# 홈페이지 글은 날짜가 오래되면 AI가 뒤로 미룰까?

_날짜 하나만 바꿔도 AI의 글 순서가 달라질 수 있다_

> 7개 AI 모델에 글 내용은 그대로 두고 날짜만 바꿔 넣었더니 상위 10개 글의 평균 연도가 최대 4.78년 앞당겨졌고, 한 글은 95계단까지 움직였다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/ai-reorders-pages-by-date-alone
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-09-23

홈페이지 글의 날짜가 오래돼 보이면 AI가 그 글을 뒤로 미룰 수 있다. 실제 실험에서 7개 AI 모델 모두 내용은 그대로인 글에 최근 날짜를 붙였을 때 그 글을 더 앞으로 올렸다. 상위 10개 글의 평균 연도가 최대 4.78년 앞당겨졌고, 한 글은 95계단까지 자리가 바뀌었다.

내용을 실제로 고쳤다면 고친 날짜를 보여주는 것이 중요하다.

## 날짜만 바꿔도 정말 순서가 달라질까?

그렇다. 와세다대 연구진은 AI가 여러 글 가운데 어떤 글을 먼저 볼지 판단하는 과정에서 날짜가 영향을 주는지 살펴봤다. 연구에는 검색 연구에 널리 쓰이는 미국 표준 시험 자료 두 벌이 사용됐다.

2021년 질문 53개와 2022년 질문 76개가 대상이었다. 사람이 미리 글의 관련도를 매겨 둔 목록을 AI에게 보여준 뒤, AI가 그 글들의 순서를 다시 정하게 했다.

| 항목 | 내용 |
|---|---|
| 연구 | 와세다대 연구진, 2026년 9월 개정판 |
| 모델 | GPT-3.5·GPT-4·GPT-4o, 라마3 8B·70B, 큐원2.5 7B·72B 등 7개 |
| 질문 | 53개(2021년 자료) + 76개(2022년 자료) |
| 바꾼 것 | 글 앞에 붙인 발행일 하나 |

그다음에는 글의 내용은 한 글자도 바꾸지 않고 각 글 앞에 발행일만 붙였다. 날짜가 다른 조건에서 AI가 글의 순서를 다시 정하게 한 것이다.

이 실험이 중요한 이유는 AI가 인터넷에서 글을 찾아 답변을 만드는 과정과 관련이 있기 때문이다. AI 검색은 여러 글을 찾아온 뒤 다시 순서를 매겨 답변에 쓸 글을 고르는 경우가 많다.

이번 실험은 그중에서도 글을 다시 순서대로 놓는 단계만 따로 떼어 살펴봤다. 따라서 날짜가 실제 AI 답변에 어떤 영향을 주는지 그대로 보여주는 실험이라고 단정할 수는 없지만, 날짜 하나가 AI의 선택에 영향을 줄 수 있다는 점은 확인할 수 있다.

## 얼마나 앞쪽으로 움직였을까?

7개 모델 모두 최근 날짜를 붙인 글을 앞으로 올렸다. 내용의 관련도나 글의 내용은 그대로였는데 날짜만 달라졌을 때 순서가 움직였다.

2021년 자료를 기준으로 보면 모델에 따라 평균 자리 이동은 달랐다. 가장 크게 움직인 경우 상위 10개 글의 평균 발행 연도가 최대 4.78년 앞당겨졌다.

| 모델 | 평균 자리 이동(2021년 자료) | 가장 크게 움직인 글 |
|---|---|---|
| GPT-3.5 | 3.58계단 | 95계단 |
| GPT-4 | 2.07계단 | 69계단 |
| GPT-4o | 1.82계단 | 70계단 |
| 라마3 8B | 5.00계단 | 93계단 |
| 큐원2.5 72B | 1.92계단 | 77계단 |

평균 이동만 보면 몇 계단 차이처럼 보일 수 있다. 하지만 개별 글을 보면 움직임이 더 컸다.

실험에서 한 글은 최대 95계단까지 자리가 바뀌었다. 모델마다 움직임의 크기는 달랐지만, 최근 날짜가 붙은 글을 앞으로 보내는 방향은 7개 모델에서 모두 같았다.

큰 모델일수록 날짜에 따른 흔들림이 줄어드는 모습도 나타났다. 그렇다고 날짜의 영향이 없어지는 것은 아니었고, 가장 덜 흔들린 모델에서도 한 글이 61계단 움직였다.

## 비슷한 글끼리라면 날짜가 더 중요할까?

관련도가 비슷한 두 글을 놓고 어느 쪽이 더 나은지 고르게 한 실험도 있었다. 먼저 날짜 없이 선택하게 한 뒤 날짜만 붙여 다시 선택하게 하고, 원래 선택이 바뀌었는지를 살펴봤다.

그 결과 날짜 하나 때문에 선택이 뒤집히는 경우가 나타났다. 모델에 따라 그 비율은 최대 25%였고, 관련도가 높은 글끼리 비교한 조건에서는 29.63%까지 나타났다.

| 모델 | 날짜를 붙인 뒤 선택이 뒤집힌 비율 |
|---|---|
| 라마3 8B | 25.18% |
| 라마3 70B(관련도 높은 글끼리) | 29.63% |
| 큐원2.5 72B | 8.93% |

이 결과는 관련도가 비슷한 글에서는 날짜가 무시하기 어려운 신호가 될 수 있다는 뜻이다. 같은 내용을 담은 글이라도 날짜가 다르게 보이면 AI가 다르게 판단할 가능성이 있다는 것이다.

다른 연구에서도 여섯 AI 모델이 모두 최근 날짜를 단 글을 먼저 인용했다. 여러 연구에서 같은 방향의 결과가 나온 만큼 홈페이지의 날짜 표시는 단순한 장식으로 보기 어렵다.

## 그렇다면 오래된 글의 날짜만 바꾸면 될까?

그렇게 하면 안 된다. 이번 연구에서 연구진이 오히려 주의한 부분도 여기에 있다.

글의 내용은 그대로 두고 날짜만 새로 바꾸면 AI에게 최근 글처럼 보이게 만들 수 있다. 그러면 실제로는 오래됐지만 믿을 만한 글이 뒤로 밀릴 수 있다.

따라서 날짜를 새로 붙이는 것과 실제로 내용을 고치는 것은 구분해야 한다. 가격이 바뀌었는지, 영업시간이 달라졌는지처럼 실제 변경이 있었다면 그 사실을 날짜와 함께 보여주는 방식이 필요하다.

구글도 발행일이나 수정일 하나만 믿는 것이 아니라 여러 신호를 함께 본다고 밝히고 있다. 그래서 날짜만 바꾸는 방식은 오래가기 어렵다.

| 하지 말 것 | 할 것 |
|---|---|
| 내용은 그대로 두고 날짜만 바꾸기 | 가격·영업시간·사진을 실제로 고치고 날짜 표시 |
| 날짜를 아예 숨기기 | 발행일과 고친 날짜를 함께 보이기 |
| 페이지마다 다른 날짜 표기 | 화면 날짜와 구조화 데이터 날짜를 맞추기 |

## 사장님 홈페이지에서는 무엇부터 고치면 될까?

오래된 글이 많은 홈페이지라면 먼저 고객이 자주 확인하는 정보부터 살펴보는 것이 좋다. 가격표, 영업시간, 휴무일, 신메뉴처럼 시간이 지나면서 바뀌는 정보가 대표적이다.

이런 정보를 실제로 고쳤다면 고친 날을 분명하게 표시하면 된다. 발행일과 고친 날짜를 함께 보여주고, 홈페이지 화면에 표시된 날짜와 구조화 데이터에 들어간 날짜도 맞춰야 한다.

반대로 내용은 그대로 두고 날짜만 최근 날짜로 바꾸는 것은 피해야 한다. 날짜가 오래됐다는 이유만으로 무조건 글을 버리는 것이 아니라, 실제 정보가 지금도 맞는지 먼저 확인하는 것이 중요하다.

이번 실험은 영어 글과 연구용 시험 자료를 대상으로 했다. 따라서 실제 동네 사장님의 홈페이지에서 AI 검색 순서가 똑같은 크기로 움직인다고 단정할 수는 없다.

그래도 확인된 방향은 분명하다. 7개 AI 모델 모두 날짜만 최근으로 바꾼 글을 앞으로 올렸고, 한 글은 95계단까지 움직였다.

결국 핵심은 날짜를 새것처럼 만드는 것이 아니다. 실제로 홈페이지 내용을 고쳤다면 그 사실을 날짜로 보여주는 것이다.

① 7개 AI 모델 모두 날짜만 최근으로 바꾼 글을 앞으로 올렸다. ② 상위 10개 글의 평균 연도가 최대 4.78년 앞당겨졌고, 한 글은 95계단 움직였다. ③ 비슷한 글 사이에서는 날짜 하나로 선택이 최대 25% 뒤집혔다. ④ 날짜만 바꾸지 말고 실제 내용을 고친 뒤 발행일과 고친 날짜를 표시해야 한다.

## 같이 읽을 글

 

- 홈페이지 글에 날짜를 붙이는 게 좋을까?

- 비슷한 두 페이지가 있으면 AI는 어느 쪽을 먼저 인용할까?

- 홈페이지가 없는 농장은 AI에게 어떻게 보일까?

- AI에 나오려고 만든 글, 정말 통할까?
 

## 자료 출처

 

- Fang·Tao·Chen·Chang·Sakai 「Do Large Language Models Favor Recent Content?」 arXiv 2509.11353(와세다대) — 4.78년·95계단·25%

- Vishwakarma 외 「What Gets Cited」 arXiv 2605.25517 — 여섯 모델 모두 최근 날짜 쪽을 먼저 인용

- Chen 외 「Navigating the Shift」 arXiv 2601.16858 — AI 인용 글이 구글보다 최근

- 구글 검색 센터 「검색 결과에 날짜 표시하기」 — 여러 신호로 날짜 판단

- TREC 2021 Deep Learning Track 개요