Recency Bias in der KI-Suche: Wann rankt neuer Content?

Ein zwei Jahre alter Ratgeber kann seine Position bei Google halten und dabei vermutlich trotzdem kaum noch in Antworten von ChatGPT oder Perplexity auftauchen. Abschließend belegen lässt sich diese Annahme hier nicht, sie beschreibt aber genau den Punkt, an dem für viele Website-Betreiber der erste sichtbare Unterschied zwischen klassischem SEO und GEO (Generative Engine Optimization) entsteht.

Definition: Recency Bias in der KI-Suche bezeichnet die Tendenz von KI-Modellen wie ChatGPT, Perplexity oder Google AI Overviews, neuere Inhalte gegenüber älteren zu bevorzugen, selbst wenn die ältere Quelle inhaltlich gleichwertig ist. Der Effekt entsteht durch Trainingsdaten-Aktualität, Websuche-Integration und explizite Freshness-Signale wie Publikationsdatum. Wie stark er im Einzelfall greift, hängt von der Art der Anfrage ab.

Schritt 1: Freshness-Bedarf der eigenen Themen einordnen

Bevor du irgendetwas am Content änderst, lohnt sich die Frage: Braucht dieses Thema überhaupt Aktualität? Laut der Dokumentation von Google Search Central setzt Google sogenannte „Query-Deserves-Freshness”-Systeme ein (Googles eigene Bezeichnung), die aktuellere Inhalte gezielt höher ranken, allerdings nur bei Anfragen, bei denen Aktualität für den Nutzer erwartbar relevant ist (https://developers.google.com/search/docs/appearance/ranking-systems-guide). Diese Unterscheidung lässt sich auf GEO übertragen: Nicht jede Content-Kategorie profitiert gleich stark von einem neuen Datum.

Anfrage-Typ	Freshness-Erwartung laut Google-Konzept	Beispiel
Aktuelle Ereignisse, Preise, Versionen	hoch	„Was kostet X aktuell?”
Wiederkehrend diskutierte Themen	mittel	„Beste GEO-Tools 2026”
Zeitlose Referenz, Definition	gering	„Was ist Schema.org?”

Stolperstein aus der Praxis: Websites aktualisieren pauschal alle Artikel im gleichen Rhythmus, unabhängig vom Thema. Das kostet Zeit an Stellen, an denen ein zeitloser Definitionsartikel gar kein neues Datum braucht, und lässt echte Freshness-Kandidaten liegen.

Schritt 2: dateModified sauber von datePublished trennen

Laut Schema.org definiert das Property dateModified für CreativeWork-Inhalte ausdrücklich das Datum der letzten inhaltlichen Änderung, getrennt vom unveränderlichen Erstveröffentlichungsdatum datePublished (https://schema.org/dateModified). Beide Felder gehören ins JSON-LD-Markup.

Stolperstein aus der Praxis: Wird dateModified bei jedem Speichern automatisch neu gesetzt, unabhängig davon, ob sich am Inhalt etwas geändert hat, verliert das Feld seine Aussagekraft. Es kann dann eine KI in die Irre führen, die auf ein ehrliches Aktualisierungsdatum vertraut. Mehr zu diesem Zusammenhang steht im Beitrag Datums-Signale & Publikations-Metadaten für KI-Suche.

Schritt 3: Inhalte wirklich überarbeiten, nicht nur das Datum ändern

Ein neues Datum ohne neuen Inhalt ist der klassische Fehler, wenn Freshness zur Formsache wird. Der Text selbst bleibt dabei unverändert, nur das Metadatum hat sich verschoben, und ein reines Update des Modified-Datums ersetzt keine inhaltliche Überarbeitung.

Stolperstein aus der Praxis: Redaktionen ändern das Datum im großen Batch vor einem Relaunch, ohne Zahlen, Beispiele oder Quellenangaben im Text zu prüfen. Wie sich veraltete Inhalte konkret bemerkbar machen, bevor sie ganz aus KI-Antworten verschwinden, beschreibt der Beitrag Content Decay für KI: Wann ignoriert ChatGPT deinen Content?.

Rechenbeispiel (hypothetisch): Bei 50 Blogartikeln und einem vierteljährlichen Update-Rhythmus wären das rund 17 inhaltliche Überarbeitungen pro Quartal, jeweils mit echter Textänderung.

Schritt 4: Aktualität auch im Content selbst sichtbar machen

Schema-Markup allein reicht nicht, wenn das KI-System den Content direkt liest und die Metadaten dabei kaum berücksichtigt. Laut der Dokumentation von Anthropic liefert das Web-Search-Tool von Claude zu jedem Suchergebnis ein Feld namens page_age mit, das angibt, wann eine Seite zuletzt aktualisiert wurde (https://platform.claude.com/docs/en/agents-and-tools/tool-use/web-search-tool). Das Modell erhält das Alter eines Inhalts damit als strukturiertes Signal, unabhängig von der Interpretation des Fließtexts.

Weil dateModified laut Schema.org getrennt von datePublished geführt wird und Claude dieses Alter laut Anthropic als eigenes Signal ausliest, lohnt es sich, ein sichtbares „Zuletzt aktualisiert am”-Datum direkt im Artikeltext zu platzieren, zusätzlich zum Schema-Feld. Wie ein Publikationsdatum über Zitierung entscheiden kann, erklärt der Beitrag Publish-Date & KI-Sichtbarkeit: Warum das Datum über Zitierung entscheidet.

Stolperstein aus der Praxis: Das Aktualisierungsdatum steckt nur im Footer oder im Schema-Markup, taucht im eigentlichen Lesetext aber nirgends auf. Ein Modell, das den Content direkt zusammenfasst statt das Markup auszuwerten, sieht diesen Hinweis dann schlicht nicht.

Schritt 5: Alte, autoritative Inhalte nicht vorschnell abschreiben

Recency Bias bedeutet nicht, dass Alter automatisch disqualifiziert. Laut einer Studie von Hanpei Fang, Sijie Tao, Nuo Chen, Kai-Xin Chang und Tetsuya Sakai, veröffentlicht bei ACM SIGIR-AP 2025, bevorzugen sieben getestete Sprachmodelle, darunter GPT-4o, GPT-4 und LLaMA-3, in kontrollierten Reranking-Tests systematisch neuere Inhalte: Allein ein neueres Datum verschob das mittlere Publikationsjahr der Top-10-Ergebnisse um bis zu 4,78 Jahre, einzelne Dokumente sprangen um bis zu 95 Rangplätze nach oben (2025, https://arxiv.org/abs/2509.11353). Das ist ein kontrolliertes Reranking-Experiment, kein Nachweis darüber, wie ChatGPT Search oder Perplexity in freier Anwendung tatsächlich gewichten. Diese Übertragung bleibt öffentlich unbelegt.

Aus dieser Studie und den oben genannten Signalen (Schema.org-Trennung, Claude-page_age, Google-Freshness-Konzept) ergibt sich eine Einordnung: Ein Datum kann ein Ranking verschieben. Substanz ersetzt das nicht. Ein Artikel mit klarer Quellenlage, sauberem E-E-A-T und einer echten inhaltlichen Aktualisierung bleibt zitierfähig, auch wenn er nicht neu ist. Reines Datum-Tuning ohne diese Grundlage bleibt Kosmetik.

Häufig gestellte Fragen

Bedeutet Recency Bias, dass alte Inhalte in der KI-Suche wertlos werden? Nein. Der Effekt verschiebt Rankings, ersetzt aber keine inhaltliche Autorität. Ein alter, aber weiterhin korrekter und gut belegter Artikel kann zitiert werden, während ein neuer, oberflächlicher Text es nicht wird.

Wie oft muss ich Inhalte aktualisieren, damit die KI sie als aktuell erkennt? Dafür gibt es keinen pauschalen Rhythmus. Laut dem oben beschriebenen Google-Konzept zur Anfrage-Aktualität brauchen Themen mit hoher Freshness-Erwartung, etwa Preise oder aktuelle Ereignisse, eher häufigere Updates als zeitlose Definitionsartikel. Entscheidend ist der Anfragetyp, nicht ein festes Intervall.

Reicht es, nur das Datum zu ändern? Nein. Ein reines Update des dateModified-Feldes ändert nur die Metadaten, nicht den Inhalt, den eine KI beim Zusammenfassen tatsächlich liest. Wer Freshness signalisieren will, kommt an einer echten Textänderung nicht vorbei.

Woran erkennt eine KI überhaupt, wie alt ein Inhalt ist? Über mehrere Signale gleichzeitig: Schema.org-Felder wie dateModified und datePublished, sichtbare Datumsangaben im Text sowie, im Fall von Claude, ein strukturiertes page_age-Feld aus der Websuche selbst.

---

Ergebnis: Nur der beanstandete Einleitungssatz geändert. Aus der Tatsachenbehauptung „hält seine Position” wurde „kann … halten”, die Vermutung über ChatGPT/Perplexity trägt jetzt zusätzlich „vermutlich” und „abschließend belegen lässt sich diese Annahme hier nicht” statt der schwächeren Formulierung „wir gehen aber davon aus”.

Wichtig: Keine neuen Quellen oder Zahlen ergänzt, keine Ich-/Erfahrungsaussage verwendet. Alles andere im Artikel unverändert gelassen, auch das als „hypothetisch” markierte Rechenbeispiel in Schritt 3, das nicht beanstandet wurde.

Geprüft: Kein automatischer Lauf des Claim-Gates möglich, das läuft außerhalb dieser Session. Bitte im nächsten Prüflauf gegenchecken.

Offen: Falls das Gate den Satz erneut als Hypothese-ohne-Unsicherheit markiert, bräuchte es eine noch schärfere Formulierung, z. B. explizit „nicht abschließend belegte Vermutung” statt „Annahme”.