Google Discover od dwóch lat wycina nieaktualne treści przed rankingiem. Szczegóły systemu SDF

Google od dwóch lat filtruje w Discover treści, które uzna za nieaktualne, zanim w ogóle trafią one do rankingu. System nazywa się SDF (Supersession-Decay Filtering) i właśnie poznaliśmy jego szczegóły: praca badawcza zespołu Google opisuje dwa filtry oparte na modelach uczenia maszynowego, które usuwają artykuły „przegonione” przez nowsze informacje oraz te, którym kończy się naturalny okres przydatności.

Dla wydawców to ważna wiadomość. Do tej pory spadki ruchu z Discover tłumaczono zwykle słabym zaangażowaniem albo wiekiem tekstu. Dokument pokazuje, że część artykułów odpada wcześniej, na etapie, na którym sygnały kliknięć jeszcze nie mają znaczenia.

Skąd wiadomo o SDF

Publikacja nosi tytuł „Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay”. Jej autorami jest sześcioro inżynierów Google z Mountain View, Toronto i Nowego Jorku. Tekst trafił do repozytorium arXiv 16 sierpnia 2026 roku i został przyjęty na konferencję CIKM 2026 (ACM International Conference on Information and Knowledge Management), która odbędzie się w Rzymie w dniach 7–11 listopada.

Szersza branża SEO zwróciła na niego uwagę dopiero teraz. Jak podaje Search Engine Journal w omówieniu opublikowanym 21 października, najbardziej zaskakujący jest fakt, że system nie jest eksperymentem: autorzy wprost piszą, że SDF jest „w pełni wdrożony” w Google Discover i działa produkcyjnie od dwóch lat. Oznacza to, że wiele zjawisk obserwowanych przez wydawców w tym okresie (nagłe wygasanie artykułów w feedzie, krótsze życie newsów) mogło mieć źródło właśnie w tym mechanizmie.

Skala jest ogromna. Według autorów Discover obsługuje setki milionów aktywnych użytkowników dziennie i miliardy miesięcznie, a SDF codziennie ocenia miliony nowych pozycji pod kątem nieaktualności.

Dwa sposoby, w jakie treść się starzeje

Kluczowy pomysł pracy polega na rozbiciu „nieaktualności” na dwa odrębne zjawiska. Zdaniem autorów to dwa różne problemy, które trzeba wykrywać innymi metodami.

Supersesja: nowsza informacja wypiera starszą

Pierwszy mechanizm to supersesja (ang. supersession, od „supersede”, czyli zastąpić). Artykuł staje się nieaktualny nagle, w chwili gdy pojawia się nowszy materiał, który przesuwa temat dalej. W pracy pojawia się przykład baseballisty Shohei Ohtaniego: tekst o tym, że zawodnik „rozważa oferty kilku klubów”, traci sens w momencie, gdy ogłoszono jego podpisanie kontraktu z Dodgersami. Inny przykład to zapowiedź meczu Oakland Athletics z Texas Rangers, którą unieważnia relacja z wyniku serii.

Ważne: sygnał jest tu relacyjny, a nie bezwzględny. O nieaktualności nie decyduje data publikacji, ale porównanie dwóch tekstów na ten sam temat. Starszy artykuł odpada tylko wtedy, gdy nowszy faktycznie go dezaktualizuje, czyli zaprzecza mu, zastępuje go albo zmienia narrację.

Zanik przydatności: treść ma swój termin ważności

Drugi mechanizm to relevance decay, czyli naturalny spadek wartości informacyjnej w czasie, bez żadnego konkurencyjnego materiału. Przykład z pracy: poradnik o „dzisiejszym roju meteorów” jest bardzo przydatny przez jeden wieczór, a potem jego wartość gwałtownie spada. Podobnie lokalny, wzruszający materiał wideo po prostu wygasa, choć nikt nie opublikował jego aktualizacji.

Tutaj sygnał jest wewnętrzny, związany z samą treścią i jej zamierzoną „długością życia”.

Kluczowe fakty: jak działa SDF

System składa się z dwóch filtrów, które działają równolegle. Wyniki łączone są operatorem logicznym LUB: jeśli którykolwiek filtr uzna artykuł za nieaktualny, tekst zostaje usunięty z puli kandydatów. Ranking Discover, który nadal opiera się na zaangażowaniu i trendach, w ogóle go nie zobaczy.

Filtr relacyjny: LLM uczy mniejszy model

Ręczne oznaczenie milionów par artykułów byłoby zbyt drogie, więc Google zastosowało destylację wiedzy. Duży model językowy PaLM 2-L oceniał pary tekstów, a każdą parę analizował siedem razy, po czym wynik ustalano głosowaniem większościowym. Model nie tylko przypisywał etykietę („nieaktualny” lub „aktualny”), ale też uzasadnienie. Na tej podstawie wytrenowano mniejszy model T5, który generuje krótkie wyjaśnienie, a dopiero potem werdykt.

Przykład z pracy dobrze pokazuje logikę: dwa artykuły o australijskim rynku nieruchomości nie zostały uznane za konkurencyjne, bo nowszy raport CoreLogic omawiał trzy lata po pandemii, a nie wspominał o „klifie stóp stałych”, którym zajmował się starszy tekst. Wspólny temat nie wystarczy, musi zajść faktyczne zastąpienie informacji.

Filtr działa w dwóch trybach. Tryb online przetwarza nowe, czasowo wrażliwe materiały niemal w czasie rzeczywistym. Tryb wsadowy uzupełnia „długi ogon” i, co istotne dla wydawców, potrafi rozszerzyć etykietę „nieaktualny” na inne artykuły z tego samego klastra tematycznego.

Filtr PTR: przewidywanie krzywej ruchu

Drugi filtr opiera się na wskaźniku PTR (predicted traffic ratio). Model przewiduje, jaki odsetek całkowitego ruchu z 30 dni dany artykuł zbierze w kolejnych przedziałach czasu: po 12 godzinach, 1, 3, 5, 7, 10 i 14 dniach. Autorzy przypisują te horyzonty do typowych cykli: newsy na skalę godzin, codzienne relacje na 1–3 dni, treści tygodniowe na 5–7 dni, a wolniej starzejące się materiały do dwóch tygodni.

Artykuł wypada z puli, gdy według prognozy zebrał już co najmniej 90% swojego ruchu (próg 0,9, wybrany z zakresu 0,85–0,98). Ciekawy szczegół: etykiety treningowe pochodzą z kliknięć w wyszukiwarce, a nie z odsłon. Autorzy tłumaczą, że odsłony są zniekształcone przez promocję prowadzoną przez wydawców, a kliknięcie w wynikach wyszukiwania lepiej oddaje rzeczywiste zainteresowanie użytkownika.

Najważniejsze dla właścicieli stron: PTR ocenia treść, zanim pojawią się jakiekolwiek dane o zaangażowaniu. Model „czyta” tekst, obraz i wideo i na tej podstawie decyduje, jak długo materiał będzie przydatny.

Wyniki testów i wdrożenia

W testach A/B zespół mierzył różnicę w odsetku nieaktualnych treści między artykułami, które dany wariant promował, a tymi, które degradował. Klasyczne podejście (granica wieku plus spadek zaangażowania) dało różnicę zaledwie -0,10 punktu procentowego, czyli praktycznie nic. Sam filtr relacyjny osiągnął -4,19 pkt, sam PTR -3,10 pkt, a pełny SDF -6,91 pkt. Wszystkie konfiguracje dostrojono tak, by nie obniżały zaangażowania.

W dwumiesięcznym eksperymencie z grupą kontrolną, w której oba filtry wyłączono, SDF obniżył odsetek odrzuceń w feedzie o 0,16%, zwiększył jego różnorodność o 0,13% i podniósł pozytywne zaangażowanie o 0,26%. W skali dwóch lat produkcyjnego działania liczba zgłoszeń „to jest nieaktualne” wysyłanych przez użytkowników spadła o 54,9% w porównaniu z okresem sprzed wdrożenia.

Co to znaczy dla SEO i AIO

SDF dotyczy Discover, a nie klasycznych wyników wyszukiwania. Mimo to wnioski są szersze, bo pokazują, jak Google modeluje „aktualność” treści w ogóle.

Data publikacji to za mało

Autorzy otwarcie krytykują sztywne progi wieku: zbyt długi przepuszcza stare treści, zbyt krótki wycina wartościowe materiały evergreen. Odświeżenie daty bez zmiany treści nie ma więc sensu, bo filtr PTR ocenia zawartość, a filtr relacyjny porównuje treść z nowszymi tekstami. Przestawienie daty w CMS nie zmieni tego, że artykuł o zapowiedzi wydarzenia został już zastąpiony relacją z jego przebiegu.

Newsy w Discover mają krótsze życie, niż się wydaje

Jeśli Twój tekst opisuje sytuację w toku (negocjacje, zapowiedź, przeciek), musisz założyć, że wypadnie z Discover w chwili, gdy ktokolwiek opublikuje rozstrzygnięcie. Nie musi to być Twój serwis. Filtr porównuje pary artykułów w całym korpusie, więc konkurencyjna relacja z wynikiem może zdezaktualizować Twoją zapowiedź. Praktyczny wniosek: aktualizuj własne materiały szybko albo publikuj osobny artykuł z rozstrzygnięciem, zamiast liczyć na dalszy ruch z zapowiedzi.

Proporcje treści w serwisie

Roger Montti z Search Engine Journal zwraca uwagę, że wydawcy powinni świadomie zaplanować proporcje trzech typów treści: evergreen, które dostarczają ruch długoterminowo, materiałów o ograniczonym oknie przydatności (z planem ich aktualizacji) oraz newsów o bardzo krótkim życiu. W pracy Google podaje zresztą przykład poprawnie zachowanego artykułu evergreen: poradnik o coachingu zdrowotnym z „New York Timesa” nie został odfiltrowany, mimo że nie był nowy.

Linkowanie wewnętrzne z wymiarem czasu

Ten sam autor zauważa, że wtyczki i narzędzia AI do linkowania wewnętrznego dobierają linki według podobieństwa semantycznego. SDF dodaje do tej kalkulacji wymiar świeżości. Kierowanie mocy linków z nowych tekstów do artykułów, które zostały już „przegonione”, może mieć mniejszy sens niż linkowanie do treści evergreen lub do aktualnych rozstrzygnięć. Podobną logikę opisywaliśmy przy okazji tego, jak świeżość treści wpływa na wybór źródeł przez AI.

Sygnał dla AIO: LLM jako sędzia aktualności

Dla specjalistów od optymalizacji pod odpowiedzi AI najważniejszy jest sam sposób działania filtra relacyjnego. Google używa modelu językowego, który czyta dwa teksty i ocenia, czy nowszy zastępuje starszy, generując przy tym uzasadnienie. To ta sama klasa zadań, którą wykonują systemy odpowiedzi generatywnych przy wyborze źródeł. Treść, która jasno komunikuje stan wiedzy na konkretny dzień (data aktualizacji, wynik, liczby), jest łatwiejsza do poprawnej klasyfikacji niż tekst ogólny i wieloznaczny.

Reakcje branży

Search Engine Journal, który jako pierwszy szerzej opisał pracę, akcentuje przede wszystkim jedno: mechanizm działał przez dwa lata, a branża dowiaduje się o nim z publikacji naukowej, a nie z komunikatu Google. Roger Montti pisze wprost, że wydawcy, właściciele stron i specjaliści SEO „muszą nadrobić zaległości”, bo szczegóły systemu mają konsekwencje dla strategii treści i linkowania. Google nie wydało w tej sprawie osobnego komunikatu dla wydawców, a publiczna dokumentacja Discover nie opisuje filtrowania przed etapem rankingu.

Z perspektywy wydawców newsowych SDF porządkuje zjawisko dobrze znane z raportów: artykuł zbiera ruch z Discover przez kilka godzin, po czym ruch spada niemal do zera, choć tekst wciąż jest dobrze widoczny w klasycznym wyszukiwaniu. W świetle pracy nie musi to oznaczać kary ani spadku jakości. Równie dobrze może to być decyzja filtra relacyjnego po pojawieniu się nowszych doniesień na ten sam temat albo prognoza PTR, że tekst zebrał już swój ruch.

Warto pamiętać o kontekście. W ostatnich tygodniach Google mocno przebudowuje Discover. Pisaliśmy już o teście, w którym przycisk Dive deeper zastępuje artykuł wydawcy przeglądem tematu od AI, oraz o funkcji, dzięki której użytkownicy mogą wskazać preferowane źródła w Discover. SDF jest warstwą, która działa pod tymi zmianami i decyduje, które teksty w ogóle mają szansę się w nich pojawić.

Ograniczenia, które przyznaje Google

Autorzy otwarcie opisują słabe strony systemu, co daje wydawcom cenne wskazówki:

• Publicystyka polityczna. Filtr relacyjny ma problem z tekstami, które mieszają opinie i fakty. W takich przypadkach żaden artykuł wyraźnie nie zastępuje drugiego, więc ocena jest niejednoznaczna.
• Wolno starzejące się treści. PTR przepuszcza długi ogon artykułów, które tracą przydatność stopniowo. Ich przewidywany udział w ruchu nigdy nie osiąga progu 0,9, więc część z nich pozostaje w feedzie, choć jest umiarkowanie nieaktualna.
• Treści już widziane. Znaczna część pozostałych zgłoszeń dotyczy materiałów, które użytkownik już widział w Discover lub gdzie indziej. To problem spoza zakresu SDF.

Ostatni punkt jest szczególnie ciekawy, bo sugeruje kolejny obszar, nad którym Google może pracować: rozpoznawanie, że użytkownik zna już daną informację z innego źródła.

Co dalej

Praca zostanie zaprezentowana na konferencji CIKM w Rzymie na początku listopada. Autorzy zapowiadają dwa kierunki rozwoju: stopniowe zastępowanie modelu relacyjnego nowszymi wersjami LLM (w granicach budżetu opóźnień i kosztów) oraz rozbudowę PTR o multimodalne rozumowanie oparte na LLM i przejście z kilku stałych horyzontów na ciągłe modelowanie długości życia treści.

W praktyce oznacza to, że filtrowanie będzie coraz dokładniejsze, a granica między „aktualnym” a „przestarzałym” będzie wyznaczana coraz bardziej przez treść, a coraz mniej przez metadane. Autorzy piszą też, że podejście nadaje się do zastosowania w innych systemach rekomendacyjnych i „szerszych aplikacjach treściowych”. Nie jest to zapowiedź wdrożenia w wyszukiwarce, ale warto obserwować, czy podobna logika pojawi się w AI Overviews lub w trybie AI.

Dla wydawców najważniejsza zmiana jest mentalna. Ruch z Discover nie zależy wyłącznie od tego, jak bardzo tekst spodoba się użytkownikom. Najpierw musi przejść przez dwa filtry, które oceniają, czy świat już go nie wyprzedził. Na co zwrócić uwagę w praktyce:

• Oznaczaj w tekście stan wiedzy na konkretny dzień i aktualizuj artykuły o wydarzeniach w toku zaraz po rozstrzygnięciu.
• Dla tematów rozwojowych publikuj osobny tekst z wynikiem, zamiast liczyć na ruch z zapowiedzi.
• Rozdzielaj w raportach ruch z Discover według typu treści (news, sezonowe, evergreen), żeby widzieć realny cykl życia każdej kategorii.
• Przy linkowaniu wewnętrznym uwzględniaj świeżość docelowego artykułu, a nie tylko podobieństwo tematu.
• Nie zmieniaj samej daty publikacji bez merytorycznej aktualizacji, bo filtry oceniają treść, a nie metadane.

FAQ