Innehållsaktualitet
Innehållsaktualitet är åldern på en sida och om den åldern förändrar dess chanser att hämtas eller citeras. De två största mätningarna pekar i motsatta riktningar. Bland 16,975 miljoner citerade URL:er var sidor citerade av AI-assistenter i genomsnitt 1 064 dagar gamla jämfört med 1 432 dagar för sidor i organiska Google-resultat, 25,7 % fräschare[1]. En senare studie av 1,4 miljoner ChatGPT-prompter fann att inom en prompts hämtningsuppsättning var de äldre och mer etablerade sidorna de som citerades[2]. Studierna ställer inte samma fråga: den ena jämför AI-citat med en sökbaslinje, den andra jämför kandidater som redan har hämtats för samma prompt.
Citerade sidor är yngre än rankade sidor
Ahrefs mätte publiceringsåldern för 16,975 miljoner citerade URL:er hämtade från ChatGPT, Perplexity, Gemini, Copilot, AI Overviews och organiska Google-resultat[3]. Genomsnitten per motor skiljer assistenterna från sökningen: ChatGPT citerar sidor som är i genomsnitt 958 dagar gamla, Copilot 1 056, Gemini 1 118 och Perplexity 1 166, medan AI Overviews på 1 432 dagar ligger i linje med de organiska Google-resultaten på 1 416[3]. Googles AI-yta citerar med andra ord material som är ungefär lika gammalt som dess eget index. Studiens rubrik jämför 1 064 dagar med 1 432 för organiska resultat, vilket är den siffra dess egen tabell per motor ger för AI Overviews snarare än för organisk Google[1]. Ahrefs tolkar skillnaden som en preferens för nyare innehåll snarare än en kausal mekanism, och avstår från att hävda att uppdatering av en sida ger en citering[4].
Inom en hämtningsuppsättning vänds ordningen
Studien med 1,4 miljoner prompter tittade på kandidaterna som en prompt hämtade snarare än på citat i stort, och fann att de färskaste sidorna var de som kasserades, med den genomsnittliga citerade sidan runt 500 dagar gammal och vissa över 2 700[2]. Ålder spelade fortfarande roll, men snävt: inom nyheter, där relevanspoängen för citerade och icke-citerade sidor är nästan identiska, fungerar sidans ålder som en avgörande faktor och den yngre sidan vinner[5]. Slutsatsen författarna drar är att en matchning mot modellens utbredda underfrågor avgör citeringen: en ny sida som matchar citeras, en ny sida som inte gör det hämtas och ignoreras[6]. Se hämtningsförstärkt generering för den tvåstegsprocess detta beskriver.
Aktualitetsbias i omrankaren
Ett kontrollerat experiment isolerar effekten som fältstudierna bara kan härleda. Att injicera nyare publiceringsdatum i annars identiska passager, och omranka dem med GPT-3.5-turbo, GPT-4o, GPT-4, LLaMA-3 och Qwen-2.5, flyttade det genomsnittliga publiceringsåret för de tio bästa framåt med upp till 4,78 år, flyttade enskilda passager med upp till 95 rankningar, och vände preferensen mellan lika relevanta passager med upp till 25 % i genomsnitt[7]. Större modeller minskade biasen utan att ta bort den[7]. Ett datum på en sida är därför en input till själva rankaren, inte bara en rad visningsmetadata.
Ett andra riktmärke finner den motsatta biasen i samma komponent. FRESCO parar aktualitetssökande frågor med historiska Wikipedia-revisioner och rapporterar ett vanligt fel i de omrankare den testar: en stark bias mot äldre, semantiskt rika dokument även där dessa dokument är faktiskt föråldrade[8]. De två experimenten är oense om riktningen snarare än om mekanismen. Ett injicerat datum flyttar rankningen; åt vilket håll det flyttar beror på hur mycket semantisk vikt den äldre passagen bär mot den nyare. Att optimera instruktionen som ges till omrankaren återhämtar upp till 27 % på de aktualitetskänsliga uppgifterna samtidigt som prestandan på stabila kunskapsuppgifter bibehålls[9], så biasen kan åtgärdas på promptlagret snarare än att vara fixerad i modellen.
Vad Google dokumenterar
Google beskriver system för frågor som förtjänar aktualitet som visar nyare innehåll för frågor där en användare skulle förvänta sig det, till exempel en nyligen släppt film, snarare än en allmän förstärkning för nya sidor[10]. För AI-ytor dokumenterar den inget aktualitetskrav alls: en sida behöver bara indexeras och vara kvalificerad för sökning för att visas som en stödjande länk i AI Overviews eller AI Mode, utan ytterligare krav eller speciella optimeringar[11]. Artikelns strukturerade data-referens definierar dateModified som datum och tid då artikeln senast ändrades, i ISO 8601-format, och listar det som en rekommenderad egenskap för datumvisning i sökresultat snarare än ett villkor för citering[12].
Markup i sig själv flyttar ingenting
Om deklarering av datum hjälper har testats direkt. Ahrefs spårade 1 885 sidor som lade till JSON-LD-markup mot 4 000 kontrollsidor mellan augusti 2025 och mars 2026 och fann att citeringsfrekvensen knappt rörde sig: AI Overviews ner 4,6 %, AI Mode upp 2,4 % och ChatGPT upp 2,2 %, de två sistnämnda statistiskt oskiljbara från noll[13]. Relaterat: citationsnoggrannhet och innehållsstruktur.
Data
Visa siffrorna (3)
| Punkt | % |
|---|---|
| Google AI Overviews | -4.6 |
| Google AI Mode | 2.4 |
| ChatGPT | 2.2 |
Referenser (13)
- New Study: AI Assistants Prefer to Cite "Fresher" Content (17 Million Citations Analyzed) Arkiv
- Why ChatGPT Cites One Page Over Another (Study of 1.4M Prompts) Arkiv
- New Study: AI Assistants Prefer to Cite "Fresher" Content (17 Million Citations Analyzed) Arkiv
- New Study: AI Assistants Prefer to Cite "Fresher" Content (17 Million Citations Analyzed) Arkiv
- Why ChatGPT Cites One Page Over Another (Study of 1.4M Prompts) Arkiv
- Why ChatGPT Cites One Page Over Another (Study of 1.4M Prompts) Arkiv
- Do Large Language Models Favor Recent Content? A Study on Recency Bias in LLM-Based Reranking Arkiv
- FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation
- FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation
- En guide till Googles rankningssystem för sökning Arkiv
- AI-funktioner och din webbplats Arkiv
- Strukturerad data för artikel (Article, NewsArticle, BlogPosting) Arkiv
- We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved. Arkiv
Senast uppdaterad 2026-09-04. Skriven och underhållen av Baseline Labs.