus a paginii de rezultate apare AI Overview — caseta albastru-gri, cu pictograma Gemini, cu textul generat automat care sintetizează informațiile relevante. Caseta conține ceea ce pare o minune: cifre precise, date de semnare a contractelor, referințe la declarații publice ale administratorilor, link-uri spre trei surse. Totul aranjat impecabil, fără ambiguitate, cu autoritatea unui document oficial.
Jurnalistul copiază cifrele în fișa de lucru. Deschide sursele.
Prima sursă — un articol dintr-o publicație locală bihorenă — nu conține niciunul dintre numerele citate. E un articol despre altă firmă de construcții, cu un dosar diferit, dintr-un an diferit. Potrivirea cu subiectul articolului e zero.
A doua sursă — un comunicat de presă arhivat — nu există. Link-ul returnează eroare 404. Publicația care ar fi trebuit să îl găzduiască nu conține în arhiva sa niciun comunicat cu titlul citat.
A treia sursă — un agregator de știri regionale — conține un articol publicat cu trei zile în urmă. Jurnalistul îl citește cu atenție. Articolul citează cifrele exact cum le-a citat AI Overview. Urmărind referințele din acel articol: ele trimit înapoi la Google AI Overview.
Cercul e complet. AI Overview a citat surse. Sursele nu existau sau nu coraborau informația. Un alt autor a preluat cifrele din AI Overview fără să verifice. AI Overview va prelua eventual articolul respectiv ca sursă viitoare. Informația care n-a existat niciodată circulă acum cu trei referințe, fiecare confirmând-o pe cealaltă, toate goale în interior ca un lanț de mărturii circulare la un dosar construit din aer.
Jurnalistul din Cluj nu publică articolul. Are reflexe profesionale bune — verificarea la sursă primară e o deprindere formată în ani de redacție. Dar pune telefonul jos și rămâne cu o întrebare pe care nu o formulează explicit, dar care plutește în biroul acela de deasupra magazinului de telefoane: câți alții nu verifică?
Antony Beevor, în reconstituirea Campaniei din Normandia (1994), a descris un fenomen pe care ofițerii de informații din ambele tabere l-au trăit pe viu: raportul de recunoaștere greșit care urcă ierarhia. Un pilot de recunoaștere raportează că a văzut blindate germane la coordonata X. Raportul trece la comandantul de escadrilă, care îl transmite la brigada de artilerie, care îl transmite la comandamentul de corp, care planifică o bombardare. La fiecare nivel de transmitere, formularea se schimbă ușor: „posibile blindate" devine „blindate confirm", „la coordonata X" devine „concentrare la X". Când ordinul de bombardare ajunge la artilerie, e formulat cu certitudine totală. Blindatele nu existau. Un sat s-a aflat în calea unui bombardament bazat pe o observație incertă, amplificată de ierarhie în certitudine.
Mecanismul din 1944 și mecanismul din 2026 nu sunt analogii forțate. Sunt instanțe ale aceleiași logici a propagării erorii prin sisteme care transformă incertitudinea în certitudine la fiecare releu. AI Overview e releul de amplificare modern. Înlocuiește ierarhia militară cu ierarhia epistemică a căutării web. Efectele sunt mai difuze și mai greu de trasat — dar, la scară, mult mai extinse decât orice bombardament greșit din 1944.
Anatomia AI Overviews — Cum Funcționează, Cum Citează, Unde Greșește
AI Overviews — cunoscute până în 2024 sub prototipul „Search Generative Experience" (SGE) — sunt sinteze generate automat de Gemini care apar în capul paginii de rezultate Google pentru anumite tipuri de interogări. Sunt produsul unui sistem care combină capacitățile de generare ale unui model de limbaj mare cu indexul de căutare Google, cel mai cuprinzător index al web-ului existent.
Arhitectura de bază: când Google consideră că o interogare beneficiază de o sinteză (nu pentru toate căutările — mai frecvent pentru întrebări informaționale, mai rar pentru căutări navigaționale sau tranzacționale), trimite interogarea atât spre indexul de căutare cât și spre modelul Gemini. Gemini primește contextul interogării și un set de documente candidate din index. Generează un răspuns sintetic bazat pe acel context. Răspunsul e returnat cu link-uri spre documentele din care a fost „inspirat".
Cuvântul „inspirat" e mai precis decât „citat". Și aceasta e sursa problemei fundamentale.
Un citat jurnalistic sau academic presupune o relație verificabilă: textul reprodus se regăsește în sursa citată, la pagina sau URL-ul indicat. Citatul poate fi verificat de oricine accesează sursa. Relația e tranzitivă și verificabilă.
Referința generată de AI Overview presupune o relație probabilistică: documentul sursă a contribuit la contextul din care Gemini a generat răspunsul, dar relația nu e directă sau verificabilă simplu. Gemini nu citează — atribuie post-hoc. Generează o sinteză și apoi, separat, selectează din index documentele care par cele mai relevante pentru a fi afișate ca surse. Selecția documentelor și generarea textului sunt procese distincte care nu garantează corespondența directă.
Rezultatul practic: AI Overview poate genera o afirmație și atribui documentul X ca sursă, chiar dacă documentul X nu conține afirmația respectivă, ci doar conținut tematic adiacent. Sau poate genera o afirmație pornind de la documente Y și Z, dar atribui documentul X — mai autoritar, mai citat, mai vizibil în index — ca sursă aparentă.
Aceasta nu e o eroare de cod identificabilă și reparabilă. E o consecință arhitecturală a decuplării dintre generare și atribuire. Corectarea ar necesita redesignul fundamental al modului în care modelul integrează informațiile din documentele sursă — o problemă de cercetare deschisă, nu un bug fix.
Rata de Eroare de 9% — Ce Înseamnă la Scară
TWiT.tv, în investigația publicată în 2026, a analizat sistematic acuratețea AI Overviews de la Google pe un eșantion de interogări variate. Concluziile sunt îngrijorătoare nu prin cifra în sine, ci prin contextul în care trebuie citită.
Rata de eroare identificată — aproximativ 9% din sintezele AI Overview conțin afirmații factual incorecte sau atribuiri de surse care nu coraborează informația — ar fi o performanță acceptabilă pentru un student în primul an de facultate sau pentru un jurnalist în formare. Este o performanță catastrofică pentru o infrastructură epistemică care servește miliarde de căutări zilnic.
Matematica e simplă și brutală. Google procesează în 2026 estimativ 8-9 miliarde de căutări pe zi la nivel global. Nu toate generează AI Overviews — procentul exact nu e dezvăluit public, dar estimările bazate pe observații externe sugerează că AI Overviews apar pentru 20-30% din interogările informaționale. Să fim conservatori și să estimăm 15% din total — cam 1,2 miliarde de afișări de AI Overviews zilnic.
La o rată de eroare de 9%, asta înseamnă aproximativ 108 milioane de AI Overviews eronate pe zi. Anual, în jur de 39 de miliarde de expuneri la informații factual incorecte, prezentate cu autoritatea sintezei Gemini, în capul paginii de rezultate Google.
Chiar acceptând marje largi de eroare în estimări și comprimând cifrele la jumătate — 20 de miliarde anual — scara rămâne fără precedent în istoria distribuției informației eronate. Nicio sursă de dezinformare deliberată nu a atins niciodată o cifră comparabilă prin mijloace non-digitale.
Un detaliu calitativ adaugă gravitate cantitativă: poziționarea AI Overview în capul paginii îi conferă o autoritate vizuală pe care rezultatele tradiționale de căutare nu o au. Utilizatorul care caută informație și găsește o sinteză structurată, cu link-uri, deasupra tuturor celorlalte rezultate, o va procesa cu mai multă greutate epistemică decât dacă ar fi trebuit să scaneze zece link-uri și să acceseze câteva. Efortul redus de obținere a informației e invers proporțional cu motivația de a o verifica.
Fenomenul Post-Gemini 3 — Sursele Care Nu Coraborează
Investigația TWiT a relevat un aspect suplimentar care a primit atenție separată în cercetarea de follow-up: după lansarea Gemini 3, procentul de răspunsuri AI Overview „corecte" care citau surse ce nu coraborau de fapt informația respectivă a depășit 50%.
Aceasta e o categorie distinctă de eroare față de rata de eroare de 9% menționată anterior. 9% se referă la afirmații factual incorecte. Procentul suplimentar de 50%+ se referă la afirmații care pot fi corecte, dar pentru care sursa citată nu oferă suport verificabil.
Distincția e importantă pentru consecințe practice:
Eroarea factuală e detectabilă în principiu — dacă interogezi suficiente surse independente, identifici discrepanța. Un utilizator diligent poate, în teorie, să o prindă.
Atribuirea necoraborată e mult mai insidioasă. Utilizatorul care verifică sursa găsește un document real, pe un subiect relevant, de la o publicație credibilă. Documentul există și e coerent tematic cu afirmația. Faptul că afirmația specifică nu se găsește în document necesită o lectură atentă a documentului în întregime — ceva ce marea majoritate a utilizatorilor nu face, pentru că logica verificării prin link e confirmarea existenței sursei, nu recitirea integrală a ei.
Aceasta e echivalentul academic al citării incorecte — practica documentată în lucrări academice unde citatul e plauzibil dar nu se regăsește la pagina indicată, sau se regăsește trunchiat astfel încât sensul original e distorsionat. Diferența e că în academia umană există mecanisme de peer review care detectează (imperfect, dar sistematic) astfel de practici. În ecosistemul AI Overview, nu există niciun mecanism echivalent de verificare sistematică.
Motivul tehnic al fenomenului: Gemini 3 a primit capacități semnificativ extinse de sinteză și raționament față de versiunile anterioare. Modelele mai capabile tind să fie mai fluente în generarea de afirmații specifice — inclusiv afirmații mai specifice decât suportă sursele lor. Cu cât modelul e mai capabil să genereze text sofisticat, cu atât mai probabilă e generarea de afirmații pentru care nu există suport direct în corpus.
E un paradox al capacității: îmbunătățirea modelului poate agrava problema atribuirii.
Cercul Epistemic — AI Citează AI Citează AI
Scenariul jurnalistului din Cluj introduce o problemă structurală care depășește eroarea individuală a AI Overview: contaminarea recursivă a corpus-ului de informație pe web.
Procesul se desfășoară astfel, în etape:
Etapa 1 — Generarea primară. AI Overview generează o sinteză cu afirmații inexacte sau necoraborate. Afirmațiile sunt vizibile pentru toți utilizatorii care fac acea căutare.
Etapa 2 — Preluarea necritică. Autori — jurnaliști în grabă, bloggeri, redactori de conținut SEO, studenți care fac teme — preiau afirmațiile din AI Overview fără verificare la sursă primară. Le integrează în texte proprii publicate pe web.
Etapa 3 — Indexarea. Textele care conțin afirmațiile preluate din AI Overview sunt indexate de Google. Devin parte din corpus-ul pe care Gemini îl accesează pentru a genera sinteze ulterioare.
Etapa 4 — Consolidarea. La următoarea interogare pe același subiect, Gemini găsește acum multiple documente care conțin afirmația respectivă — chiar dacă toate provin din aceeași sursă primară eronată. Multiplicarea sursei produce un efect de consens artificial. Modelul, antrenat să fie mai confident când mai multe surse concordă, prezintă afirmația cu certitudine și mai mare.
Etapa 5 — Atribuirea diversificată. Afirmația inițial eronată apare acum în zece surse diferite, cu autori diferiți, pe platforme diferite. Un utilizator care verifică găsește confirmare în mai multe locuri. Sensul comun al verificării — dacă mai mulți o spun, probabil e adevărat — e subvertit de faptul că toți repetă aceeași origine eronată.
Fenomenul acesta nu e teoretic. Cercetători de la Oxford Internet Institute au documentat în 2025 mai multe cazuri concrete în care informații generate de AI s-au propagat prin web până la a deveni surse citate de publicații tradiționale. Unul dintre cazuri documentat public implica o statistică despre rata de adopție a energiei solare în Europa de Est — o cifră generată de un model AI, preluată de un agregator de știri, citată de două publicații de business, și ajunsă în cele din urmă într-un raport al unui think-tank regional.
Raportul think-tank-ului a corectat ulterior cifra. Celelalte publicații nu au publicat corecturi. Cifra originală rămâne pe web, citată și astăzi.
Cercul epistemic are o proprietate importantă: e auto-consolidant în timp, nu auto-corectiv. Erorile care supraviețuiesc primei runde de verificare devin din ce în ce mai greu de eradicat pe măsură ce se multiplică. Internetul, spre deosebire de un dosar de arhivă fizică, nu are un mecanism de retragere eficientă a informației indexate.
Impact Asupra Jurnalismului și Cercetării în România
România are un peisaj mediatic cu caracteristici specifice care amplifică vulnerabilitatea față de mecanismele descrise mai sus.
Subfinanțarea redacțiilor. Publicațiile de știri din România operează în condiții de subfinanțare cronică, cu personal redus și presiune de timp maximă. Salariul mediu al unui jurnalist din redacții regionale sau online e semnificativ sub media europeană a domeniului. Această presiune structurală reduce timpul disponibil pentru verificare — nu din lipsă de profesionalism, ci din lipsă de resurse.
Dependența de agregatori și sinteză. Fluxul de lucru al multor redacții online românești include monitorizarea Google News, a agregatorilor de știri și a motoarelor de căutare ca sursă primară de identificare a subiectelor și a informațiilor de fundal. AI Overviews sunt integrat în acest flux fără un protocol formal de verificare.
Lipsa unei culturi instituționale de fact-checking. România are câteva organizații de fact-checking — Verificat.ro, factual.ro — dar acoperirea lor e limitată față de volumul de conținut produs zilnic. Nu există o tradiție instituțională în redacțiile generaliste de verificare sistematică a surselor.
Presiunea SEO și conținut AI. Un procent semnificativ din textele publicate online în română sunt produse cu asistența sau direct de instrumente AI, cu scopul de a urca în rezultatele de căutare. Textele AI care preiau afirmații din AI Overview și le republică în format aparent editorial contribuie masiv la etapele 2 și 3 ale cercului epistemic descris anterior.
Cercetarea academică. Universitățile românești nu au adoptat încă politici uniforme privind utilizarea AI în cercetare și în elaborarea lucrărilor academice. Studenți și masteranzi care folosesc Gemini pentru documentarea lucrărilor și care preiau afirmații fără verificare la sursă primară introduc erori în lucrări care trec prin evaluare academică și intră în circuit academic. Profesorii, adesea insuficient familiarizați cu caracteristicile specifice ale erorilor AI, pot să nu le detecteze.
Administrația locală. Primăriile mici și instituțiile publice locale din România folosesc frecvent motoarele de căutare și sintezele AI pentru documentarea răspunsurilor la petiții, a regulamentelor locale, a procedurilor administrative. O sinteză AI eronată integrată într-un răspuns oficial are autoritate administrativă formală — și e cu atât mai greu de contestat cu cât poartă semnătura unei instituții.
Context European: Directiva Media, Fact-Checking și Răspunderea Platformelor
Uniunea Europeană a acumulat în ultimii ani un corpus legislativ specific privind informația online și, mai recent, privind AI-ul — cu relevanță directă pentru problema surselor fantomă și a cercului epistemic.
Digital Services Act (DSA) — Regulamentul privind Serviciile Digitale. Aplicabil din august 2023 pentru platformele mari (inclusiv Google), DSA impune obligații specifice privind transparența sistemelor de recomandare și obligații de audit pentru platformele cu risc sistemic. Google Search, clasificat ca platformă de foarte mari dimensiuni (VLOP — Very Large Online Platform), are obligații extinse de transparență și trebuie să publice rapoarte despre mecanismele care determină ce și cum e afișat utilizatorilor.
AI Overviews se află într-o zonă de reglementare ambiguă sub DSA: sunt funcționalitate de căutare sau conținut generat AI? Dacă sunt conținut generat AI, se aplică cerințe suplimentare de marcare și transparență. Comisia Europeană a inițiat în 2025 o procedură de clarificare, dar decizia formală nu e emisă.
Legea privind libertatea media (EMFA — European Media Freedom Act). Adoptată în 2024, EMFA urmărește să protejeze pluralismul media și independența editorială față de influențe politice și comerciale. Prevederile sale nu acoperă direct AI Overviews, dar principiile privind transparența surselor și dreptul publicului la informație corect atribuită sunt relevante normativ.
Directiva privind responsabilitatea AI (AIA — AI Liability Directive). Propusă de Comisie, ancora în dezbatere parlamentară în 2026, această directivă urmărește să faciliteze accesul la despăgubiri pentru persoane care suferă daune cauzate de sisteme AI cu risc înalt. Atribuirea cauzalității — demonstrarea că dauna a fost cauzată de o eroare AI specifică — rămâne o provocare juridică majoră, în special pentru erori informaționale cu efecte difuze.
Codul de practici privind dezinformarea. Google a semnat, ca și alte platforme, Codul de practici UE privind dezinformarea (2022, revizuit 2025), care include angajamente privind transparența algoritmilor de căutare și limitarea amplificării conținutului deceptiv. Compatibilitatea AI Overviews cu aceste angajamente e contestată de organizații media și de cercetători.
Implicații pentru România: Ca stat membru UE, România aplică în principiu tot acest corpus legislativ. Practic, capacitatea de enforcement — aplicare efectivă a obligațiilor platformelor față de utilizatori și instituții românești — depinde de ANCOM și de Consiliul Național al Audiovizualului (CNA), ambele cu resurse limitate față de scala problemei. Sesizările individuale față de Comisia Europeană sunt posibile dar rare și lente.
Multipolaritate — Baidu, Yandex și Strategii Diferite de Citare
Problema atribuirii necoraborante nu e exclusivă Google. Dar abordările diferite ale marilor motoare de căutare globale oferă contrast util.
Baidu (China). Motorul dominant în China, cu sinteză AI integrată în rezultate din 2023, funcționează într-un ecosistem informațional structurat diferit față de web-ul occidental. Corpusul de documente indexate include o proporție mai mare de conținut aprobat editorial sau provenit din surse oficiale — nu în sensul că e mai corect, ci în sensul că atribuirea e mai trasabilă instituțional. Erorile de atribuire există, dar provin mai frecvent din surse verificabile (chiar dacă conținutul lor e propagandă sau informație controlată de stat), nu din cercuri epistemice recursive de conținut AI.
Aceasta nu e o virtute a sistemului chinez — e o consecință a controlului informațional care are propriile patologii severe. Dar contrastul arată că arhitectura ecosistemului informațional, nu doar tehnologia modelului, determină natura erorilor de atribuire.
Yandex (Rusia). Yandex a integrat sinteze AI în rezultate de căutare din 2024, cu un model propriu (YandexGPT). Cercetătorii ruși și occidentali care au analizat comportamentul Yandex în raport cu subiectele sensibile au documentat o caracteristică distinctivă: modelul atribuie preferențial surse din media oficială rusă pentru subiecte cu relevanță politică, indiferent de calitatea sau relevanța documentelor respective. Sursele fantomă de tip Google sunt mai rare — în schimb, sursele reale cu conținut distorsionat sunt frecvente.
Din nou, nu e o comparație care avantajează Yandex — e un profil diferit de eroare, nu eroare mai mică.
Perplexity.ai. Un caz interesant pentru contrast: Perplexity, motor de căutare conversațional bazat pe AI, a ales din start o arhitectură care prioritizează transparența atribuirii — fiecare segment de răspuns e legat explicit de sursa din care provine, cu citare la nivel de frază, nu la nivel de document. Aceasta nu elimină erorile, dar le face trasabile. Utilizatorul poate urmări fiecare afirmație la documentul sursă și poate detecta discrepanțele.
Performanța Perplexity e inferioară Google în sarcini de căutare generală la scară, dar abordarea sa de atribuire oferă un model de transparență epistemică pe care Google l-ar putea adopta fără obstacole tehnice fundamentale. Că nu l-a adoptat e o alegere de design, nu o imposibilitate tehnică.
Bing / Microsoft Copilot. Microsoft a integrat GPT-4 în Bing din 2023. Experiența a generat propriile controverse — inclusiv episoadele Sydney din 2023, când modelul producea conversații erratice și factual incorecte — dar Microsoft a ales să marcheze mai explicit incertitudinea și să atribuie mai conservator. Rata de sycophancy în Bing Copilot e documentată ca mai mică față de Gemini în AI Overviews, deși performanța variază semnificativ pe tipuri de sarcini.
Întrebări Elocvente — Cu Răspuns Complet
1. Ce sunt exact AI Overviews și cum diferă de rezultatele tradiționale de căutare?
Rezultatele tradiționale de căutare Google sunt liste de link-uri — documente indexate pe care algoritmul le consideră relevante pentru interogare. Utilizatorul trebuie să deschidă documentele și să extragă el însuși informația.
AI Overviews sunt sinteze generate de Gemini care încearcă să răspundă direct la interogare, combinând informații din multiple documente indexate. Utilizatorul primește informația pre-extrasă și pre-sintetizată, cu link-uri spre documentele care ar fi trebuit să fie sursele.
Diferența practică pentru utilizator: AI Overviews reduc fricțiunea accesului la informație — mai rapid, mai structurat, fără nevoia de a citi mai multe documente. Aceasta e valoarea lor comercială. Riscul e că această reducere a fricțiunii e însoțită de reducerea motivației de a verifica.
2. De ce rata de 9% e importantă chiar dacă pare mică?
Procentele mici devin cifre mari la scară. 9% din miliarde de operații sunt sute de milioane de operații. Dar dincolo de aritmetică, importanța ratei de 9% vine din tipul de erori și din contextul în care sunt servite.
Erorile AI Overview sunt servite în capul paginii de rezultate, cu format care le conferă autoritate vizuală. Sunt văzute adesea fără click pe surse. Sunt consumate de utilizatori cu niveluri foarte variate de literație critică. Chiar dacă 91% din AI Overviews sunt corecte, erorile sunt distribuite la categorii de utilizatori și contexte unde consecințele sunt cele mai mari — nu uniform și aleatoriu.
3. Ce înseamnă că o sursă „nu coraborează" o afirmație? Nu e același lucru cu o afirmație greșită?
Nu, și distincția e esențială. O afirmație greșită e verificabil falsă — poate fi contrazisă prin surse. O afirmație pentru care sursa citată nu coraborează poate fi corectă sau incorectă — pur și simplu sursa nu conține baza pentru a o susține.
Implicația practică: utilizatorul care deschide sursa și găsește un document real pe un subiect relevant va concluziona că afirmația e susținută. Nu va citi documentul întreg pentru a detecta că afirmația nu apare de fapt în el. Atribuirea necoraborantă exploatează heuristica verificării prin prezență, nu prin conținut.
4. Cercul epistemic e reversibil odată ce s-a instalat?
Parțial și cu dificultate. Textele care au preluat afirmațiile eronate pot fi corectate sau retrase de autorii lor. Dar:
— Multe platforme nu publică corecturi sistematice.
— Textele arhivate (prin Wayback Machine sau alte arhive) persistă chiar și după retragerea versiunii originale.
— Textele care au fost la rândul lor preluate de alți autori continuă să circule independent de corectura sursei originale.
— Indexul Google nu se actualizează instantaneu și nu penalizează automat textele care conțin informații corectat ulterior.
Eradicarea completă a unui cerc epistemic instalat necesită o coordonare activă, cu vizibilitate publică, susținută în timp. E posibilă — există exemple de corecturi masive reușite, în special pentru mituri virale cu impact medical — dar e excepția, nu regula.
5. Poate un utilizator obișnuit să detecteze o sursă fantomă sau necoraborantă?
Da, dacă urmează câțiva pași simpli:
Pasul 1: Deschideți fiecare link din AI Overview, nu doar primul.
Pasul 2: Căutați în documentul deschis afirmația specifică din AI Overview — folosind Ctrl+F cu cuvintele cheie din afirmație.
Pasul 3: Dacă afirmația nu se găsește în document, nu concluzionați că sursa o susține.
Pasul 4: Verificați data documentului sursă față de data evenimentului sau informației citate.
Procesul durează 3-5 minute per AI Overview. Marea majoritate a utilizatorilor nu îl parcurg. Aceasta e o problemă de design al interfeței, nu doar de literație — interfața nu facilitează verificarea.
6. Google știe despre această problemă? Ce a făcut?
Da, Google cunoaște problema — e documentată public și a generat critici extinse din 2023 încoace, când SGE (precursorul AI Overviews) a produs unele erori flagrante cu vizibilitate publică.
Răspunsurile Google au inclus îmbunătățiri iterative ale modelului, adăugarea de marcaje vizuale pe AI Overviews care indică că sunt generate AI, și introducerea unor filtre pentru anumite categorii de întrebări sensibile (medicale, juridice, financiare) unde AI Overview e inhibat sau marcat mai explicit cu avertizări.
Problema persistă pentru că soluția completă e costisitoare comercial: a reduce sau elimina AI Overviews ar reduce avantajul competitiv față de Perplexity și Bing Copilot; a le redesigna cu atribuire transparentă la nivel de frază ar mări complexitatea interfeței și ar reduce viteza de consum a informației — ambele dezavantaje comerciale.
7. Jurnaliștii români ar trebui să interzică folosirea AI Overviews?
Nu neapărat interzicerea, ci protocoalele. AI Overviews pot fi utile pentru:
— Identificarea rapidă a subiectelor și unghiurilor posibile. — Obținerea unui prim tablou general înainte de documentarea detaliată. — Identificarea surselor potențiale pe care să le urmăriți și verificați.
Nu ar trebui folosite pentru:
— Cifre și date specifice care vor apărea în articol fără verificare la sursă primară. — Atribuiri de declarații sau opinii unor persoane sau instituții. — Informații despre cazuri juridice, dosare, sentințe. — Orice afirmație care va fi prezentată ca fapt verificat.
Regula simplă: AI Overview e punct de start pentru documentare, nu punct de sosire.
8. Academia românească a adoptat politici privind citarea AI?
La nivelul anului 2026, situația e eterogenă. Câteva universități — Universitatea din București, UBB Cluj, Universitatea Politehnica București — au adoptat ghiduri privind utilizarea AI în lucrări academice, care includ cerința declarării utilizării și interzicerea citării directe a output-ului AI ca sursă primară.
Majoritatea universităților regionale nu au adoptat politici formale. Implementarea și verificarea respectării politicilor existente sunt inconsistente — detectarea utilizării AI e imperfectă cu instrumentele actuale.
Standardul internațional care se cristalizează în comunitățile academice: AI poate fi instrument de cercetare și documentare, dar output-ul AI nu poate fi sursă primară citată. Afirmațiile preluate din AI trebuie verificate la sursele primare originale și citate pe acestea din urmă.
9. Cum se compară problema citării AI cu problema plagiatului tradițional?
Sunt fenomene distincte cu dinamici diferite, deși se pot suprapune.
Plagiatul tradițional implică preluarea fără atribuire a textului sau ideilor altcuiva. E o problemă de proprietate intelectuală și integritate academică, cu mecanisme de detecție (Turnitin, iThenticate) relativ mature.
Citarea eronată a AI (inclusiv preluarea afirmațiilor din AI Overview fără verificare) implică preluarea cu atribuire falsă sau inexistentă a unor afirmații care pot fi ele însele eronate. Nu e plagiatul ideilor altcuiva — e fabricarea sau preluarea eronată de fapte.
Consecințele pot fi mai grave: plagiatul produce injustiție academică față de autorul original, dar nu produce neapărat informație falsă în circulație. Preluarea afirmațiilor AI eronate produce informație falsă cu aparență de fapt verificat.
10. Ce ar trebui să facă Google diferit, concret?
Câteva intervenții tehnice și de design cu impact imediat:
Atribuire la nivel de frază. Fiecare propoziție sau afirmație din AI Overview ar trebui legată explicit de fragmentul specific din documentul sursă care o susține — nu de document în general. Modelul Perplexity demonstrează că e fezabil tehnic.
Indicator de coraborare. Un semnal vizual simplu (cec verde / semn de întrebare / X) care indică dacă sursele afișate conțin sau nu afirmația respectivă — generat automat prin verificare de consistență.
Marcare a incertitudinii. Afirmațiile pentru care sursele sunt rare, contradictorii sau recente ar trebui marcate explicit cu nivel de încredere redus, nu prezentate la același nivel de autoritate cu afirmații bine documentate.
Excluderea conținutului AI din surse pentru AI. Implementarea unui mecanism de detecție care să excludă din corpus-ul sursă pentru AI Overviews textele care sunt ele însele generate AI — reducând riscul cercului epistemic.
Niciuna nu e tehnic imposibilă. Toate au costuri de implementare și implicații comerciale. Aceasta explică de ce n-au fost implementate unilateral.
Nota Autorului
Unelte Retorice, Limite și Ce Să Nu Faci
Uneltele retorice folosite în acest articol
Scena jurnalistului din Cluj e construită pe o tipologie documentată de comportament în redacțiile online românești — nu un incident verificat, ci un scenariu compozit din practici reale observate și documentate în cercetări despre fluxurile de lucru în jurnalism digital. Alegerea Cluj-ului nu e arbitrară: orașul are cel mai activ ecosistem de jurnalism independent din România în afara Bucureștiului, ceea ce face scena mai credibilă ca mediu și mai surprinzătoare ca situație.
Matematica la scară din secțiunea III (estimarea miliardelor de erori anuale) e o estimare bazată pe date publice parțiale. Am ales să prezint calculul explicit și să semnalez conservatorismul estimărilor, mai degrabă decât să servesc cifra finală ca fapt cert. Transparența calculului e mai valoroasă decât precizia aparentă.
Analogia Beevor / raportul de recunoaștere funcționează bine structural, dar am evitat să o extindem dincolo de necesitate — analogiile militare aplicate tehnologiei riscă să dramatizeze și să sugereze intenție malițioasă acolo unde există consecință neașteptată a design-ului.
Comparația cu Perplexity servește un scop specific: a demonstra că soluțiile tehnice există și că absența lor la Google e o alegere, nu o imposibilitate. Trebuie citit ca argument de design, nu ca endorsement comercial al Perplexity.
Limite asumate
Datele TWiT despre rata de 9% provin dintr-o investigație jurnalistică, nu dintr-un studiu academic peer-reviewed. Metodologia e descrisă sumar în articolul sursă. Cifra e plauzibilă față de alte evaluări independente, dar nu e un număr cu rigoarea unui benchmark academic.
Estimările privind volumul zilnic de căutări Google și procentul de AI Overviews generate sunt bazate pe date publice fragmentare și pe estimări ale analiștilor. Ordinul de mărime e rezonabil; cifrele exacte nu sunt verificabile din surse publice.
Nu am putut accesa date despre România specifice pentru utilizarea AI Overviews — Eurostat și INS nu colectează deocamdată date granulare despre comportamentul de căutare.
Greșeli subiective pe care le recunosc
Am prezentat cercul epistemic ca pe un fenomen mai mecanic și mai linear decât e în realitate. Există mecanisme de corecție parțiale — dezminți virale, fact-checking, editori vigilenți — care opresc unele cercuri înainte să se completeze. Nu am inclus suficientă nuanță despre frecvența relativă a cercurilor complete față de cele incomplete.
Am omis o comparație cu mecanisme pre-AI de propagare a erorii — zvonul jurnalistic tradițional, wire-ul de presă preluat fără verificare, enciclopedia Wikipedia editată greșit — care ar fi ancorat mai bine problema în continuitate istorică, nu ca fenomen complet nou. Articolul 3 tratează implicit AI Overviews ca o ruptură calitativă; e posibil că e mai corect să vorbim de o amplificare a unui fenomen existent.
Ce Să Nu Faci
1. Nu folosi AI Overviews ca sursă primară în niciun context profesional. Indiferent de domeniu. Pot fi punct de orientare; nu pot fi punct de referință.
2. Nu verifica o sursă AI prin „deschiderea link-ului și existența documentului". Existența documentului nu implică că documentul susține afirmația. Cautați afirmația în document.
3. Nu presupune că afirmațiile confirmate de mai multe surse online sunt neapărat corecte. Sursele multiple pot proveni toate din aceeași origine eronată. Numărul surselor nu substituie calitatea și independența lor.
4. Nu tratați absența contraexemplelor rapide drept confirmare. Dacă nu găsiți rapid ceva care să contrazică o afirmație din AI Overview, asta nu înseamnă că afirmația e corectă — înseamnă că nu ați căutat suficient sau că cercul epistemic a suprimat contraexemplele din rezultatele vizibile.
5. Nu publicați cifre sau date specifice provenite din AI Overview fără verificare la sursă primară. Cifrele sunt categoria de afirmații cel mai frecvent greșite și cel mai rar verificate.
6. Nu așteptați de la Google să rezolve problema în locul vostru. Există stimulente comerciale care lucrează împotriva redesign-ului. Protocoalele individuale și instituționale de verificare sunt răspunsul disponibil acum.
7. Nu confundați corectura erorilor AI cu rezolvarea problemei sistemice. Fiecare corectura individuală e valoroasă. Dar atâta timp cât arhitectura AI Overviews rămâne neschimbată, noi erori sunt produse continuu. Focusul pe cazuri individuale poate distra de la presiunea pentru schimbare structurală.
Bibliografie
-
TWiT.tv. (2026). How Accurate Are Google's AI Overviews? Investigation into Error Rates and Source Attribution. twit.tv/posts/tech/how-accurate-are-googles-ai-overviews
-
NewsGuard. (2026). AI Search Engines Hallucination Report: Comparative Analysis of Major Platforms. newsguardtech.com/ratings/ai-search-engines/
-
Parlamentul European și Consiliul. (2018, cu amendamentele din 2025). Directiva (UE) 2018/1808 privind furnizarea de servicii mass-media audiovizuale. Jurnalul Oficial al Uniunii Europene.
-
European Press Council / Conseil de Presse Européen. (2025). AI Tools in Newsrooms: Risks, Protocols and Editorial Standards. europeanjournalismcentre.org
-
Pew Research Center. (2025). Trust in AI-Generated Information: A Global Survey. Washington DC: Pew Research Center. pewresearch.org
-
Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020, actualizat 2026). On Faithfulness and Factuality in Abstractive Summarization [baza pentru cercetarea atribuirii in LLM]. Proceedings of ACL 2020. arXiv:2005.00661
-
Floridi, L., Cowls, J., Beltrametti, M., et al. (2023). The Ethics of Artificial Intelligence: Principles, Explainability and Accountability. Oxford University Press.
-
Zuboff, S. (2019). The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power. PublicAffairs. [Contextul infrastructurii epistemice digitale și capturarea atenției]
-
Consiliul Național al Audiovizualului (CNA) România. (2025). Raport anual privind dezinformarea online, utilizarea instrumentelor AI și riscurile pentru ecosistemul informațional. București: CNA.
-
Prelipceanu, C. (coord.). (2026). Verificarea faptelor în era inteligenței artificiale: ghid practic pentru redacții și jurnaliști independenți. Media Fact Check România / verificat.ro
Articolul următor din serie — „Miza Vieții: Gemini în Medicină, Drept și Finanțe: Când 76,7% nu e o Statistică" — coboară cercul epistemic în domeniile unde consecințele erorilor sunt cel mai grave: decizii medicale, dosare juridice, sfaturi financiare.