Googles ranking-forsøg blev bedre til listen og dårligere til førstepladsen

Hvad papiret faktisk beskriver

Den klassiske opbygning bag et søgeresultat har to trin. Først en dual encoder, der lægger forespørgsel og dokumenter i samme vektorrum og henter kandidater hurtigt. Derefter en cross encoder, der læser forespørgsel og dokument sammen og rangerer præcist, men er alt for langsom til at køre på hele indekset. Hurtigt og upræcist først, langsomt og præcist bagefter.

Autoregressive Ranking foreslår at skifte begge ud med én model. En sprogmodel genererer dokument-id’er token for token, og rangeringen falder ud af beam search. Forfatterne — Benjamin Rozonoyer, Chong You, Michael Boratko, Himanshu Jain, Nilesh Gupta, Srinadh Bhojanapalli, Andrew McCallum og Felix Yu, fra Google DeepMind, University of Massachusetts Amherst og University of Texas at Austin — viser teoretisk, at den konstruktion har strengt større udtrykskraft end en dual encoder. Oven på den lægger de en træningsfunktion, SToICaL, der vægter dokumenter efter deres faktiske placering i facitlisten i stedet for blot at forudsige næste token.

Det er en arkitekturidé. Det er ikke en rangeringsfaktor, ikke en opdatering og ikke noget, der er rullet ud. Papiret blev indleveret 9. januar 2026 og sidst revideret 11. februar. At det kører som nyhed i september, siger mere om nyhedscyklussen end om Googles køreplan. Til sammenligning er de ting, der rent faktisk har flyttet danske tal i år, navngivne og datostemplede: spamopdateringen 18.–21. august 2026 og åbningen af rapporten for generativ AI i Search Console 31. august.

Tallet, overskrifterne springer over

Forsøgene kører på to datasæt. WordNet er den rene øvelse: 5.000 forespørgsler mod 82.155 substantivsynsets, hvor facit er hierarkiet op mod roden. Her virker metoden overbevisende. Andelen af par, hvor modellen giver et irrelevant dokument højere sandsynlighed end et relevant — forfatternes constraint violation rate — falder fra 27,66 % med almindelig næste-token-træning til 0,0 %. nDCG går fra 94,89 til 99,83.

ESCI er den interessante. Det er Amazons Shopping Queries-datasæt, altså rigtige kommercielle søgninger, og det er her byttehandlen bliver synlig. nDCG stiger fra 95,23 til 97,21. Recall på plads fem næsten fordobles, fra 27,64 % til 51,07 %. Og recall på førstepladsen falder fra omkring 95 % til 70,32 %.

Læs den midterste og den øverste række sammen. Modellen blev omtrent dobbelt så god til at have det rigtige med i toppen af listen, og en fjerdedel dårligere til at vide, hvilket af dem der skulle ligge først. Forfatterne skriver det selv rent ud: trie-tilgangen forbedrer recall for alle afskæringer over ét, mens den skader recall på plads ét.

Hvorfor byttet giver mening for en søgemaskine og ikke for dig

Her er den holdning, jeg vil forsvare: den byttehandel er ikke et uheld undervejs, og den er heller ikke neutral. Den er rationel for den, der bygger et svarlag, og dyr for den, der ejer en side.

En klassisk resultatside belønner førstepladsen uforholdsmæssigt meget. Klikfordelingen er stejl, og det er hele grunden til, at rangering nummer ét har været værd at betale for. Et svarlag har en anden funktion. AI Overviews og AI Mode læser en håndfuld kilder og syntetiserer. For den opgave er “de rigtige ti i den nogenlunde rigtige rækkefølge” mere værd end “den helt rigtige ene”. Et system, der optimerer mod det, vil naturligt bytte præcision på plads ét væk for bredde på plads to til ti — præcis som tabellen viser.

Det er samme retning, som tallene i drift har peget i et godt stykke tid: flere forespørgsler hvor man er med i billedet, færre hvor man er svaret. Papiret beviser ikke, at det er årsagen — det er et forsøg på to små datasæt, ikke en beskrivelse af google.dk. Men det er første gang, jeg har set byttehandlen skrevet ned som en parameter, man vælger, i stedet for som en bivirkning, nogen beklager.

Forbeholdene, forfatterne selv skriver ned

Papiret er mere ærligt end dækningen af det, og forbeholdene er værd at kende, før nogen sælger dig en strategi på det:

• ESCI-delen hviler på 310 eksempler. Det er et lille tal at bære en konklusion om kommerciel søgning på.
• Relevansen er maskingenereret. Rangeringsparrene i ESCI er udledt med Gecko-embeddings, ikke med menneskelige bedømmelser. En model bedømmer en model.
• Træning og inferens er ikke ens. Forfatterne beskriver selv, at teacher forcing giver et misforhold mellem den rangeringsbevidste træning og det, modellen faktisk gør, når den genererer.
• Ingen produktionstal. Der er ingen analyse af latens eller hukommelsesforbrug i skala, og det er netop dét, der afgør, om noget kan køre på et webindeks.
• Teorien hviler på antagelser. Beviset for større udtrykskraft forudsætter blandt andet en gunstig rang i token-embeddings, som papiret selv bemærker ikke holder i WordNet-forsøget.

Med andre ord: hvis nogen i den kommende tid fortæller dig, at “Google er gået over til generativ ranking, og derfor skal dit indhold laves om”, har de læst overskriften og ikke tabellerne.

Hvad man gør ved det

Ikke noget dramatisk. Men rækkefølgen her er værd at følge, hvis mistanken om et skift fra “ét rigtigt svar” mod “et godt sæt” skal kunne be- eller afkræftes på dine egne tal:

1. Skil de to former for synlighed ad i din rapportering. Antal forespørgsler hvor du ligger i top tre, og antal hvor du ligger nummer ét, er ikke længere det samme signal. Hvis kun det ene falder, ved du hvilken slags rangering du taber.
2. Hold visningerne i rapporten for generativ AI adskilt fra de organiske. De tæller forskellige ting, og et samlet gennemsnit skjuler præcis den bevægelse, du leder efter.
3. Vurdér om dine vigtigste sider kan bære at blive læst som én af flere kilder. En side, der kun giver mening som helhed, klarer sig dårligere i et svarlag end en side, hvor hvert afsnit svarer på noget konkret og kan stå alene.
4. Lad være med at bygge om på et arkitekturpapir. Det, der flytter tallene i år, har navne og datoer. Det her har hverken rullet ud eller et navn i Googles egen dokumentation.