Google anbefaler (stadig) lim på pizza

Google anbefaler ikke lim som pizzaråd; sagen handler om, at AI Overviews i maj 2024 gengav misvisende forumindhold som et svar i søgeresultaterne. Eksemplet viser, hvorfor AI-svar i søgning skal læses som en genvej til kilder, ikke som endelig autoritet.

Hvad handler pizzalim-sagen egentlig om?

Pizzalim-sagen er blevet et kort navn for en fejl i Googles AI Overviews, hvor et AI-genereret søgeresultat gengav råd om at bruge lim for at få ost til at hænge bedre fast på pizza. Pointen er ikke madlavning, men kildeforståelse: et system, der skal samle oplysninger fra nettet, kan tage et ironisk eller useriøst udsagn og gøre det til et tilsyneladende nyttigt svar.

Google beskrev selv episoden i indlægget AI Overviews: About last week den 30. maj 2024. Her forklarede Google, at nogle fejl kom fra usædvanlige søgninger, begrænset seriøst indhold om emnet, satiriske kilder og sarkastisk indhold fra diskussionsfora. Det er en præcisere forklaring end den korte overskrift om lim på pizza, men den gør ikke fejlen uvæsentlig.

Sagen er stadig relevant, fordi AI-svar i søgning ikke længere kun er et laboratorieforsøg for særligt interesserede brugere. Googles hjælpeside viser, at AI Overviews er gjort tilgængelig i mange lande og sprog, herunder Danmark og dansk. Når funktionen ligger tæt på almindelige søgeresultater, får små fortolkningsfejl større betydning for, hvordan brugere læser og handler på information.

Hvorfor kunne et AI-svar ende med lim på pizza?

Fejlen opstod, fordi AI Overviews ikke blot svarer ud fra en lukket modelhukommelse. Google beskriver funktionen som en tilpasset sprogmodel, der er integreret med Googles webindeks og rangering. Systemet forsøger at finde relevante sider, sammenfatte dem og vise links, så brugeren kan gå videre til underliggende kilder.

Den arkitektur kan reducere nogle rene fabrikationer, men den flytter samtidig risikoen over i udvælgelse, fortolkning og sammenfatning af kilder. Hvis kildematerialet er tyndt, ironisk, forældet, tvetydigt eller taget fra en sammenhæng, hvor mennesker forstår tonen bedre end maskinen, kan et korrekt fundet tekststykke blive brugt forkert.

Google pegede især på tre svage punkter: datatomrum, hvor der kun findes lidt seriøst indhold; nonsenssøgninger, som brugere stiller for at teste systemet; og indhold fra fora, hvor sarkasme og erfaring står side om side. Det er en nyttig afgrænsning, fordi den viser, at problemet ikke kun er en model, der opfinder ord. Det er også et søgeresultat, der kan mislæse social kontekst.

Er det en hallucination eller en kildefejl?

Ordet hallucination bruges ofte om AI-svar, der er falske, opdigtede eller ikke understøttet af kilder. I pizzalim-sagen er den mere præcise forklaring, at systemet lod en dårlig kilde eller et dårligt fortolket udsagn få for høj vægt. Resultatet lignede en hallucination for brugeren, men mekanismen kan være anderledes.

Det skel er praktisk vigtigt. En model kan fejle, fordi den opfinder en påstand uden grundlag. En søgeintegreret AI kan også fejle, fordi den henter en kilde, der findes på nettet, men ikke er egnet som svar. I begge tilfælde får brugeren et svar, der kan virke autoritativt, fordi det står øverst og er formuleret flydende.

AI Mentor har en bredere forklaring af fænomenet i guiden om AI-hallucinationer. I søgning bør begrebet dog bruges med præcision: spørg både om svaret er sandt, om kilden siger det, og om kilden overhovedet er relevant for spørgsmålet.

Hvad ændrede Google efter kritikken?

Google oplyste efter kritikken, at virksomheden havde lavet mere end et dusin tekniske forbedringer. De nævnte blandt andet bedre registrering af nonsenssøgninger, begrænsning af satire og humor som kildegrundlag, mindre brug af brugergenereret indhold i svar, hvor det kunne give vildledende råd, og flere udløsningsbegrænsninger for søgninger, hvor AI Overviews ikke var hjælpsom.

Google fremhævede også stærkere beskyttelse for nyheds- og sundhedsemner. Det er logisk, fordi fejl i hurtige nyheder, medicinske spørgsmål, økonomi og andre beslutningsnære emner kan give større skade end en åbenlyst absurd madlavningsfejl. Samtidig viser det, at AI-svar i søgning kræver emnespecifikke sikkerhedsgrænser, ikke kun generelle kvalitetsmål.

En vigtig læring er, at enkeltstående fejl ikke kun bør rettes enkeltvis. Hvis et system kun blokerer en bestemt søgning efter offentlig kritik, vil næste sære forespørgsel kunne udløse en ny fejl. Derfor er mønsterregistrering, løbende test og tydelige grænser for usikre emner mere værd end et punktvist plaster på den mest virale sag.

Hvorfor betyder sagen stadig noget i 2026?

Sagen betyder stadig noget, fordi AI Overviews er blevet en del af den almindelige søgeoplevelse for mange brugere. Googles hjælpeside siger både, at AI Overviews gradvist gøres tilgængelig i flere regioner og sprog, og at AI-svar kan indeholde fejl. Samme hjælpeside råder brugere til at kontrollere vigtige oplysninger flere steder.

Det gør pizzalim-eksemplet til et varigt kontrolpunkt: et AI-svar bør ikke vurderes ud fra, hvor naturligt det lyder, men ud fra om det kan spores til en egnet kilde. Særligt i organisationer bør et AI-svar i søgning behandles som en start på informationsarbejdet, ikke som en afsluttet beslutning.

Et nyere forskningsstudie fra 2026 målte AI Overviews på titusindvis af søgninger og fandt, at spørgsmålsformede søgninger udløste AI Overviews langt oftere end korte søgetermer. Studiet fandt også, at en del atomare påstande ikke var understøttet af de citerede sider i forskernes gennemgang. Det er et forskningsresultat med metodeforbehold, men det understøtter den praktiske hovedregel: kildehenvisninger er ikke det samme som fuld kildeoverensstemmelse.

Hvordan bør du læse AI Overviews i praksis?

Du bør læse AI Overviews som et kort resumé, der kan pege dig videre, ikke som en facitliste. Det gælder især, når svaret handler om sikkerhed, sundhed, økonomi, teknisk opsætning, offentlig regulering, fødevarer eller andre emner, hvor en lille fejl kan få reel betydning.

• Kontrollér om svaret linker til kilder, der faktisk besvarer spørgsmålet.
• Åbn mindst en primær eller fagligt stærk kilde, før du bruger svaret til en beslutning.
• Se efter om svaret blander eksempler, satire, forumråd eller kommercielle sider sammen med faglige kilder.
• Stil spørgsmålet om igen med en mere præcis formulering, hvis svaret virker for bredt eller for selvsikkert.
• Undlad at bruge svaret alene, hvis konsekvensen af en fejl er praktisk, økonomisk eller sikkerhedsmæssig.

Det er ikke et argument for aldrig at bruge AI-svar. Det er et argument for at bruge dem med samme kildekritik, som du allerede bør bruge ved almindelige søgeresultater. Forskellen er, at AI-svaret kan skjule usikkerheden bag en glat formulering.

Hvad er forskellen på almindelige søgeresultater og AI-svar?

Et almindeligt søgeresultat viser typisk en liste af sider, hvor du selv vælger, hvilken kilde der skal åbnes og vurderes. Et AI-svar forsøger at samle informationen for dig og præsentere en syntese direkte i søgeresultatet. Det sparer tid, men det flytter noget af kildevalget fra brugeren til systemet.

Google Search Central beskriver, at AI Overviews og AI Mode kan bruge en teknik, hvor systemet udsteder flere relaterede søgninger på tværs af underemner og datakilder. Det kan give bredere dækning, men det betyder også, at kildegrundlaget kan være mindre synligt for brugeren end ved en klassisk liste.

Hvornår er risikoen størst for dårlige AI-svar?

Risikoen er størst, når spørgsmålet ligger i et datatomrum, hvor der findes få solide kilder, eller når nettet primært indeholder jokes, debat, korte forumkommentarer og genudgivet indhold. Den er også højere, når spørgsmålet kræver lokal kontekst, opdaterede regler eller faglig vurdering, som ikke fremgår klart af de sider, systemet finder.

Et andet risikopunkt er tvetydigt sprog. Mennesker kan ofte høre forskel på ironi, opskrift, myte, satire og praktisk råd. Et AI-system kan have sværere ved at bedømme tonen, især når udsagnet står løsrevet fra samtalen. Pizzalim-sagen var netop et eksempel på, at et stykke forumindhold blev forvandlet til et råd, der ikke burde fremstå som vejledning.

Derfor bør organisationer arbejde med risikostyring i AI-implementeringer, også når AI-funktionen kommer ind gennem et almindeligt værktøj som søgning. Det er let at undervurdere risikoen, fordi brugeren ikke nødvendigvis oplever, at der bruges et AI-system.

Hvad betyder det for virksomheder, skoler og redaktioner?

For virksomheder betyder sagen, at medarbejdere ikke bør bruge AI-svar fra søgning som eneste dokumentation i beslutninger, kundesvar eller interne notater. Svaret kan være nyttigt som orientering, men dokumentationen bør komme fra kilder, der kan citeres, dateres og vurderes direkte.

For skoler er sagen et konkret eksempel på digital kildekritik. Elever og studerende kan se, hvordan et svar kan se korrekt ud, selv når kildevalget er svagt. Det gør episoden mere lærerig end en abstrakt advarsel om, at AI kan tage fejl.

For redaktioner og vidensarbejdere er spørgsmålet også metodisk. Hvis en AI-sammenfatning bruges som research-start, bør næste trin være at åbne de oprindelige kilder og kontrollere, om de faktisk siger det samme. Det samme gælder i arbejdsgange med sikkerhedsudfordringer ved generativ AI, hvor små fejl kan forplante sig til større beslutninger.

Hvordan kan organisationer lave en enkel kontrolproces?

En enkel proces kan gøre AI-svar brugbare uden at gøre dem ukritiske. Den bør være let nok til hverdagsbrug og strengere for beslutninger med højere risiko. NISTs generative AI-profil peger blandt andet på faktatjek, indholdsproveniens, test, løbende overvågning og hændelsesarbejde som relevante risikogreb.

1. Definér hvilke typer beslutninger der aldrig må bygge på AI-svar alene.
2. Kræv primærkilder ved tekniske, sundhedsmæssige, økonomiske og sikkerhedsrelaterede oplysninger.
3. Notér dato, kilde og usikkerhed, når et AI-svar bruges som research-start.
4. Test jævnligt kendte edge cases, hvor satire, fora eller tvetydigt sprog kan forstyrre svaret.
5. Gør det let for medarbejdere at rapportere fejl, så mønstre bliver synlige.

Processen behøver ikke være tung. Den afgørende forskel er, at AI-svar ikke behandles som neutrale opslag, men som automatiserede sammenfatninger med et kilde- og fortolkningslag imellem brugeren og nettet.

Hvilken rolle spiller bias og brugergenereret indhold?

Brugergenereret indhold kan være værdifuldt, fordi det rummer erfaringer, eksempler og praktiske forklaringer, som ikke altid findes i officielle dokumenter. Det kan også være usikkert, fordi fora blander ironi, utestede råd, personlige oplevelser, reklame, misforståelser og reelle ekspertbidrag.

AI-svar kan forstærke denne blanding, hvis systemet ikke tydeligt skelner mellem erfaringsudsagn og dokumenteret viden. Det er beslægtet med bias: ikke nødvendigvis fordi systemet har en holdning, men fordi bestemte kildetyper, formuleringer eller populære gentagelser kan få for stor vægt.

Derfor hænger pizzalim-sagen sammen med bredere spørgsmål om håndtering af bias i AI. Når en model opsummerer webindhold, er problemet ikke kun om svaret er grammatisk rigtigt. Det er også, hvilke stemmer, kilder og sammenhænge der bliver gjort autoritative.

Kan man slå AI Overviews fra?

Googles hjælpeside beskriver AI Overviews som en kernefunktion i Google Search, på linje med andre søgefunktioner, og siger, at sådanne funktioner ikke kan slås fra generelt. Brugere kan dog vælge webfilteret efter en søgning, så der kun vises tekstbaserede links uden funktioner som AI Overviews.

Det betyder, at den praktiske kontrol ikke kun handler om indstillinger. Den handler også om søgeadfærd: brug præcise spørgsmål, åbn kilderne, sammenlign svar, og brug webfilteret, når du har brug for klassiske linkresultater frem for en sammenfatning. For vigtige emner bør kildelæsning være standarden, uanset om AI-svaret virker overbevisende.

For webstedsejere beskriver Google Search Central, at almindelige søgekrav stadig gælder. Sider skal kunne indekseres og være berettigede til snippets for at kunne vises som understøttende links, men Google siger også, at der ikke kræves særlige AI-filer eller særlige schema.org-tiltag. Kontrol med visning sker gennem almindelige søgekontroller som noindex og begrænsninger for uddrag.

Hvad er den vigtigste læring fra lim på pizza?

Den vigtigste læring er, at AI-svar ikke bliver pålidelige alene ved at være koblet til søgning. Søgning giver adgang til kilder, men systemet skal stadig vælge, forstå og sammenfatte dem korrekt. Pizzalim-sagen viser, at en fejl i det mellemled kan give et svar, der virker klart, men bygger på en dårlig fortolkning.

For brugeren er den bedste modforanstaltning enkel: brug AI-svaret som oversigt, åbn kilderne som dokumentation, og skru op for kontrollen, når emnet har konsekvenser. For organisationer er den bedste modforanstaltning at definere, hvornår AI-svar må bruges frit, hvornår de kræver kildekontrol, og hvornår de slet ikke må stå alene.

Set sådan er pizzalim ikke bare en pinlig søgefejl fra 2024. Det er et kompakt eksempel på den moderne informationsopgave: hurtige AI-svar kan være nyttige, men troværdighed kræver stadig kildearbejde, kontekstforståelse og menneskelig vurdering.

Hvilke kilder ligger til grund?

Artiklen bygger især på Googles egen gennemgang af hvad der skete med AI Overviews i maj 2024, Googles hjælpeside om AI Overviews i Google Search og Google Search Centrals dokumentation om AI-funktioner og websites. Risikoperspektivet er kontrolleret mod NISTs profil for generativ AI-risikostyring og et aktuelt forskningsstudie om Google AI Overviews i 2026.