Badanie cytowań AI: czy GitHub jest cytowany przez AI?

GitHub jest źródłem pierwotnym w ścisłym sensie: jego strony piszą ludzie, którzy tworzą oprogramowanie. README wyjaśnia, co robi projekt, strona wydania mówi, co zmieniło się w każdej wersji, a tracker zgłoszeń pokazuje, jakie błędy są znane i czy zostały naprawione. Modele AI traktują te strony jako dowód, gdy opisują narzędzie.

W odpowiedziach zwykle pojawiają się cztery rodzaje stron GitHub:

• Strony główne repozytoriów, których README działa jak oficjalny opis projektu open source.
• Wydania i changelogi, używane w pytaniach typu „jaka jest najnowsza wersja” albo „kiedy dodano tę funkcję”.
• Zgłoszenia i dyskusje, cytowane, gdy ktoś pyta o błąd, ograniczenie albo obejście problemu.
• Komunikaty o zabezpieczeniach z GitHub Advisory Database, która dokumentuje znane luki w pakietach open source.

Znaczenie mają też profile organizacji. Firma, która trzyma swoje SDK, wtyczki i integracje w publicznej organizacji na GitHubie, daje modelom AI weryfikowalny ślad, że jej produkt istnieje i jest utrzymywany.

Cytowania skupiają się wokół intencji technicznych. Typowe zapytania to „alternatywa open source dla Jira”, „jak zainstalować Stripe CLI”, „czy ten pakiet npm jest jeszcze utrzymywany”, „najlepszy samodzielnie hostowany menedżer haseł” albo „jak załatać lukę Log4j”. W każdym z tych przypadków repozytorium jest najbardziej bezpośrednim dowodem, jaki asystent może zaoferować.

Pytania o zwykłe firmy rzadko trafiają na GitHub. Nikt nie potrzebuje repozytorium, żeby znaleźć „rzetelnego hydraulika w Lyonie” albo „najlepsze biuro rachunkowe dla startupu”. Dlatego cytowania GitHub koncentrują się na pytaniach o wydawców oprogramowania, firmy z branży cyberbezpieczeństwa i firmy usług IT, a w innych sektorach pozostają marginalne.

Ważna jest też język. Dokumentacja na GitHubie jest w ogromnej większości po angielsku, więc odpowiedzi po angielsku trafiają na nią znacznie naturalniej niż po francusku, niemiecku czy hiszpańsku, które częściej cytują przetłumaczone poradniki albo lokalne media.

Większość różnicy wynika z tego, jak każdy model wyszukuje informacje. Gemini opiera wiele odpowiedzi na wyszukiwarce Google, gdzie repozytoria dobrze pozycjonują się dla nazw projektów, więc link do GitHuba może pojawić się razem z odpowiedzią. ChatGPT łączy to, czego nauczył się w treningu, z wynikami na żywo z wyszukiwarki ChatGPT, i dołącza link do repozytorium głównie wtedy, gdy pytanie wymienia konkretny projekt.

Perplexity przeszukuje sieć przy każdym pytaniu i podaje swoje źródła, ale przy zapytaniach porównawczych często opiera się na artykułach recenzenckich i stronach producentów, a nie na surowych repozytoriach. Grok dodaje posty z X, gdzie programiści ogłaszają wydania i dyskutują o błędach. Claude domyślnie cytuje źródła rzadziej i zwykle opisuje projekt własnymi słowami, chyba że wyszukiwanie w sieci jest włączone.

Część wpływu GitHuba jest niewidoczna w liczbach cytowań. Publiczny kod i dokumentacja hostowane na GitHubie trafiają do danych treningowych wielu dużych modeli, więc asystent może wyjaśnić, jak działa biblioteka, nie wskazując strony, z której się tego nauczył.

Cytowanie tutaj oznacza, że odpowiedź podała jako źródło stronę na github.com: repozytorium, zgłoszenie, komunikat o zabezpieczeniach albo dokumentację GitHub. Rada w rodzaju „hostuj swój kod na GitHubie” bez linku jest rekomendacją usługi, innym sygnałem, którego ten wskaźnik nie uwzględnia.

Strony zbudowane w GitHub Pages działają pod domeną github.io albo na własnych domenach, dlatego najlepiej traktować je jako samodzielne witryny. Dla marki cenny jest przypadek, gdy jedno z jej własnych repozytoriów pojawia się w odpowiedzi na pytanie o jej kategorię: techniczny punkt odniesienia, który asystent może sprawdzić, czego strony marketingowe rzadko osiągają.