Il 13 agosto 2026, Microsoft Technology Licensing LLC ha pubblicato la domanda di brevetto US20260236548A1, che descrive un sistema per comprimere i dati provenienti dai risultati di ricerca, prima della loro trasmissione a un modello di IA generativa. Per riassumere una pagina, questo sistema trattiene le frasi più connesse al resto del testo e alla query. Il documento non prova tuttavia che Bing o Copilot applichino questa procedura così com’è.
Comprimere le fonti prima della chiamata al modello
Il documento si intitola «Generating and utilizing compressed grounding data for search engines that utilize generative artificial intelligence models». Rivendica la priorità di una domanda provvisoria indiana depositata il 13 febbraio 2025. Riguarda i «grounding data», ovvero i dati di ancoraggio, cioè i contenuti recuperati nei risultati di ricerca (link, estratti, metadati, risposte dirette) e forniti a un modello linguistico per fondare la sua risposta su fatti verificabili. Questo meccanismo è noto come RAG (retrieval-augmented generation, o generazione aumentata dal recupero).
Il brevetto parte da un problema tecnico. Quando questi dati superano il limite di token (le unità di testo che un modello può elaborare in una volta), è necessario moltiplicare le chiamate, il che costa tempo e risorse. Al contrario, fornirne troppe in una volta porta a risposte generaliste o incoerenti. Il testo cita due difetti noti dei grandi modelli linguistici: il fenomeno «lost in the middle», per cui le informazioni poste al centro di un prompt lungo sono scarsamente prese in considerazione, e il bias di recenza, che attribuisce troppo peso agli elementi situati alla fine del prompt.
La soluzione proposta consiste nel comprimere questi dati prima dell’invio, per trasmettere tutto in una sola chiamata. Il sistema può produrre un riassunto centrato sulla query, per poi convertirlo in embedding, cioè in rappresentazioni vettoriali del significato di un testo. Può anche valutare in anticipo la freschezza e la credibilità dei contenuti.
In una pubblicazione su LinkedIn, Ian Sorin presenta questo brevetto come una descrizione del funzionamento dei chatbot Copilot e Bing. Il testo, invece, menziona «motori di ricerca generativi» in generale e cita come esempi i modelli GPT-3.5, GPT-4 o GPT-4o, senza nominare Bing né Copilot.
Frasi centrali, freschezza e credibilità
Per il riassunto delle pagine, il sistema inizia pulendo il contenuto rimuovendo i tag HTML, i caratteri speciali e gli errori di codifica. Il testo viene poi suddiviso in frasi, quindi riassunto in modo estrattivo, selezionando frasi esistenti piuttosto che riscrivendo il contenuto. Il metodo principale rappresenta ogni frase come un nodo di un grafo, collegato alle altre dalla loro similarità coseno, una misura di prossimità semantica. Una frase è considerata importante se è fortemente collegata ad altre frasi a loro volta importanti, ciò che Ian Sorin chiama un «pagerank delle frasi». Il brevetto descrive anche un raggruppamento per temi e una selezione basata sui termini frequenti rispetto alla query. Le frasi situate nell’introduzione o nella conclusione sono poi favorite.
La freschezza è valutata in base al timestamp dei contenuti, cioè la loro data di creazione o ultima modifica. I contenuti più vecchi ricevono una rilevanza più bassa, con eccezioni per le conoscenze di base, soglie di durata variabili a seconda del dominio e un rilevamento degli aggiornamenti. La credibilità si basa su un punteggio di reputazione che combina accuratezza storica, autorevolezza del dominio e validazione tra pari. Il sistema incrocia anche le informazioni tra diverse fonti indipendenti e verifica la diversità delle prospettive. Il brevetto non specifica come questi criteri siano misurati.
Indicazioni per i redattori, senza applicazione accertata
Il documento descrive numerose varianti, introdotte dalla formula «in alcune implementazioni». La sua pubblicazione non prova quindi che questo sistema funzioni oggi dietro Bing o Copilot. Illumina invece la logica di selezione che un motore generativo può applicare alle pagine che recupera. Per i team editoriali, Ian Sorin ne trae diversi insegnamenti: frasi di sintesi autonome, un posizionamento dell’essenziale in introduzione e conclusione, date di pubblicazione e aggiornamento visibili, un tono fattuale e dati verificabili incrociando le fonti.
Il brevetto lascia tuttavia una questione aperta, quella delle informazioni esclusive. Uno scoop o un dato proprietario, ripreso da poche fonti al momento della sua pubblicazione, innesca la ricerca di fonti complementari. Il testo non specifica cosa accada a questa informazione quando il sistema non ne trova alcuna.
