Мы вступаем в новую эпоху, где правила игры в цифровом пространстве меняются. Раньше поисковые системы были пассивными библиотекарями, индексирующими веб. Сегодня искусственный интеллект (ИИ) и лежащие в его основе большие языковые модели (LLM) становятся активными кураторами, интерпретаторами и даже соавторами информации, которую вы видите. У этих систем есть свои, порой нечеловеческие, предпочтения. Понимание этих скрытых "вкусов" ИИ — ключ к вашей цифровой видимости.
Одним из самых мощных таких предпочтений является системная тяга ИИ к новому контенту — феномен, известный как "смещение новизны" (novelty bias). До недавнего времени это было лишь интуитивным предположением. Однако прорывное исследование ученых из Университета Васэда впервые предоставило убедительные количественные доказательства этого сдвига.
Этот отчет докажет, что "смещение новизны" — не теоретическая аномалия, а мощная, измеримая сила, которая уже сегодня перекраивает ландшафт поисковой выдачи. Для вас, как для маркетолога, стратега или лидера бизнеса, это означает одно: пора фундаментально пересмотреть подходы к контенту. Игнорировать новый императив свежести — все равно что пытаться продавать вчерашние газеты в мире круглосуточных новостей.
Исследование, проведенное группой ученых из токийского Университета Васэда под названием "Отдают ли большие языковые модели предпочтение новому контенту? Исследование смещения новизны в переранжировании на основе LLM", переводит догадки маркетологов в область строго доказанных научных фактов.
Исследователи использовали стандартные наборы данных (DL21, DL22) и протестировали широкий спектр моделей — от проприетарных гигантов вроде GPT-4o до популярных open-source моделей, таких как LLaMA3 и Qwen2.5.
Эксперимент включал два ключевых теста:
Результаты оказались ошеломляющими и показали, что "смещение новизны" — это не погрешность, а мощный фактор, меняющий правила игры.
Таблица 1: Ключевые количественные показатели "смещения новизны" в LLM
| Метрика | Значение | Описание | Источник |
|---|---|---|---|
| Средний сдвиг года публикации (Топ-10) | +4,780 года | Насколько "моложе" становится средний результат в топ-10 после переранжирования LLM. | |
| Максимальное изменение ранга | 95 позиций | Максимальный подъем документа в поисковой выдаче исключительно за счет более новой временной метки. | |
| Изменение предпочтений (парный тест) | до 25% | Процент случаев, когда LLM меняет свой выбор между двумя одинаково релевантными документами из-за более свежей даты. | |
| Охваченные модели | GPT-3.5/4/4o, LLaMA3, Qwen2.5 | Демонстрирует системный характер проблемы как для проприетарных, так и для open-source моделей. |
Главный вывод исследования: "смещение новизны" носит системный характер. Оно присуще всем протестированным моделям, независимо от их размера и разработчика.
Интересно, что более крупные модели, такие как GPT-4o, проявляют большую устойчивость к этому смещению, но ни одна не устраняет его полностью. Это говорит о том, что проблема кроется в самих данных, на которых обучается ИИ. Интернет по своей природе полон временных маркеров, и модели усваивают паттерн "новое = релевантное". Это не временный баг, а долгосрочная характеристика, с которой вам придется работать.
"Смещение новизны" у ИИ не возникло из ниоткуда. Оно является машинным отражением наших собственных когнитивных искажений.
Еще один пример формирования у ИИ нечеловеческих предпочтений — феномен "AI-AI Bias". Недавнее исследование, опубликованное в PNAS, показало, что LLM систематически предпочитают контент, сгенерированный другими LLM, а не написанный человеком.
В ходе экспериментов LLM выбирали AI-сгенерированный текст в 89% случаев при оценке описаний продуктов, в то время как люди — лишь в 36% случаев. Причина кроется в стилистическом сходстве: ИИ "узнает" структурированный, нейтральный и обезличенный стиль, присущий машинному тексту, и считает его более качественным.
Это означает, что для успеха в новой эре недостаточно просто создавать "хороший контент для людей". Вам нужно создавать контент, который будет высоко оценен и людьми, и машинами с их уникальными системами ценностей.
Предпочтение ИИ к новизне многократно усиливается технической архитектурой современных поисковых систем. Важность свежести — не новость, но в эпоху ИИ ее приоритет вышел на новый уровень.
Google давно признал важность свежести. Еще в 2011 году компания запустила обновление "Freshness", чтобы лучше ранжировать актуальный контент по запросам, требующим свежести (Queries Deserving Freshness, QDF), таким как новости или события.
Недавние утечки документации Google API раскрыли существование специального модуля переранжирования под названием "FreshnessTwiddler". "Twiddlers" — это функции, которые корректируют рейтинг прямо перед показом пользователю. Существование отдельного модуля для свежести доказывает, что этот фактор глубоко интегрирован в архитектуру поиска. Google отслеживает множество сигналов даты, включая дату в статье (bylineDate), дату в URL (syntacticDate) и дату из контекста (semanticDate).
С появлением генеративных ответов (Google AI Overviews) появились и новые типы поисковых роботов — Generative Engine Crawlers. Их задача — не просто индексировать страницы, а "скармливать" контент моделям LLM для генерации ответов.
Они делятся на два типа:
Таблица 2: Сравнение традиционных и генеративных поисковых роботов
| Фактор | Традиционные роботы (Googlebot) | Генеративные роботы (Generative Engine Crawlers) |
|---|---|---|
| Основная цель | Индексация страниц для ранжирования | Обучение моделей и извлечение данных для ответов |
| Приоритеты контента | Ключевые слова, авторитет, юзабилити | Семантическая ясность, фактическая точность, структура |
| Приоритет свежести | Запланированное пересканирование (умеренный) | Обучающие боты: низкий; Боты живого извлечения: высокий (real-time) |
| Конечный продукт | Список синих ссылок (SERP) | Синтезированный ответ на естественном языке |
Таким образом, возникает замкнутый круг: предвзятые к свежести модели (LLM) получают информацию от инфраструктуры (Live Retrieval Bots, FreshnessTwiddler), которая специально создана для поиска свежести. Это делает свежесть не просто одним из факторов, а необходимым условием для попадания в генерируемый ИИ ответ.
Вся эта информация подводит нас к четкому выводу, который является основой стратегии нашего агентства: "GEO-продвижение, как и SEO, требует постоянной и регулярной работы, в том числе и для того, чтобы создавать актуальный и новый контент, который любят поисковики и LLM".
Генеративная оптимизация движков (Generative Engine Optimization, GEO) — это практика создания и оптимизации контента для его появления в ответах, генерируемых ИИ. В отличие от SEO, GEO фокусируется на том, чтобы ваш контент был легко доступен, понятен и цитируем для LLM.
Таблица 3: Ключевые различия между SEO и GEO
| Категория | SEO (Search Engine Optimization) | GEO (Generative Engine Optimization) |
|---|---|---|
| Аудитория | Человеческие пользователи | ИИ-модели (LLM) |
| Механизм обнаружения | Ранги, обратные ссылки, ключевые слова | Семантическая структура, ясность |
| Оптимизация | Метаданные, техническое SEO | Тестирование промптов, машиночитаемость |
| Метрики | Трафик, CTR, показатель отказов | Упоминания в ответах ИИ, точность цитат |
Чтобы преуспеть, вам необходимо интегрировать управление свежестью в ядро ваших контентных операций. Вот комплексная стратегия "freshness-first".
Модель "написал -> опубликовал -> забыл" окончательно устарела. Вам нужна система непрерывного управления контентом.
Ваш контент должен быть спроектирован для легкого потребления и цитирования искусственным интеллектом.
datePublished и dateModified.sitemap.xml с правильной датой lastmod.LLM не всегда обращаются к вебу в реальном времени. Значительная часть их знаний основана на данных из "кэшированной памяти". Если информация о вашем бренде устарела в этой "памяти", вы рискуете быть представленным некорректно. Регулярное обновление ключевого контента помогает "проникнуть" и "закрепиться" в этой базе знаний, обеспечивая долгосрочную видимость.
Мы являемся свидетелями фундаментального сдвига. В мире, где ИИ все чаще выступает главным посредником между контентом и пользователем, свежесть информации становится главным условием цифровой релевантности.
Исследование Университета Васэда доказало, что LLM обладают мощным "смещением новизны", а техническая архитектура поисковиков только усиливает этот эффект. Это создает новую реальность, где вчерашние стратегии стремительно теряют эффективность.
Будущее цифровой видимости принадлежит тем, кто сможет не только создавать качественный контент для людей, но и поддерживать его в состоянии постоянной актуальности, чтобы заслужить доверие и право быть процитированным новыми кураторами веба — большими языковыми моделями.
Агентство Artrix готово помочь вам разработать и реализовать эффективную GEO-стратегию, учитывающую особенности поведения современных ИИ-систем. Свяжитесь с нами для консультации по оптимизации вашего контента для эпохи генеративного поиска.
Влияют ли временные предрассудки на все типы запросов одинаково? Нет, исследование показывает, что временные предрассудки наиболее выражены для запросов, требующих актуальной информации (новости, тренды, события). Для "вечнозеленого" контента эффект менее значителен, но все равно присутствует.
Какие модели наиболее устойчивы к предвзятости новизны? Согласно исследованию, наиболее устойчивыми оказались GPT-4o и Qwen2.5-72B с наименьшими показателями смещения. Однако ни одна модель полностью не устраняет эффект новизны.
Как часто следует обновлять контент для GEO-оптимизации? Частота обновлений зависит от вашей отрасли. Для быстро развивающихся тем (например, технологии) рекомендуются ежемесячные обновления. Для стабильных тем (например, история) достаточно квартальных или полугодовых. Ключевой принцип — поддержание фактической актуальности.
Можно ли просто менять даты публикации для улучшения ранжирования? Нет, это рискованная и неэффективная тактика. Поисковые системы и LLM анализируют сущностные семантические изменения в контенте, а не только временные метки.
Как измерить эффективность GEO-стратегий? Ключевые метрики включают: частоту упоминаний вашего бренда в ИИ-ответах, точность цитирования, видимость в генеративных поисковых результатах, а также традиционные SEO-метрики (трафик, позиции) в качестве базовой линии для сравнения.
Генеративная оптимизация поисковых систем (GEO) Практика создания и оптимизации контента для появления в ответах, генерируемых искусственным интеллектом, на таких платформах, как Google AI Overviews, ChatGPT и Perplexity.
Смещение новизны (Novelty/Recency Bias) Систематическое предпочтение, отдаваемое поисковыми системами и ИИ-моделями более свежему контенту, иногда независимо от его фактической релевантности или фундаментального качества.
Query Deserves Freshness (QDF) Алгоритм Google, который определяет, когда поисковый запрос требует свежих результатов (например, "результаты выборов"), и корректирует ранжирование в пользу более актуального контента.
E-E-A-T Аббревиатура от Experience, Expertise, Authority, Trust (Опыт, Экспертность, Авторитетность, Доверие). Критерии, используемые Google для оценки качества контента и надежности источника.
Семантическая структура Организация контента с четкими логическими связями между концепциями, терминами и идеями, позволяющая ИИ-системам лучше понимать и интерпретировать информацию для последующего цитирования.
