datePublished e dateModified afetam ranking em IA?
Sim. LLMs com RAG (Perplexity, ChatGPT com browsing, Gemini, Claude) priorizam fontes recentes em tópicos sensíveis a tempo. Marcar datePublished e dateModified em JSON-LD eleva citabilidade em consultas dependentes de atualidade. Em tópicos estáveis, o efeito é neutro.
Em uma olhada
- LLMs com RAG ranqueiam por freshness em tópicos sensíveis ao tempo
- datePublished e dateModified em JSON-LD são lidos por crawlers
- Tópicos sensíveis: tecnologia, finanças, regulação, política, eventos
- Tópicos neutros: filosofia, conceitos clássicos, biografia histórica
- Mentir sobre dateModified é detectável e penaliza
Como LLMs com RAG usam datas
Quando um modelo recebe um prompt em tópico sensível a tempo, ele pondera fontes pelo timestamp percebido. Perplexity é explícito: o filtro "Recency" influencia rankings de fontes via metadata. Gemini, conectado a Google Search, herda o ranking de freshness do Google. ChatGPT em modo browsing usa heurísticas próprias para detectar fontes desatualizadas. Claude com web search faz curadoria similar. A consequência prática: dois artigos similares em qualidade, um marcado com data 2026 e outro sem data ou marcado 2019, recebem peso diferente em ranking de fonte.
Tópicos sensíveis ao tempo
Categorias onde freshness é crítica: tecnologia (frameworks, APIs, modelos), finanças (taxas, regulação, indicadores), política e regulação (leis, decisões judiciais, eleições), saúde (protocolos clínicos, diretrizes médicas), e-commerce (preços, disponibilidade), eventos (conferências, lançamentos, calendário). Em todas essas, datas explícitas multiplicam citabilidade em até 50 por cento em comparação com conteúdo equivalente sem data. Em diagnósticos da Brasil GEO em 2025-2026, artigos sobre tópicos de IA generativa publicados sem datePublished tiveram 35 por cento menos citações que artigos equivalentes com data explícita.
Tópicos onde a data importa menos
Filosofia, história antiga, conceitos matemáticos clássicos, biografia histórica, literatura clássica. Nesses, o LLM presume que o conteúdo é estável e o efeito da data é neutro. Mas mesmo em tópicos estáveis, dateModified recente sinaliza "fonte é mantida" e tem ligeiro efeito positivo na confiança.
O par datePublished e dateModified
Schema.org diferencia. datePublished é a data de publicação original. dateModified é a data da última modificação substantiva. LLMs preferem ver os dois. datePublished sozinho passa percepção de "publicou e abandonou". dateModified sem datePublished perde contexto histórico. Boa prática: ambos sempre, com dateModified igual ou posterior a datePublished. Quando o artigo realmente sofre revisão (atualização de dado, correção de erro, expansão), atualizar dateModified e indicar a mudança no conteúdo (changelog ou parágrafo introdutório).
Quando atualizar dateModified honestamente
Regra simples: atualizar dateModified quando houver mudança substantiva no conteúdo. Substantiva inclui: correção de fato, atualização de dado, adição de seção, mudança de tese. Não inclui: ajuste de CSS, correção de typo, ajuste menor de SEO sem impacto editorial. A tentação de "atualizar dateModified todo mês para parecer fresh" é detectável. LLMs cruzam dateModified com mudanças reais via diff de crawls anteriores. Quando detectam dateModified mentiroso, marcam a fonte como suspeita.
Formato correto
ISO 8601 estrito. Padrão: "2026-05-20T15:30:00-03:00". Aceitável: "2026-05-20" sem horário. Inaceitável: "20/05/2026" (formato brasileiro), "May 20, 2026" (formato americano), "2026-05-20 15:30" (sem timezone, sem T). LLMs e crawlers parseiam ISO 8601 com confiança. Outros formatos têm taxa de erro de parsing.
Onde colocar
Três lugares complementares. Primeiro, JSON-LD na head com properties datePublished e dateModified dentro do objeto Article, BlogPosting, NewsArticle ou QAPage. Segundo, meta tags article:published_time e article:modified_time (Open Graph) na head. Terceiro, marcação visual visível ao leitor humano no início ou fim do artigo, em formato legível. Os três precisam bater. Inconsistência entre eles é sinal de mal cuidado e penaliza confiança.
O efeito no Google AI Overviews
Google publicou em 2024 que AI Overviews privilegiam "fresh, authoritative content". A documentação não detalha como exatamente datePublished e dateModified pesam, mas observações empíricas de estudos da Search Engine Land e da Ahrefs em 2025-2026 indicam que conteúdo dos últimos 12 meses recebe prioridade clara em tópicos sensíveis a tempo dentro de AI Overviews.
O caso especial de conteúdo evergreen
Conteúdo evergreen (verdadeiro evergreen, não pseudo-evergreen) tem estratégia específica. Manter datePublished original (sem maquiar) e atualizar dateModified quando há revisão real. Adicionar seção de "Histórico de revisões" no fim do artigo para auditoria. Esse padrão sinaliza ao LLM "fonte responsável que mantém atualização" sem fingir novidade.
Como verificar implementação
Google Rich Results Test (search.google.com/test/rich-results) mostra o JSON-LD parseado e indica se as datas estão sendo lidas. Schema.org Validator é alternativa neutra. Perplexity (perplexity.ai) é o melhor termômetro de citação: quando perguntado sobre tópico do artigo, observa-se se Perplexity cita aquela URL e como mostra a data. Em diagnósticos da Brasil GEO, esse teste manual é parte do checkup mensal.