Kan en sprogmodel erstatte Googles søgeindeks? DeepMind har teorien, men ikke produktet

Forskere hos Google DeepMind har bevist, at én sprogmodel i teorien kan rangere et ubegrænset antal dokumenter uden et separat søgeindeks. Det er en vigtig brik i forståelsen af, hvor AI-søgning kan bevæge sig hen. aisearch.dk har læst forskningen og den mest omtalte analyse af den, og konklusionen er klar: der er tale om teori og små forsøg, ikke om et produkt. Alligevel er retningen værd at kende for danske udgivere og marketingfolk, fordi den ændrer, hvad synlighed betyder.

Hvad har DeepMind-forskerne egentlig bevist?

DeepMind-forskerne har bevist, at en autoregressiv sprogmodel med en fast intern størrelse i princippet kan rangere et vilkårligt antal dokumenter. En autoregressiv model er en model, der skriver sit output ét stykke ad gangen, ligesom en chatbot skriver ord for ord. Artiklen fra januar 2026 viser samtidig, at den teknik, søgemaskiner bruger i dag, skal vokse i takt med antallet af dokumenter for at kunne udtrykke enhver mulig rangering. Forskerne kalder metoden autoregressiv rangering, forkortet ARR.

Duane Forrester, der har grundlagt målingsplatformen CitationIQ, har skrevet den mest omtalte analyse af forskningen i Search Engine Journal. Han kalder selv sine konsekvenser for kvalificeret spekulation og gør opmærksom på, at han har en interesse i, at måling af AI-synlighed ændrer sig. Artiklen introducerer også en ny træningsmetode ved navn SToICaL. Metoden lærer modellen at tage hensyn til hele den rangerede liste og ikke kun til det øverste resultat.

Hvordan rangerer Google i dag, og hvad ville ændre sig?

Google og andre søgemaskiner rangerer i dag typisk i to trin: først finder et hurtigt og billigt system kandidaterne i et indeks, og derefter sorterer et langsommere og mere præcist system dem. Fagsproget kalder de to systemer en dual encoder og en cross encoder. Den første omsætter forespørgsel og dokumenter til talvektorer hver for sig, så millioner af sider kan sammenlignes på et øjeblik. Den anden læser forespørgsel og dokument sammen og er derfor for dyr at køre på hele nettet.

DeepMind-forskernes idé er at slå begge trin sammen i én generativ model. Dokumenterne får et kort id, en såkaldt docID, som modellen genererer token for token på samme måde, som den genererer ord. I shoppingforsøget blev hvert produkts id afledt af produkttitlens betydning og presset ned til tre tal, så lignende produkter deler de første cifre. Modellen slår altså ikke op i et kartotek. Den producerer selve adressen. For en almindelig dansk bruger ville forskellen ikke være synlig i selve søgefeltet, men den ville ændre, hvilke sider der overhovedet kan komme med i svaret.

Hvor langt er Google fra at bruge teknikken i søgningen?

Google er efter alt at dømme langt fra at erstatte sit søgeindeks med autoregressiv rangering, fordi forsøgene indtil videre er små og afgrænsede. Forskerne finjusterede Mistral-7B, en åben sprogmodel med cirka 7 mia. parametre, og altså ikke en af de største frontiermodeller. Rangeringen foregik ved, at kandidaternes id’er blev lagt ind i prompten, så modellen valgte blandt dem. Det er omsortering af en kendt liste, ikke genfinding fra hele nettet.

Testdatasættene var også begrænsede. WordNet er en database fra Princeton med cirka 82.000 engelske navneord ordnet i bredere og snævrere begreber, og shoppingevalueringen bestod af 310 eksempler. Én opsætning blev endda dårligere til at placere det bedste resultat først, selv om resten af listen blev bedre. aisearch.dk vurderer derfor, at forskningen er et fundament og ikke en lancering. Retningen er dog ikke ny: Google-forskere foreslog i 2021 søgning, der svarer direkte fra et korpus, og i 2022 kom Differentiable Search Index, hvor en enkelt model kobler forespørgsler direkte til dokument-id’er.

Hvad ville det betyde for synlighed, hvis det blev til virkelighed?

Hvis autoregressiv rangering nåede en rigtig søgemaskine, ville synlighed blive binær: en side er enten med i det udvalg, modellen genererer, eller også bliver den slet ikke produceret. Modellen bruger en teknik kaldet beam search, hvor den undervejs kun beholder et fast antal af de mest sandsynlige forslag, for eksempel 10. Plads nummer 11 er derfor ikke et dårligt resultat. Den bliver aldrig genereret, og side to i søgeresultaterne holder op med at eksistere.

Forrester peger på tre konsekvenser. Den første er, at næsten ens sider konkurrerer om samme adresse. Forestil dig en dansk webshop med 40 næsten identiske produktsider for den samme sneaker i forskellige farver. I et generativt indeks kæmper siderne ikke om placering 4 og 5, men om at blive den ene side, modellen kender. Den anden er, at træningsdataene bliver selve algoritmen, uanset om de kommer fra klik, menneskelige bedømmere eller andre signaler. Den tredje er friskhed. Googles egen opfølgende forskning, DSI++, fandt, at løbende indeksering af nye dokumenter fik modellen til at glemme dokumenter, den allerede kendte. For en dansk nyhedsudgiver ville “indekseret” og “kendt af rangeringen” altså ikke længere være det samme.

Hvorfor bliver klassisk indeksering ikke ligegyldig?

Klassisk indeksering bliver ikke ligegyldig, fordi den mest sandsynlige første udgave er en hybrid, hvor et almindeligt indeks finder kandidaterne og en generativ model sorterer dem. Det er præcis sådan, forsøgene var sat op, og Forrester kalder hybriden den plausible tilstand på kort sigt. Danske sites skal derfor stadig være crawlbare, have en ren teknisk struktur og være til at finde for både Googlebot og AI-crawlere.

Pengene peger også på, hvorfor Google bliver ved med at investere i retningen. Alphabet havde i andet kvartal 2026 en omsætning på 63,27 mia. dollars fra Google Search og andet, en vækst på 17 procent. Annonceauktionen er et separat system, som artiklen ikke rører. Ifølge Forrester ligger den økonomiske pointe i omkostningerne: to-trinsmodellen findes, fordi præcis sortering er for dyr at køre på alt. Kan én model gøre arbejdet billigere, svækkes en af grundene til at bevare de ti blå links.

I en model, der genererer sine resultater, er plads nummer 11 ikke et dårligt resultat. Den bliver aldrig skabt.

Hvad bør danske udgivere og marketingfolk gøre nu?

Danske udgivere og marketingfolk bør ikke bygge deres strategi om på baggrund af én forskningsartikel, men fire mindre skridt står i rimeligt forhold til, hvor teknikken er i oktober 2026. aisearch.dk har samlet dem i en kort rækkefølge, der også giver mening, hvis teknikken aldrig når søgefeltet.

1. Gør siderne adskilleligeFind sider, der ikke kan skelnes på indhold og betydning, og saml eller differentiér dem, før de konkurrerer om samme plads.
2. Mål inklusion, ikke kun placeringBegynd at registrere, om I bliver nævnt i AI-svar, så I har en historik, hvis grænsen for synlighed flytter sig.
3. Hold den tekniske basis i ordenCrawlbarhed, sitemap og en ren struktur er stadig indgangen til et hybridsystem, hvor indekset finder kandidaterne.
4. Følg forskningen med kildekritikLæs nye artikler fra Google og DeepMind som retning, ikke som en køreplan, og hold øje med forsøg i større skala.

Ofte stillede spørgsmål

Kilde: Duane Forrester i Search Engine Journal, 8. oktober 2026, med henvisning til DeepMind-artiklen fra januar 2026, Rethinking Search (2021), Differentiable Search Index (2022) og DSI++. Webshopeksemplet er tænkt.

Senest revideret 10. oktober 2026. Artiklen gennemgås løbende, når AI-søgelandskabet flytter sig.