Wewnątrz filtra recenzji Google: Jak uczenie maszynowe wykrywa fałszywe opinie

Google nie udostępnia instrukcji dotyczących wykrywania fałszywych recenzji. Jednak z postów na blogach firmowych, dokumentów rządowych i analiz ekspertów, projekt systemu staje się jasny — i jest znacznie bardziej zaawansowany, niż wielu przypuszcza.

Każdego dnia na Google Maps i w wyszukiwarce pojawia się 20 milionów treści. Są to recenzje, zdjęcia, zmiany i pomysły. Zdecydowana większość jest prawdziwa. Znaczna część nie. Sortowanie takiej ilości danych nie jest zadaniem dla ludzi. Jest to zadanie dla uczenia maszynowego, a ta maszyna stała się niezwykle skuteczna.

Aby zrozumieć, jak działa filtr Google, musisz najpierw docenić liczby. Codziennie napływa dwadzieścia milionów elementów przesłanych przez użytkowników. To około 230 na sekundę, 24/7, ze wszystkich zakątków globu, w każdym języku, na każdym typie urządzenia. Pomysł, że ludzie mogliby przeglądać choćby niewielką część tego — nie mówiąc już o robieniu tego konsekwentnie — jest fundamentalnym nieporozumieniem. To nigdy nie był problem, który ludzie mogli rozwiązać.

Zamiast tego Google stworzyło warstwowy system egzekwowania, który działa zawsze. W 2023 roku usunął 170 milionów recenzji, które naruszały jego zasady, o 45% więcej niż w poprzednim roku. W 2024 roku liczba ta wzrosła do 240 milionów. Ten wzrost rok do roku nie oznacza tylko, że powstaje więcej fałszywych recenzji, choć to może być jeden z czynników. Oznacza to, że technologia wykrywania rozwija się szybciej niż metody jej omijania.

Stawka dla firm jest ogromna. Badanie z 2023 roku opublikowane w Journal of Business Research wykazało, że fałszywe negatywne recenzje są nieproporcjonalnie często kierowane na odnoszące sukcesy restauracje, szkodząc samym firmom, które najbardziej polegają na swojej dobrze wypracowanej reputacji. Po stronie podaży, prawnicy Google pozywali sprzedawców fałszywych recenzji, w tym sprawę z 2023 roku przeciwko dostawcy z Bangladeszu, którego strona internetowa, Bigboostup.com, tworzyła fałszywe recenzje dla amerykańskich lokalnych firm.

Dlaczego fałszywe recenzje nadal się przedostają?

Jeśli Google usuwa setki milionów fałszywych recenzji rocznie, dlaczego niektóre z nich trafiają na profil? To ten sam powód, dla którego niektóre spamowe e-maile nadal docierają do Twojej skrzynki odbiorczej, nawet przy dobrych filtrach. Metody unikania stają się coraz sprytniejsze, a istnieje cienka granica między fałszywymi pozytywami (prawdziwe recenzje błędnie usunięte) a fałszywymi negatywami (fałszywe recenzje, które przechodzą). Google dostosowuje swój system, aby uniknąć usuwania autentycznych recenzji, co oznacza, że sprytne fałszywki mogą przetrwać dłużej niż jawne.

Joy Hawkins, założycielka Sterling Sky i wiodąca badaczka w dziedzinie lokalnego SEO, szczegółowo zbadała tę nierównowagę. Jej praca pokazuje, że filtr Google może czasami usuwać grupy legalnych recenzji, zwłaszcza dla prawników i lekarzy, gdzie wielu faktycznych klientów może korzystać z tego samego Wi-Fi w poczekalni. Filtr nie jest doskonały w żadnym kierunku.

Google nie opublikowało podręcznika technicznego dla swojego systemu moderacji recenzji. Mamy posty na blogach firmowych, oświadczenia dla FTC i analizy badaczy obserwujących działania systemu. Razem te źródła wskazują na pięcioczęściowy proces, który działa nieustannie obok normalnych funkcji Google Maps.

Centralna zasada projektowania — o której Google wspomniało na swoim blogu „Utrzymywanie autentyczności recenzji” — polega na tym, że proces nie kończy się, gdy recenzja zostanie opublikowana. Recenzja, która początkowo przejdzie, może zostać ponownie sprawdzona dni lub tygodnie później, gdy pojawią się nowe informacje. Jeśli konto A otrzyma pozytywną ocenę w poniedziałek, ale w czwartek zostanie powiązane z klastrem dwunastu innych kont, które właśnie zostały oznaczone, opublikowane recenzje konta A zostaną ponownie sprawdzone. Dlatego firmy czasami widzą, jak recenzje znikają długo po tym, jak się pojawiły.

Rola analityków ludzkich

Zautomatyzowane systemy zajmują się przypadkami o dużej objętości, w których system jest bardzo pewny. Przypadki graniczne trafiają do ludzkich śledczych. Są to podstępne fałszywki, które znajdują luki w statystykach, lub prawdziwe recenzje, które wyglądają na podejrzany wzorzec. Ci pracownicy Google analizują bezpośrednie dowody: zrzuty ekranu z czatów oszustów, wzorce w raportach właścicieli firm i analizę językową. To, co znajdą, jest wykorzystywane do ponownego szkolenia modelu. Tak właśnie doszło do usunięcia sieci 5 milionów recenzji w 2023 roku: ludzie zdefiniowali wzorzec, model go przyswoił, a nowe wykrycia stały się automatyczne.

Ten cykl sprzężenia zwrotnego jest najważniejszym elementem projektu systemu. Celem nie jest stworzenie listy zasad. Celem jest stworzenie tak zaawansowanego modelu, który sam rewiduje swoją definicję oszustwa, niemal w czasie rzeczywistym.

Analiza tekstu i NLP

Mniej nagłośnionym aspektem wykrywania fałszywych recenzji jest sam tekst. Modele przetwarzania języka naturalnego (NLP) mogą wykrywać lingwistyczne oznaki typowe dla sfabrykowanych recenzji: zbyt wiele superlatywów, brak konkretnych szczegółów, nadużywanie „ja” i powtarzające się frazy na różnych kontach. Badania w Journal of Marketing Analytics wykazały, że psychologiczne markery językowe — takie jak wysiłek poznawczy i ton emocjonalny — mogą z dużą dokładnością oddzielić fałszywe recenzje od prawdziwych. Własne NLP Google, wzbogacone o Gemini w 2024 roku, wykonuje tę pracę na masową skalę.

Google nie dostarczyło pełnego spisu swoich sygnałów wykrywania. Jednak łącząc oficjalne oświadczenia, zeznania dla FTC, badania ekspertów i uważną obserwację tego, co jest oznaczane, a co nie, możemy zebrać główny zestaw sygnałów. Dziesięć z nich odpowiada za większość egzekwowania.

Te dziesięć sygnałów to nie prosta lista kontrolna; to ważone punkty danych w modelu prawdopodobieństwa. Jeden sygnał sam w sobie rzadko wystarcza do wywołania działania. System szuka kombinacji — wzorców, w których kilka sygnałów wzajemnie się potwierdza. Nowe konto z udostępnionego adresu IP, używające tekstu szablonowego bez zdjęć, trafia jednocześnie na cztery sygnały, a ta mieszanka daje wysoką pewność usunięcia.

Wybuch kont: najbardziej wymowny wzorzec Google

Spośród wszystkich sygnałów, wykrywanie wybuchów kont jest tym, który najskuteczniej demontuje wielkoskalowe schematy recenzji. Kiedy sprzedawca tworzy pięćdziesiąt fałszywych kont, aby zrecenzować profil klienta, te konta często dzielą dane dotyczące tworzenia, nawet jeśli używają różnych adresów IP i urządzeń. Mogą mieć podobnych dostawców poczty e-mail, być rejestrowane jeden po drugim lub mieć identyczne początkowe ustawienia. W swoim raporcie przejrzystości z 2023 roku Google specjalnie przypisało klastrowanie oparte na grafach jako technologię, która usunęła 5 milionów fałszywych recenzji z jednej sieci oszustw w ciągu zaledwie kilku tygodni.

Dlaczego niektóre fałszywki nadal przechodzą

Żaden system wykrywania nie jest w stanie wyłapać 100% fałszywek, nie oznaczając jednocześnie katastrofalnej liczby prawdziwych. System Google jest dostrojony tak, aby wyrządzać jak najmniej szkód autentycznym recenzjom. Oznacza to, że bardzo dobrze wykonana fałszywka — pochodząca z prawdziwego, starego konta, z domowego adresu IP w odpowiednim mieście, z historią innych recenzji — może przejść pierwszą kontrolę i pozostać widoczna przez tygodnie. Dodanie Gemini do systemu w 2024 roku ma rozwiązać dokładnie ten problem, wykonując głęboką analizę behawioralną, która może znaleźć drobne niespójności, których nawet modele statystyczne nie zauważą.

Nie każda próba opublikowania fałszywej recenzji ma taką samą szansę na wykrycie. Ryzyko waha się od subtelnych taktyk, które filtr często pomija, do oczywistych zachowań, które prowadzą do niemal natychmiastowego usunięcia. Wiedza o tym, gdzie dana taktyka plasuje się w tym zakresie, odróżnia nowicjuszy od profesjonalistów — i dlatego wykrywanie Google staje się coraz lepsze.

Dla firm oznacza to jedno: ryzyko wykrycia rośnie znacznie szybciej niż liczba recenzji. Kupowanie dwudziestu recenzji od taniego dostawcy jest wykładniczo bardziej ryzykowne niż kupowanie pięciu od dostawcy z wyższej półki. Przy dwudziestu recenzjach sama szybkość ich pojawienia się wystarcza do uruchomienia wykrywania, niezależnie od tego, jak dobre są konta. Objętość to jedyna rzecz, która najskuteczniej skłania system do przejścia od obserwacji do działania.

Abstrakcyjne mówienie o sygnałach wykrywania to jedno. Widzenie ich w działaniu podczas konkretnych usunięć sprawia, że staje się to realne. Cztery przypadki tutaj pochodzą z informacji publicznych, dokumentów prawnych i raportów. Nie są to wymyślone historie, ale prawdziwe sytuacje, w których system Google znalazł i zadziałał w przypadku schematów fałszywych recenzji.

Wspólnym wątkiem we wszystkich czterech przypadkach było to, że nie jakość pojedynczej recenzji doprowadziła do ich wykrycia. Były to wzorce: szybkość, lokalizacja, połączenia kont i aktywność międzyplatformowa. System nie czyta recenzji jak człowiek. Czyta dane, które ją otaczają.

W kwietniu 2024 roku Google ogłosiło, że dodaje Gemini — swój najpotężniejszy model językowy — do systemu moderacji Profilu Firmy w Google. Była to duża zmiana. Zdolność Gemini do wnioskowania na podstawie wielu sygnałów i analizowania długoterminowych zachowań rozwiązała największą ślepą plamkę systemu: dobrze wykonaną, jednorazową fałszywkę. Starsze modele analizowały sygnały pojedynczo. Gemini może zrozumieć całą historię działań konta — czas publikacji recenzji, logikę recenzji dla różnych firm i to, czy ścieżka jego aktywności ma sens.

Efekt był wyraźny w danych: 240 milionów fałszywych recenzji usuniętych w 2024 roku, co stanowi 40% wzrost w stosunku do 2023 roku. Co ważniejsze, więcej zostało zatrzymanych przed publikacją — zanim ktokolwiek je zobaczył. To przejście od reaktywnego usuwania do proaktywnego blokowania jest oznaką inteligentniejszego modelu. Oznacza to, że mniej firm boryka się z nagłymi wzrostami recenzji, mniej osób czyta fałszywe treści, a cała platforma zbliża się do tego, czego chce Google.

Etykieta „Podejrzane fałszywe recenzje”

Wraz z aktualizacją algorytmu, rok 2024 przyniósł nową funkcję dla konsumentów: ostrzeżenie „podejrzane fałszywe recenzje”. Gdy profil firmy wykazuje dziwne wzorce — takie jak nagły zalew recenzji z kont o niskiej jakości — Mapy wyświetlają teraz baner, aby ostrzec potencjalnych klientów. Funkcja pojawiła się w USA, Wielkiej Brytanii i Indiach pod koniec 2024 roku, a globalne wdrożenie rozpoczęło się w maju 2025 roku. Oznacza to zmianę polityki z samego egzekwowania na zapewnianie przejrzystości. Nawet jeśli Google nie usunie recenzji, może teraz pokazać użytkownikom swoją własną niepewność co do jej autentyczności.

Kierunek jest jasny. W 2021 roku dobrze zaplanowana kampania fałszywych recenzji — wykorzystująca stare konta, domowe adresy IP i dobrą mieszankę geograficzną — miała spore szanse na utrzymanie się przez miesiące. Do 2026 roku ta sama kampania będzie musiała zmierzyć się z analizą opartą na Gemini, która potrafi wykryć niespójności, których wcześniejsze modele nie były w stanie. Żywotność fałszywej recenzji skraca się z każdym rokiem. Jednocześnie negatywne konsekwencje — więzienie recenzji, blokady kont i kary FTC — stają się coraz gorsze.

Wiedza o tym, jak zbudowany jest system wykrywania Google, zmienia zasady gry dla każdej firmy rozważającej swoją strategię recenzji. Filtr nie szuka recenzji, które „brzmią fałszywie”. Szuka wzorców, które nie są naturalne. Ta różnica jest ogromna. Wiele firm, które nigdy nie kupiły ani jednej fałszywej recenzji, widziało, jak prawdziwe recenzje są filtrowane, podczas gdy niektóre sprytne kampanie fałszywych recenzji utrzymują się przez jakiś czas.

Lekcja jest taka, że strategia recenzji musi być zaprojektowana tak, aby wyglądała naturalnie na poziomie wzorców, a nie tylko na poziomie treści. Doskonale napisana recenzja jest bezwartościowa, jeśli konto, które ją opublikowało, uruchamia alarm prędkości lub nie przechodzi kontroli lokalizacji. Sygnał, który najbardziej liczy się dla Google, to nie „czy ta recenzja wydaje się prawdziwa?”, ale „czy cały cyfrowy ślad tego recenzenta wygląda jak ślad prawdziwego klienta?”.

Dlaczego naturalne tempo recenzji jest lepsze niż duża objętość

Najbardziej spójna lekcja z badania wykrywania fałszywych recenzji przez Google jest taka, że prędkość jest największym czynnikiem ryzyka dla egzekwowania. Firma, która otrzymuje 50 prawdziwych recenzji w ciągu sześciu miesięcy, ma zerowe ryzyko wykrycia, niezależnie od tego, jak o nie prosiła. Firma, która otrzymuje 50 recenzji w ciągu jednego tygodnia — nawet jeśli wszystkie są prawdziwe — może uruchomić alert anomalii i niektóre z nich zostaną odfiltrowane. Algorytm nie widzi rzeczywistego zdarzenia, które doprowadziło do recenzji. Ocenia legalność na podstawie tego, jak statystycznie wiarygodny jest wzorzec. Stałe, naturalne tempo to wzorzec, do którego powinno dążyć autentyczne zbieranie recenzji.

Pozytywna pętla sprzężenia zwrotnego prawdziwych recenzji

Budowanie bazy autentycznych recenzji przynosi złożone korzyści. Konta, które mają dużą aktywność na Mapach i historię recenzowania innych firm, sygnalizują systemowi legalność. Kiedy te konta recenzują Twoją firmę, ich wkład ma większy autorytet i jest mniej prawdopodobne, że zostanie odfiltrowany. Właśnie dlatego usługi, które wykorzystują dedykowane konta „recenzentów” — które nie mają historii poza publikowaniem fałszywych recenzji — zawodzą tak przewidywalnie. Ich fałszywość jest dla algorytmu przejrzysta. Prawdziwy argument za autentycznymi recenzjami nie polega tylko na unikaniu kłopotów. Polega na tym, że prawdziwe konta tworzą sygnały recenzji, które z czasem stają się silniejsze, podczas gdy fałszywe konta tworzą sygnały, które rozpadają się pod lupą.

Proste odpowiedzi na pytania, których nie ma w oficjalnych dokumentach Google — oparte na danych publicznych, analizach ekspertów i obserwowanym zachowaniu systemu.