AI 引擎引用的不是寫得最好的那篇，而是它相信「此刻仍然正確」的那篇。當一個模型要在答案裡放進一個數字、一項定價、一段流程，它會傾向挑選最不可能讓自己出錯的來源，而判斷這件事最省力的線索，就是這份內容看起來有多新。新鮮度不是排名的加分裝飾，它是一道信任的開關。
新鮮度是一種可信度訊號，不是排名加分項
傳統 SEO 把新鮮度想成一個小小的排序因子：更新一下，名次往上挪幾格。在 AI 引用的邏輯裡不是這樣運作的。像 Perplexity、Google AI Overviews、ChatGPT 搜尋這類系統，先透過檢索層抓回一批候選網頁，再由模型決定要相信誰、要把誰寫進答案。這一步的核心問題不是「誰寫得漂亮」，而是「引用誰最不會害我講錯話」。
一份標示著兩年前、統計數字停在舊年度、產品截圖還是上一代介面的頁面，會讓模型產生疑慮：這裡面的說法可能已經作廢。於是它寧可跳過你，去引用一份雖然沒那麼完整、但看起來仍在維護的來源。你的內容不是輸在品質，是輸在「還算不算數」這個問題上。
LLM 什麼時候才真的在乎時效？先分清查詢類型
新鮮度不是對所有題目一視同仁。有些問題天生對時間敏感，有些幾乎不受影響，搞混這件事會讓你在錯的地方浪費更新力氣。
- 高度時效：定價、版本比較、市佔、法規、年度榜單、市場現況。這類查詢一旦來源過期，答案就是錯的，AI 對日期特別挑剔。
- 中度時效：最佳實務、工具評測、操作教學。舊版本仍有參考價值，但介面或步驟改版會讓舊內容逐漸失準。
- 低度時效：定義、原理、概念解釋。「什麼是向量檢索」這種題目，一篇三年前寫透的文章照樣被引用，新鮮度幾乎不影響。
務實的做法是先替你的每一篇主力內容標出它的時效等級，再把更新資源集中在高度與中度那兩層。對定義型的低時效內容一直重寫日期，投報率很低；反過來，讓一篇談定價或年度趨勢的文章擺著不動，等於主動把引用權讓給還在更新的競爭對手。
AI 系統用哪些訊號判斷內容夠不夠新
模型和檢索層讀不到你的心意，只能讀訊號。它們大致從這幾個地方推斷一份內容的新鮮度，而這些訊號要彼此一致才有說服力。
- 頁面上可見的發布與更新日期，以及正文裡引用的年度（例如統計數字標的是哪一年）。
- 結構化資料裡的 dateModified，以及 sitemap 的 lastmod，但這兩者必須對應到真實的內容變動。
- 實際改動的幅度：新增段落、換掉過期數字、更新截圖，而不只是動一動時間戳記。
- 外部訊號：近期是否有新的連結指向這頁、是否被其他近期內容提及，代表它還活在對話裡。
只改日期不改內容，會被當成操弄
很多團隊發現新鮮度重要之後，第一個動作是批次把發布日改成今天。這招在 AI 引用的世界裡幾乎沒用，甚至反效果。檢索系統會比對頁面的實際變動、快取版本與歷史紀錄，當它發現日期跳到今天、內文卻一個字沒動，這份頁面在它眼中的可信度不升反降，因為它剛抓到你在製造假的新鮮度。
真正的更新是換掉會過期的東西：舊數字、舊版本、舊結論。日期只是這件事的收據，不是這件事本身。
一次有效的刷新，通常包含把最新一期的數據補進去、刪掉已經失效的說法、依產品現況改寫步驟與截圖，並在文首用一句話交代這次更新換了什麼。這樣的改動同時滿足了讀者、檢索層與模型三方，而純改日期只騙得過還沒讀內文的那零點幾秒。
引用會隨時間衰減，所以你需要更新紀律
一篇曾經被 AI 頻繁引用的內容，引用佔比會慢慢下滑，這不是因為它變差了，而是因為別人在你不動的時候持續更新。AI 手上永遠有更新的候選來源，你的相對新鮮度就這樣被稀釋掉。這種衰減很安靜，你不會收到通知，只會在某天發現原本會提到你的答案，現在改口了。
對治的方法不是靈感式的偶爾重寫，而是把更新變成排程。替高時效內容設定固定的檢視週期，用能見度追蹤工具盯著「哪些題目上 AI 還在引用你、哪些已經換人」，讓刷新的優先序由實際掉出引用的頁面決定，而不是憑印象。Tenten GEO 的 Brand Radar 就是為了讓這種衰減看得見而做的，把你在各家 AI 引擎裡的引用變化攤開，你才知道該先救哪一篇。
一份可執行的新鮮度盤點清單
- 替每篇主力內容標時效等級（高／中／低），只對高與中投入定期更新。
- 盤點所有會過期的元素：數字、年度、定價、版本、截圖、外部連結。
- 建立更新週期，高時效內容至少每季檢視一次，並在頁面標明實際更新日與變動摘要。
- 確保可見日期、dateModified 與 sitemap lastmod 三者對應同一次真實改動。
- 用能見度追蹤鎖定已經掉出 AI 引用的頁面，把它們排到更新序列最前面。
如果你不確定自己有哪些內容正在悄悄失去 AI 引用、又該從哪一篇開始救，可以預約 30 分鐘 GEO 診斷，我們會用你網站上真實的內容與引用狀況，指出時效缺口最大的地方，以及最先值得更新的頁面。
