Google po raz pierwszy opisał od środka mechanizm, który decyduje, czy artykuł w ogóle ma szansę trafić do feedu Discover, zanim zacznie się jakakolwiek walka o pozycję. System nazywa się Supersession-Decay Filtering (SDF), działa produkcyjnie od dwóch lat i według autorów zmniejszył liczbę zgłoszeń użytkowników o nieaktualnych treściach o 54,9%. Dla wydawców to konkretna wiadomość: treść, którą model uzna za „przeterminowaną”, wypada z gry jeszcze przed rankingiem, niezależnie od tego, jak dobrze była napisana.
Szczegóły pochodzą z pracy badawczej sześciorga inżynierów Google, przyjętej na ścieżkę Applied Research konferencji CIKM 2026. Na trop dokumentu zwrócił uwagę branżowy serwis Search Engine Journal, który 21 października opisał go jako pierwszy tak dokładny wgląd w filtr świeżości Discover.
Kontekst: dlaczego Discover walczy z „nieświeżością”
Google Discover to spersonalizowany feed artykułów z otwartej sieci, wyświetlany w aplikacji Google i na stronie startowej Chrome na urządzeniach mobilnych. Według danych z publikacji korzystają z niego setki milionów osób dziennie i miliardy miesięcznie. Dla wielu redakcji, także w Polsce, Discover bywa największym pojedynczym źródłem ruchu z Google, większym niż klasyczne wyniki wyszukiwania.
Problem, który opisują autorzy, zna każdy użytkownik: w feedzie pojawia się zapowiedź meczu, który już się odbył, spekulacja o cenie samochodu, choć producent ogłosił ją dzień wcześniej, albo poradnik do wydarzenia, które minęło. Takie rekomendacje były, jak piszą badacze, jednym z głównych źródeł skarg zgłaszanych przez użytkowników bezpośrednio w produkcie.
Dotychczasowe zabezpieczenia miały dwie wady. Twarde odcięcie po wieku publikacji nie mówi nic o tym, czy tekst nadal jest przydatny, a przy okazji niesłusznie tłumi treści evergreen. Z kolei sygnały zaangażowania reagują z opóźnieniem: spadek kliknięć widać dopiero wtedy, gdy użytkownicy zdążyli już zobaczyć nieaktualny tekst i go zignorować. SDF ma działać prewencyjnie, przewidując nieaktualność, zamiast czekać na jej skutki.
Kluczowe fakty: jak działa SDF
Najważniejsze założenie systemu brzmi prosto: treść może się zestarzeć na dwa zupełnie różne sposoby, więc potrzebne są dwa niezależne filtry. Element zostaje usunięty z puli kandydatów, jeśli zadziała którykolwiek z nich. Jeśli przejdzie oba, nadal może trafić do rankingu, gdzie oceniają go dalsze systemy, w tym modele oparte na zaangażowaniu i trendach.
Filtr pierwszy: wyparcie przez nowszą informację (supersession)
Pierwszy filtr porównuje pary artykułów dotyczących tego samego tematu i pyta, czy nowszy tekst sprawia, że starszy traci wartość. Przykłady z publikacji są bardzo obrazowe: tekst „Mazda 3: premiera już wkrótce?” zostaje oznaczony jako nieaktualny, gdy pojawia się artykuł „Ujawniono ceny Mazdy 3”. Zapowiedź serii meczów baseballowych staje się nieaktualna, gdy inny materiał podaje wynik. Z kolei przegląd rynku mieszkaniowego w Australii model uznał za wciąż „świeży”, bo nowszy tekst dotyczył innego wątku.
Do budowy tego filtra Google wykorzystał duży model językowy PaLM 2-L jako „nauczyciela”. Dla każdej pary artykułów model generował siedem niezależnych ocen wraz z uzasadnieniem, a wynik ustalano głosowaniem większościowym. Prompt dopracowywano tak długo, aż na ręcznie oznaczonym zbiorze 300 par precyzja i czułość przekroczyły 90%. W ten sposób powstał zbiór ponad 1,1 mln oznaczonych przykładów, na którym wytrenowano mniejszy model „ucznia” na bazie T5 z 11 mld parametrów. Ten model również zwraca krótkie uzasadnienie przed werdyktem, co według autorów poprawia jakość decyzji.
Filtr drugi: naturalne wygasanie (relevance decay)
Drugi filtr działa bez porównywania z innymi tekstami. Przewiduje, jaka część całego ruchu, który dany artykuł kiedykolwiek zbierze, przypada na pierwsze godziny i dni po publikacji. Ten wskaźnik nazwano Predicted Traffic Ratio (PTR). Jeśli model przewiduje, że tekst zebrał już co najmniej 90% swojego ruchu z 30-dniowego okna, artykuł uznaje się za wygasły i przestaje być kandydatem do feedu.
PTR jest liczony dla siedmiu horyzontów czasowych: 12 godzin oraz 1, 3, 5, 7, 10 i 14 dni. Model jest multimodalny, czyli analizuje jednocześnie tekst, obrazy i wideo. Co istotne dla branży SEO, do treningu użyto zanonimizowanych logów kliknięć z wyszukiwarki, a nie odsłon stron, bo te ostatnie są zniekształcone przez promocję prowadzoną przez samych wydawców. Przykład z publikacji: poradnik do obserwacji roju Geminidów wypada z puli po zakończeniu zjawiska, a przewodnik po kilkudniowym festiwalu kulinarnym w Phuket pozostaje widoczny przez cały czas jego trwania. Tekst poradnikowy o pracy z coachem zdrowia z „New York Timesa” nie jest filtrowany wcale.
Liczby z publikacji
| Wskaźnik | Wartość |
|---|---|
| Okres działania produkcyjnego | 2 lata |
| Spadek zgłoszeń o nieaktualnych treściach (ogółem) | 54,9% |
| Spadek zgłoszeń dotyczących wyparcia przez nowszą informację | 64,0% |
| Spadek zgłoszeń dotyczących naturalnego wygasania | 34,4% |
| Zbiór treningowy filtra wyparcia | 1 100 133 przykładów |
| Skuteczność filtra wyparcia (F1, zbiór testowy) | 84,79% |
| Próg filtra wygasania (PTR) | 0,9 |
| Spadek udziału nieaktualnych treści w teście A/B (oba filtry) | 6,91 pkt proc. |
| Oszczędność mocy obliczeniowej serwowania (I kw. 2026) | 4,76% + 3,98% |
| Liczba nowych elementów ocenianych dziennie | miliony |
W dwumiesięcznym teście z grupą kontrolną, w której oba filtry były wyłączone, Google zanotował spadek odsetka odrzuceń rekomendacji o 0,16%, wzrost różnorodności feedu o 0,13% i wzrost pozytywnego zaangażowania o 0,26%. To niewielkie zmiany procentowe, ale w skali miliardów wyświetleń przekładają się na ogromną liczbę interakcji. Autorzy podkreślają przy tym, że filtry stroili tak, by nie obniżać zaangażowania. Agresywniejsze ustawienie usunęłoby więcej nieaktualnych treści, ale za cenę zbyt małej puli kandydatów.
Ważny szczegół techniczny: oba filtry pracują na sygnałach dotyczących samego artykułu, a nie konkretnego użytkownika, i działają poza ścieżką obsługi zapytania. W momencie wyświetlania feedu system tylko sprawdza, czy dany element został już oznaczony jako nieaktualny względem bieżącego czasu. Dlatego SDF zmniejsza koszty, zamiast je zwiększać.
Co to znaczy dla SEO i AIO
Najprostszy wniosek jest też najważniejszy: w Discover data publikacji nie jest już głównym miernikiem świeżości. Liczy się to, czy informacja w tekście została zastąpiona nowszą, oraz to, jak szybko podobne treści historycznie traciły zainteresowanie. Dla wydawców wynika z tego kilka praktycznych konsekwencji.
1. Zapowiedzi i spekulacje żyją krótko
Teksty typu „kiedy premiera”, „czy X wprowadzi Y”, „co wiemy przed ogłoszeniem” są z definicji podatne na wyparcie. Gdy tylko pojawi się materiał z rozstrzygnięciem, starszy tekst przestaje być kandydatem do feedu. Redakcje, które żyją z takich formatów, powinny planować szybką publikację tekstu z rozstrzygnięciem, bo to on przejmie ruch, a nie aktualizacja starego artykułu.
W polskich realiach dotyczy to szczególnie serwisów motoryzacyjnych, technologicznych i sportowych, które publikują dużo materiałów „przed faktem”: przecieki o premierach smartfonów, spekulacje transferowe czy zapowiedzi kolejek ligowych. Każdy taki tekst ma wbudowany termin ważności, który kończy się w chwili ogłoszenia. Z perspektywy SDF nie ma znaczenia, czy rozstrzygnięcie opublikował ten sam serwis, czy konkurencja. Wystarczy, że w puli kandydatów pojawi się nowszy materiał na ten sam temat, który unieważnia wcześniejsze domysły. To przesuwa nacisk z ilości zapowiedzi na szybkość i jakość relacji z samego wydarzenia.
2. Aktualizacja może nie wystarczyć
Publikacja nie opisuje, jak system traktuje artykuł zaktualizowany po fakcie. Model wyparcia porównuje jednak treść par artykułów, a nie same daty. Jeśli zapowiedź zostanie przepisana tak, by zawierała już rozstrzygnięcie, teoretycznie przestaje być „starszą wersją” informacji. To hipoteza, której Google nie potwierdza, ale warto ją testować na własnych danych z raportu Discover w Search Console.
3. Evergreen jest bezpieczniejszy niż kiedykolwiek
System wprost odchodzi od twardego odcięcia po wieku, które karało teksty ponadczasowe. Poradnik, który nie odnosi się do konkretnego wydarzenia, nie ma czego „przegrać” z nowszym materiałem i nie ma gwałtownie spadającej krzywej ruchu. Dla serwisów eksperckich oznacza to, że dobrze napisane teksty evergreen mogą wracać do Discover długo po publikacji. Warto więc regularnie ustalać, które artykuły odświeżyć najpierw, i rozdzielać pracę między treści o krótkim i długim cyklu życia.
4. Ruch z wyszukiwarki uczy model Discover
Ciekawy wątek dla specjalistów SEO: filtr wygasania uczył się na krzywych ruchu z wyszukiwarki, a nie z Discover. To kolejny sygnał, że Google traktuje swoje produkty jako jeden ekosystem danych. Wzorzec, w którym dany typ treści gwałtownie traci kliknięcia w organicu, przenosi się na ocenę podobnych treści w feedzie.
5. Lekcja dla AIO
Mechanizm opisany przez Google to w praktyce automatyczna ocena, czy jedna informacja unieważnia drugą, wykonywana przez model językowy z uzasadnieniem. Bardzo podobne pytanie zadają sobie systemy generatywne, kiedy wybierają źródło do odpowiedzi. Treść z jednoznacznie podanym stanem faktycznym, datą rozstrzygnięcia i aktualną liczbą ma większą szansę zostać uznana za wersję „nadrzędną” niż tekst pełen domysłów. To spójne z tym, co obserwujemy przy cytowaniach w AI Overviews i ChatGPT.
Reakcje branży
Roger Montti, autor omówienia w Search Engine Journal, zwraca uwagę, że publikacja daje wydawcom rzadki wgląd w etap, o którym zwykle nic nie wiadomo: selekcję kandydatów przed rankingiem. Jego rekomendacja to przegląd całego portfolio treści i podział go na trzy grupy: evergreen, treści o ograniczonym oknie przydatności, które trzeba planowo aktualizować, oraz newsy o bardzo krótkim życiu. Montti sugeruje też, by przy planowaniu linkowania wewnętrznego brać pod uwagę nie tylko bliskość tematyczną, ale i „termin przydatności” podlinkowanego tekstu.
W dyskusjach w branży powraca też inny wątek: SDF wyjaśnia, dlaczego część redakcji obserwuje bardzo gwałtowne wygaszanie ruchu z Discover po 24–48 godzinach od publikacji, nawet gdy tekst wcześniej zbierał duże zasięgi. Jeśli model przewiduje, że artykuł zebrał już 90% swojego potencjału, przestaje on być kandydatem do feedu, choć nadal może dobrze radzić sobie w klasycznych wynikach wyszukiwania.
Warto pamiętać o kontekście. Discover od miesięcy przechodzi zmiany: Google testował m.in. przycisk „Dive deeper” z przeglądem tematu od AI, a wcześniej rozszerzone profile wydawców. SDF pokazuje, że równolegle do zmian interfejsu Google przebudowuje też to, co dzieje się „pod maską”.
Ograniczenia, o których piszą sami autorzy
Publikacja jest uczciwa wobec słabości systemu. Autorzy wymieniają m.in.:
- trudności z oceną komentarzy politycznych, w których opinia miesza się z faktami, co utrudnia rozstrzygnięcie, czy nowszy tekst wypiera starszy;
- „długi ogon” treści, które tracą aktualność stopniowo i nigdy nie przekraczają progu PTR, przez co mogą pozostać w feedzie jako umiarkowanie nieaktualne;
- dużą część pozostałych skarg dotyczących treści, które użytkownik widział już gdzie indziej, co wykracza poza zakres SDF;
- koszty i opóźnienia, które ograniczają wymianę modelu wyparcia na nowsze, większe modele językowe.
W planach jest wykorzystanie multimodalnych modeli językowych do przewidywania PTR oraz reprezentacja cyklu życia treści jako wartości ciągłej, a nie zestawu kilku horyzontów czasowych.
Co dalej
Google nie zapowiada zmian w dokumentacji Discover dla wydawców, a publikacja opisuje system działający od dwóch lat, więc nie należy spodziewać się nagłych wahań ruchu z jej powodu. Zmienia się raczej wiedza po stronie wydawców. Po raz pierwszy wiadomo, że Discover ma osobny, wcześniejszy etap selekcji, oparty na ocenie modelu językowego i prognozie krzywej ruchu.
Dla zespołów SEO praktyczny plan na najbliższe tygodnie wygląda tak:
- w raporcie Discover w Search Console sprawdź, po ilu dniach ruch typowego artykułu spada do zera, osobno dla newsów, poradników i zapowiedzi;
- oznacz w kalendarzu treści teksty z krótkim terminem przydatności i zaplanuj dla nich materiał z rozstrzygnięciem, zamiast liczyć na długie życie zapowiedzi;
- zwiększ udział treści evergreen tam, gdzie Discover jest kluczowym kanałem, bo nie konkurują one z nowszymi wersjami tej samej informacji;
- przy linkowaniu wewnętrznym z nowych artykułów kieruj użytkowników do tekstów, które wciąż są aktualne, a nie do zapowiedzi, które straciły sens.
Konferencja CIKM 2026, na której praca będzie prezentowana, może przynieść kolejne szczegóły, w tym pytania o to, jak SDF radzi sobie z treściami w językach innych niż angielski. Autorzy wspominają, że zbiór danych do modelu wygasania obejmuje wiele języków i formatów, ale nie podają wyników w podziale na rynki.
FAQ
Czym jest SDF w Google Discover?
Supersession-Decay Filtering to filtr świeżości, który usuwa nieaktualne treści z puli kandydatów do Discover, zanim zadziała ranking. Składa się z dwóch modeli: jeden wykrywa artykuły wyparte przez nowszą informację, drugi przewiduje naturalne wygasanie zainteresowania tekstem.
Czy SDF to nowa aktualizacja algorytmu?
Nie. Według publikacji system działa produkcyjnie od dwóch lat. Nowością jest to, że Google opisał jego działanie publicznie w pracy badawczej przyjętej na konferencję CIKM 2026. Nie ma powodu, by spodziewać się nagłych zmian w ruchu z Discover.
Czy data publikacji wpływa na widoczność w Discover?
Autorzy wprost piszą, że sama data publikacji jest słabym sygnałem, bo nie mówi, czy treść jest wciąż przydatna, a twarde odcięcie po wieku krzywdzi treści evergreen. SDF ocenia zawartość tekstu i przewidywaną krzywą ruchu, a nie wyłącznie datę.
Jak chronić treści przed odfiltrowaniem jako nieaktualne?
Najbezpieczniejsze są treści evergreen, które nie zależą od konkretnego wydarzenia. W przypadku zapowiedzi i spekulacji warto szybko publikować materiał z rozstrzygnięciem, bo starsza wersja informacji wypadnie z feedu. Dobrą praktyką jest też analiza w Search Console, jak długo różne formaty zbierają ruch z Discover.
Czy SDF wpływa na klasyczne wyniki wyszukiwania Google?
Publikacja opisuje system wdrożony w Discover i nie wspomina o jego użyciu w wynikach wyszukiwania. Filtr wygasania był jednak trenowany na logach kliknięć z wyszukiwarki, więc wzorce zachowań użytkowników w organicu wpływają na ocenę treści w feedzie.