Wskaźnik dryfu obciążenia

Bias Drift Index (BDI) to wskaźnik dryfu dla systemów generatywnych. Mierzy, czy bieżące wyniki są w sposób istotny różne od rozkładu bazowego, który wcześniej zaakceptowałeś/aś pod kątem sprawiedliwości, reprezentacji, nastroju (sentiment) lub równowagi tematycznej.

Ma to znaczenie w Generative Engine Optimization, ponieważ widoczność w AI to nie tylko kwestia tego, czy jesteś wspomniany/a. Chodzi o to, jak wybierane są byty, źródła i perspektywy oraz jak są kadrowane/ujmowane. Jeśli model zaczyna nadmiernie cytować jeden typ wydawcy, niedoszacowywać niektórych marek albo wypaczać sentiment wokół danego tematu, Twoje działania w GEO mogą wyglądać stabilnie w Ahrefs czy Semrush, podczas gdy warstwa AI dryfuje „pod spodem”.

Jak zespoły go wyliczają

Mechanika jest prosta. Trudne jest wybranie bazowego punktu, który warto bronić.

1. Zapisz próbkę bazową przy starcie albo po zweryfikowanej aktualizacji modelu.
2. Oznaczaj wyniki według stałego schematu: typ źródła, sentiment, klasa bytu, cecha demograficzna, klaster tematyczny albo mix cytowań.
3. Zamień te etykiety w rozkłady.
4. Porównaj bieżący rozkład z bazowym za pomocą metryki dywergencji, takiej jak dywergencja Jensena-Shannona, dywergencja KL (Kullbacka-Leiblera) lub Earth Mover’s Distance.
5. Znormalizuj wynik do wyniku (score), często w skali 0–1.

W praktyce wiele zespołów ustala progi ostrzegawcze wokół 0,10–0,15, a progi krytyczne wokół 0,25–0,30. To nie są wartości uniwersalne. Asystent medyczny powinien tolerować mniejszy dryf niż generator przepisów.

Dlaczego ma znaczenie dla GEO

BDI jest przydatny, gdy monitorujesz AI Overviews, silniki odpowiedzi (answer engines), wewnętrzne copiloty lub systemy retrieval-augmented, które wpływają na odkrywanie treści. Rosnący wynik może wskazywać, że model zmienia, którym źródłom ufa, z jakimi klasami zapytań wiąże konkretne byty albo które perspektywy wzmacnia.

Widać to w realnej pracy. Możesz mieć stabilne wyświetlenia w Google Search Console, podczas gdy podsumowania AI zaczynają cytować fora o 40% częściej niż strony wydawców. Albo marka, która wcześniej pojawiała się w 18% tworzonych porównań, po odświeżeniu modelu spada do 6%. Screaming Frog tego nie wykryje. Surfer SEO tego nie wykryje. Potrzebujesz próbkowania i etykietowania wyników.

Gdzie BDI się psuje

Uwaga jest taka: BDI jest tak dobre, jak dobra jest baza i etykiety. Jeśli Twoja baza była już obciążona/biasowa, BDI jedynie mierzy wierność wobec błędnego punktu startu. Nie dowodzi sprawiedliwości. Dowodzi zmiany.

Szybko robi się też szumne przy małych próbach, słabych klasyfikatorach lub zmianach w miksie promptów. Jeśli zestaw zapytań przesunął się z promptów brandowych na informacyjne, wynik może wzrosnąć nawet wtedy, gdy model nie zrobił nic złego. Dlatego dojrzałe zespoły dokonują stratyfikacji według klasy zapytań i śledzą BDI wraz z udziałem cytowań (citation share), dywersyfikacją źródeł oraz zmiennością sentimentu.

John Mueller z Google wielokrotnie naciskał, by zespoły skupiały się na mierzalnej jakości widocznej dla użytkownika, a nie na abstrakcyjnych, wewnętrznych wynikach. Dotyczy to także tutaj. BDI to metryka monitoringu, nie czynnik rankingowy, nie tarcza compliance i nie zamiennik ręcznej weryfikacji.

Praktyczna implementacja

Stosuj próbkowanie co najmniej co tydzień. Wersjonuj swoje bazy. Jeśli chcesz uzyskać stabilne odczyty kierunkowe, trzymaj od 500 do 1 000 wyników na każdy większy klaster promptów. Następnie powiąż alerty z działaniem: zmiany promptów, strojenie retrievalu, ważenie źródeł albo ukierunkowane fine-tuning. Jeśli nie potrafisz wyjaśnić, jaka zmiana operacyjna powinna być uruchamiana przez wysoki BDI, zbierasz metrykę „na pokaz” (vanity metric).