Cytowanie URL-a nie oznacza, że AI zna nową treść – jak mierzyć fresh-content-use rate

System AI może cytować Twój URL i jednocześnie podawać informację, która była na stronie trzy miesiące temu. Citation rate mierzy, czy URL pojawia się w źródłach odpowiedzi. Fresh-content-use rate mierzy, czy odpowiedź zawiera informację dodaną w ostatniej aktualizacji. To dwie różne metryki, których nie wolno traktować zamiennie. W danych bazowych Semgence z monitoringu 12 projektów na 11 potwierdzone cytowania domeny nie każde dotyczyło aktualnej wersji treści – i to różnica, która zmienia sposób raportowania wyników.

Ten problem dotyczy każdej domeny, która aktualizuje treści z zamiarem poprawienia widoczności w AI. Sklep e-commerce aktualizuje cenę na karcie produktu. Agencja odświeża artykuł o kosztach usługi. Firma SaaS dodaje nową funkcję do opisu produktu. Każdy z tych wydawców oczekuje, że system AI zacznie używać nowej wartości. Raport AI visibility pokazuje „URL cytowany w 4 z 5 odpowiedzi” i wydawca uznaje sukces. Ale jeśli odpowiedzi podają starą cenę, starą funkcję lub stary koszt – sukces jest pozorny, a klient dostaje błędne dane.

Gander na bazie danych Seer Interactive precyzyjnie nazywa ten problem: warstwa grounding (to, co AI czyta, żeby zbudować odpowiedź) jest znacznie silniej nastawiona na świeżość niż warstwa cytowania (to, co AI pokazuje użytkownikowi jako źródło). Innymi słowy: system może wygenerować odpowiedź na podstawie nowej treści, ale zacytować starszy, bardziej autorytatywny URL. I odwrotnie: może zacytować Twój URL, ale odpowiedź opierać na starszej wersji z cache.

Metodologia: analiza opiera się na danych z monitoringu AI Semgence (12 projektów, 240 obserwacji) oraz na wynikach eksperymentu opisanego w pierwszym artykule serii. Każda aktualizacja zawierała markery świeżej treści (konkretne wartości, daty, fakty) zapisane przed publikacją. Odpowiedzi AI sprawdzane pod kątem obecności markera, nie tylko obecności URL-a w źródłach. Eksperyment przeprowadził Paweł Gontarek (Zgred) z agencji Semgence.

Uwaga: To jest test przeprowadzony przez Semgence na naszej własnej domenie, z naszą metodologią i w naszym środowisku testowym. Czytelnik przeprowadzający podobny test może uzyskać inne wyniki ze względu na inną domenę, autorytet, język, branżę i konfigurację techniczną.

Trzy etapy relacji między źródłem a odpowiedzią AI

AuthorityTech na bazie badania Princeton opisuje framework trzech etapów: citation selection (wybór stron do pobrania), citation integration (wplecenie twierdzeń ze źródła do odpowiedzi) i citation absorption (odpowiedź AI wchłania treść źródła tak głęboko, że cytowanie staje się zbędne). Świeżość treści wpływa najsilniej na pierwszy etap – stare treści są odfiltrowywane jeszcze przed scoringiem. Ale nawet jeśli źródło przejdzie selekcję, system może użyć starej wersji z cache zamiast świeżo pobranej strony.

Ta asymetria między selekcją a integracją jest kluczem do zrozumienia, dlaczego citation rate może rosć po aktualizacji, a jakość odpowiedzi nie. System AI może awansować Twój URL w kolejce kandydatów (dzięki nowej dacie), ale odpowiedź wygenerować na podstawie snapshotu z poprzedniego crawlu – bo retrieval i generation to osobne etapy pipeline, każdy z własnym cache i własnym opóźnieniem.

Etap	Co się dzieje	Co mierzy	Kiedy zawodzi
Citation selection	System pobiera listę kandydackich źródeł	Czy URL został w ogóle rozważony	Brak w indeksie, blokada crawlera, za stary
Citation integration	System wplata twierdzenia ze źródła do odpowiedzi	Czy odpowiedź zawiera informację z tego URL-a	Cache ze starą wersją, zła ekstrakcja
Citation absorption	Odpowiedź wchłania treść bez jawnego cytowania	Czy informacja jest w odpowiedzi mimo braku linka	Trudne do zmierzenia bez markera

Na danych z monitoringu Semgence widzieliśmy wszystkie trzy etapy w ciągu jednego kwartału na różnych domenach. Sklep z branży beauty: Perplexity cytował URL kategorii perfum i używał aktualnej listy produktów (pełne przejście przez trzy etapy). Serwis B2B (branża HR): ChatGPT cytował stronę usługową, ale odpowiedź opierała się na opisie sprzed 8 miesięcy – firma w międzyczasie całkowicie przebudowała ofertę, ale ChatGPT tego nie widział (zatrzymał się na etapie 1: citation selection, bez integration). Serwis SaaS: Claude podawał informację o nowej funkcji bez cytowania źródła (możliwa absorption – ale równie prawdopodobne, że informacja pochodziła z innego źródła, np. z Product Hunt lub z Reddit).

Większość narzędzi AI visibility mierzy tylko pierwszy etap (czy URL jest cytowany). Nasz eksperyment mierzy wszystkie trzy – z naciskiem na różnicę między pierwszym a drugim. O mechanizmie selekcji źródeł pisaliśmy w artykule o tym, jak AI wybiera źródła do cytowania – ten artykuł skupia się na innym pytaniu: czy po selekcji system używa aktualnej wersji.

Jakie dowody zewnętrzne potwierdzają, że citation ≠ grounding?

LLM Pulse na bazie badania Stanford HAI z 2025 podaje, że ugruntowane systemy AI generują weryfikowalnie poprawne odpowiedzi w 84% przypadków, wobec 61% dla systemów bez grounding. Luka 23 punktów procentowych jest największa w przypadku tematów zależnych od czasu – cen, dat, regulacji, rankingów – czyli dokładnie tam, gdzie świeżość treści ma największe znaczenie.

Luka 23 punktów procentowych między ugruntowanymi a nieugruntowanymi systemami rośnie z czasem. Im starsza treść w indeksie retrievalowym, tym większa szansa na halucynację lub na podanie nieaktualnej informacji. Dlatego fresh-content-use rate jest ważniejszy dla treści zależnych od czasu (ceny, daty, regulacje, ranking) niż dla treści ponadczasowych (definicje, procedury, zasady fizyki). Sklep e-commerce z cenami zmieniającymi się co tydzień ma znacznie większy problem z tą luką niż blog z poradnikiem o podstawach SEO.

Badacz Metehan Yesilyurt, cytowany przez Gander, dokonał reverse-engineeringu konfiguracji wyszukiwania ChatGPT i znalazł flagę use_freshness_scoring_profile: true w ustawieniach rerankera. Świeżość nie jest zachowaniem emergentnym – to jawny sygnał scoringowy. Ale ten sygnał dotyczy selekcji (które źródła pobrać), nie integracji (czy użyć nowej czy starej wersji treści z pobranego źródła).

To rozróżnienie jest szczególnie ważne w e-commerce. Cena produktu zmienia się często – ale średni wiek cytowanej strony to według danych Ahrefs Brand Radar 1064 dni (2,9 roku). Nawet ChatGPT, który cytuje najnowsze strony (958 dni średnio), operuje na skałach miesięcznych, nie dniowych. O roli feedu produktowego w tym procesie pisaliśmy w artykule o feedzie a AI visibility – feed jest jednym z kanałów, który może przyspieszyć dotarcie aktualnej ceny do systemów AI.

Badanie z Waseda University opublikowane na ACM SIGIR 2025, również cytowane przez Gander, przetestowało 7 modeli LLM dodając sztuczne daty publikacji do fragmentów tekstu. „Świeże” fragmenty były promowane o nawet 95 pozycji w rankingu, a preferencje parowe odwracały się o 25% po wstrzyknięciu daty. To potwierdza, że systemy AI mają silny bias na świeżość – ale bias dotyczy daty postrzeganej, nie faktycznej aktualności treści. Strona z nową datą modyfikacji i starą treścią może wygrać selekcję, choć nie wnosi nowej informacji.

To odkrycie ma bezpośredni wpływ na strategię odświeżania treści. Samo dodanie nowej daty modyfikacji (dateModified w schema) może poprawić citation rate – bo system awansuje „świeższy” URL w kolejce kandydatów. Ale to nie poprawi fresh-content-use rate, bo treść się nie zmieniła. Wydawca osiąga wyższy wynik na złej metryce (citation) i dalej przegrywa na właściwej (fresh content use). O różnicy między zmianą daty a meaningful update piszemy w trzecim artykule serii.

Dane ConvertMate cytowane przez AuthorityTech pokazują, że treści zaktualizowane w ciągu 30 dni otrzymują 3,2 razy więcej cytowań AI. Rank.bot podaje, że większość cytowań LLM występuje w ciągu 2-3 dni od publikacji, po czym citation rate spada z 2% do 0,2% po 6 miesiącach. Kevin Indig w raporcie State of AI Search Optimization 2026 dodaje, że strony nieaktualizowane kwartalnie są 3 razy bardziej narażone na utratę cytowań. Te dane dotyczą citation rate – nie fresh-content-use rate. Różnica jest fundamentalna.

Dlaczego system AI cytuje URL, ale używa starej wersji treści?

Zidentyfikowaliśmy pięć mechanizmów, które prowadzą do stanu „cytowanie = tak, świeży fragment = nie”.

Mechanizm	Opis	Jak zweryfikować
Cache odpowiedzi	System serwuje zapamiętaną odpowiedź z poprzedniego zapytania	Ten sam prompt daje identyczną odpowiedź w różnych sesjach
Stary snapshot w retrieval	Indeks wyszukiwania nie odświeżył dokumentu	URL Inspection potwierdza indeksację, ale odpowiedź cytuje starą wartość
Zła ekstrakcja	Nowy fakt jest na stronie, ale nie w sekcji extrahowalnej	Fakt jest w tabeli lub accordion, którego parser nie odczytuje
Inercja starej odpowiedzi	System już odpowiedział wartością X i konsekwentnie ją powtarza	Różne sformułowania promptu dają różne wartości
Consensus z innymi źródłami	Większość źródeł podaje starą wartość, jedno nowe	Multi-source sprawdzenie: ile źródeł podaje nową vs starą wartość

Piąty mechanizm (consensus) jest szczególnie perfidny. Jeśli zaktualizowałeś cenę produktu z 399 zł na 429 zł, ale pięć konkurencyjnych stron nadal podaje 399 zł, system może uznać, że 399 zł to odpowiedź konsensusu i pominąć Twoją aktualizację. O mechanizmie konsensusu pisaliśmy w artykule o weryfikacji faktów w AI Search – tam z perspektywy jakości odpowiedzi. Tu z perspektywy wydawcy: consensus może opóźnić przyjęcie Twojej poprawki.

Case study: konsensus blokuje nową cenę (branża e-commerce)

Sklep z branży elektroniki zaktualizował cenę smartfona z 3 499 zł na 2 999 zł (obniżka promocyjna). Aktualizacja pojawiła się na stronie, w feedzie produktowym, w Google Merchant Center. Po 72 godzinach Perplexity podawał 2 999 zł (poprawnie). ChatGPT nadal podawał 3 499 zł przez 10 dni – bo pięć porównywarek cenowych i dwa blogi recenzenckie nadal miały starą cenę na swoich stronach. System AI rozstrzygnął na korzyść konsensusu (5 źródeł mówi 3 499) a nie aktualności (1 źródło mówi 2 999). Dopiero gdy porównywarki zaktualizowały swoje dane (po ~2 tygodniach), ChatGPT zaczął podawać nową cenę.

Wniosek praktyczny: aktualizacja jednego źródła (Twoja strona) nie wystarczy, jeśli ekosystem (porównywarki, agregatory, blogi) nadal podaje starą wartość. O roli feedu produktowego w tym procesie pisaliśmy w artykule o feedzie a AI visibility – feed jest jednym z kanałów, który przyspiesza propagację aktualnej wartości do ekosystemu.

Problem extractability – czy system potrafi wyciągnąć fakt z treści strony – opisaliśmy w osobnym artykule. Jeśli nowy fakt jest zamknięty w tabeli renderowanej przez JavaScript, której parser nie odczytuje, marker nie zostanie wykryty niezależnie od czasu. Dlatego meaningful update powinien umieszczać kluczowe fakty również w jawnym tekście, nie tylko w interaktywnych elementach.

W audytach Semgence najczęstszym błędem extractability są tabele cenowe renderowane przez JavaScript. Cena jest na stronie, użytkownik ją widzi, ale parser AI tego nie odczytuje. Rozwiązanie: kluczowe wartości (ceny, daty, parametry) umieścić również w jawnym tekście HTML, najlepiej pod nagłówkiem pytaniowym („Ile kosztuje audyt SEO?” → odpowiedź w pierwszym zdaniu akapitu). Schema Product z polem price jest dodatkowym sygnałem, ale nie zastępuje treści widocznej w HTML.

Jak mierzyć różnicę między citation rate a fresh-content-use rate?

Krok 1: ustalić markery przed aktualizacją

Marker to konkretna wartość, którą dodajesz w aktualizacji i której szukasz w odpowiedzi AI. Musi być prawdziwy (nie sztuczny ciąg), przydatny użytkownikowi, jednoznacznie identyfikowalny i zapisany w raporcie przed publikacją. Przykłady: nowa cena („429 zł od września 2026”), nowy wynik pomiaru („84% trafność w teście na 200 URL-ach”), nowy warunek („nie dotyczy sklepów z mniej niż 500 SKU”).

Krok 2: sprawdzić citation po każdym checkpoincie

Dla każdego promptu na każdej platformie zapisujesz: czy URL pojawia się w źródłach (citation = tak/nie), ktore URL-e są cytowane (lista), i pełną treść odpowiedzi.

Krok 3: sprawdzić markery w odpowiedzi

Czy odpowiedź zawiera wartość markera? Jeśli tak – fresh-content-use = tak. Jeśli cytuje URL, ale podaje starą wartość lub brak markera – citation = tak, fresh-content-use = nie. Jeśli odpowiedź zawiera marker bez jawnego cytowania URL-a – możliwa absorption (etap 3 z frameworku Princeton), ale wymaga ostrożnej weryfikacji, bo system mógł uzyskać informację z innego źródła.

Krok 4: policzyć dwie metryki osobno

Metryka	Formuła	Przykład
Citation rate	Odpowiedzi cytujące URL / wszystkie odpowiedzi	5/20 = 25%
Fresh-content-use rate	Odpowiedzi z markerem / odpowiedzi cytujące URL	2/5 = 40%
Effective fresh rate	Odpowiedzi z markerem / wszystkie odpowiedzi	2/20 = 10%

Effective fresh rate (łączny wskaźnik) jest najważniejszy: mówi, jaki procent użytkowników zadających to pytanie zobaczy Twoją aktualną odpowiedź. W przykładzie wyżej: 10% użytkowników zobaczy aktualną odpowiedź z Twojego URL-a. 15% zobaczy Twój URL, ale ze starą treścią. 75% w ogóle go nie zobaczy.

Przypadek negatywny: gdy fresh-content-use rate jest wyższy niż citation rate

W jednym z monitorowanych projektów B2B zaobserwowaliśmy paradoks: odpowiedź AI zawierała informację z naszej aktualizacji (marker potwierdzony), ale nie cytowała URL-a klienta w źródłach. Fresh content use = tak, citation = nie. To jest stan 6 z matrycy diagnostycznej (użycie bez cytowania). Możliwe wyjaśnienia: system dotarł do informacji przez inny URL (np. aggregator, który przejął treść), lub informacja została „wchłonięta” (absorption z frameworku Princeton) i system nie potrzebował już jawnego cytowania.

Ten przypadek pokazuje, dlaczego potrzebujesz obu metryk, a nie jednej. Raportowanie samego citation rate przeoczyłoby sytuację, w której Twoja treść jest używana, ale źródło nie jest wskazane – co ma inne konsekwencje biznesowe (brak ruchu, mimo wpływu na odpowiedź).

W kontekście e-commerce absorption bez cytowania ma jeszcze jedno oblicze. Jeśli system AI mówi „cena smartfona X to 2999 zł” bez podania źródła, użytkownik nie ma linka do Twojego sklepu. Twoja aktualizacja wpłynęła na jakość odpowiedzi (użytkownik dostał aktualną cenę), ale nie na Twój ruch. To scenariusz, w którym informacja jest wartościowa dla ekosystemu, ale nie dla Twojego biznesu. Dlatego optymalizacja pod AI visibility musi równoległle dbać o extractability (czy system potrafi wyciągnąć odpowiedź) i o attribution (czy system poda źródło).

Case study: odpowiedź cytuje URL, ale nie zna nowej treści

W eksperymencie na semgence.pl testowaliśmy 5 markerowych promptów pytających o fakty dodane wyłącznie w meaningful update (grupa A). Najwyrazistszy przykład: artykuł /jak-zrobic-reklame-na-facebooku/ otrzymał marker „Advantage+ domyślnym trybem kampanii reklamowych”. Gemini cytował ten URL w 52% odpowiedzi przez 14 dni — ale NIGDY nie wymienił tego markera. System konsekwentnie odpowiadał na podstawie istniejącej treści artykułu, ignorując nowo dodaną sekcję. Citation = tak (52%). Fresh-content-use = nie (0%). Effective fresh rate = 0%.

Platforma	Citation rate (URL)	Fresh-content-use (marker)	Brand mention
Gemini	49,31%	0%	0,10%
AI Overview	45,06%	0%	3,49%
Perplexity	44,35%	0%	0,00%
Copilot	38,91%	0%	38,91%
AI Mode	27,85%	0%	0,10%
Claude	6,55%	0%	0,00%
ChatGPT	0,10%	0%	0,10%

Jakie konsekwencje ma to dla raportowania AI visibility?

Jeśli raportujesz klientowi „ChatGPT cytuje nasz URL na 3 z 5 monitorowanych promptów”, dajesz mu niekompletny obraz. Musi wiedzieć również: czy odpowiedź zawiera aktualną treść, czy nowy fakt (zmiana ceny, nowy parametr) jest już w odpowiedziach, i które platformy używają aktualnej wersji, a które starej.

Semgence wprowadza trzy metryki do raportów kwartalnych AI visibility: citation rate (ile odpowiedzi cytuje URL), fresh-content-use rate (ile cytowań zawiera aktualną treść), i effective fresh rate (ile wszystkich odpowiedzi używa aktualnej treści z Twojego URL-a). Tylko trzecia metryka odpowiada na pytanie, które naprawdę interesuje klienta: „jaki procent użytkowników pytających o moje produkty zobaczy aktualną odpowiedź z mojej strony?”

O observed visibility pisaliśmy w artykule o sprawdzaniu widoczności marki w AI. Ten artykuł rozszerza tamte metryki o wymiar świeżości – bo widoczność URL-a bez aktualności treści to w najlepszym razie niepełna informacja, a w najgorszym – fałszywy sygnał sukcesu.

Dla zespołów SEO i content managerów oznacza to zmianę sposobu raportowania. Kwartalny raport AI visibility powinien zawierać trzy kolumny per prompt: citation (tak/nie), marker (tak/nie), wartość w odpowiedzi. Jeśli klient widzi, że ChatGPT cytuje jego stronę produktu, ale podaje cenę sprzed dwóch kwartałów, to nie jest sukces widoczności – to jest błąd, który trzeba naprawić.

W artykule o pozycjonowaniu stron w AI Overview i ChatGPT opisaliśmy taktyki optymalizacji treści pod cytowanie. Ten artykuł dodaje brakujący wymiar: samo cytowanie nie wystarczy, jeśli system używa starej wersji treści. Optymalizacja pod cytowanie i optymalizacja pod świeżość to dwa różne cele.

Ograniczenia i co ten artykuł nie testuje

Artykuł nie testuje, dlaczego konkretna platforma używa starej wersji treści – możemy tylko opisać stan (cytowanie tak, świeży fragment nie) i zaproponować hipotezę o przyczynie. Nie mamy dostępu do wewnętrznego cache ChatGPT ani indeksu Perplexity. Próba z eksperymentu obejmuje 24 URL-e z 1 domeny (semgence.pl), 72 prompty i 7 094 runów na 7 platformach przez 14 dni. Losowość odpowiedzi LLM oznacza, że ten sam prompt może dać różne odpowiedzi w różnych sesjach. Artykuł jest drugim z serii dziesięciu publikacji Semgence o odświeżaniu treści.

Patenty w kontekście tego artykułu: US20250103640A1 (generowanie odpowiedzi z cytowaniami do dokumentów źródłowych – wiązanie treści odpowiedzi z materiałem źródłowym), US10783156B1 (ocena kandydackich pasaży odpowiedzi – scoring zdań, nagłówków, elementów list), US11409748B1 (korekty oceny pasaży na podstawie kontekstu – spójność z nagłówkiem i sąsiednimi sekcjami). Patenty opisują klasy problemów zastrzegłe przez Google. Nie potwierdzają sposobu działania ChatGPT, Claude ani Perplexity.

Checklista: jak mierzyć citation vs fresh-content-use rate w praktyce

Przed aktualizacją: Ustalić 1-3 markery świeżej treści (konkretne wartości, daty, fakty). Zapisać markery w raporcie zanim zostaną opublikowane. Przygotować 3-5 promptów testowych per platforma. Zapisać odpowiedzi AI przed aktualizacją (baseline).

Po aktualizacji (checkpointy +24h, +72h, +7d): Odpytać te same prompty na każdej platformie. Zapisać pełną odpowiedź + listę cytowanych URL-i. Sprawdzić, czy URL jest cytowany (citation). Sprawdzić, czy odpowiedź zawiera marker (fresh content use). Zapisać wartość podaną w odpowiedzi (nowa vs stara).

Raportowanie: Policzyć citation rate (odpowiedzi z URL-em / wszystkie). Policzyć fresh-content-use rate (z markerem / z URL-em). Policzyć effective fresh rate (z markerem / wszystkie). Raportować osobno per provider. Nie uśredniać wyników z różnych platform.

Ostatnia aktualizacja artykułu: wrzesień 2026. Artykuł jest drugim z serii dziesięciu publikacji Semgence o odświeżaniu treści.