Новый режим сбоя контента: людям это нравится, а модели игнорируют это.

от

Вы создали полезную страницу, которая отвечает на реальную потребность. Она легко понимается, включает в себя четкие примеры и учитывает все возможные сценарии. Вы уверены, что можете поделиться ею напрямую с клиентом.

Купил акции на все деньги, а они упали? А Илон Маск снова написал твит? Знакомо. У нас тут клуб тех, кто пытается понять этот цирк и не сойти с ума.

Купить на падении (нет)

Вы задаёте вопрос ИИ, на который ваш веб-сайт напрямую отвечает, но ИИ полностью игнорирует ваш контент. Он не упоминает вашу страницу, не ссылается на неё и даже не перефразирует информацию – он ведёт себя так, будто вашей страницы не существует.

Речь идет не только о том, что AI-платформы дают разные ответы – большинство людей понимают, что это случается. Реальное изменение заключается в том, что то, что делает AI полезным для людей, и то, что делает его технически хорошим, начинают расходиться. По сути, полезность и возможности больше не являются одним и тем же.

Рассматривание ‘качества’ как одной фиксированной меры приведет к непониманию того, почему контент плохо работает в ответах ИИ, и вы потратите время на неэффективные решения.

Проблема проще всего назвать Разрывом в полезности.

Что такое разрыв в полезности?

Эта разница отражает то, как представление человека о том, что важно, не всегда совпадает с тем, что необходимо компьютеру для создания полезного ответа.

Люди читают, чтобы понять смысл вещей. Они хорошо относятся к введениям, тонким деталям и историям. Они часто просматривают страницу, чтобы найти самую важную часть, и могут сформировать мнение после прочтения всего, или по крайней мере большей его части.

Системы генерации с расширенным поиском работают, сначала находя релевантную информацию, а затем обрабатывая её по частям. Они сосредотачиваются на извлечении ключевых деталей для достижения конкретной цели и не требуют всего контекста – только полезные фрагменты.

Эта разница меняет то, как работает «good».

Веб-страница может выглядеть отлично для людей, но при этом быть бесполезной для компьютерной программы. Даже если страницу легко найти в интернете и она кажется надёжной, она может быть не в состоянии предоставить полезный ответ, когда система пытается её обработать.

Это не просто спекуляции; исследования уже показали, что то, насколько хорошо большая языковая модель находит информацию (релевантность), отличается от того, насколько полезна эта информация (полезность).

Почему релевантность больше не универсальна

Традиционные методы оценки результатов поиска, как правило, отдают приоритет верхним результатам, предполагая, что люди редко смотрят дальше первых нескольких. Однако этот подход не совсем соответствует тому, как работают системы Retrieval-Augmented Generation (RAG). RAG использует большие языковые модели, которые одновременно обрабатывают несколько извлеченных фрагментов, а не сканируют ранжированный список, как человек. Следовательно, простого сосредоточения на релевантности и позиции в рейтинге недостаточно, чтобы гарантировать хороший окончательный ответ. (Важно отметить, что поисковые технологии очень сложны, и это упрощенное объяснение.)

Как человек, который уже некоторое время разрабатывает поисковые и информационно-поисковые системы, я следил за изменениями, необходимыми для оценки систем, работающих с большими языковыми моделями. Недавняя статья 2025 года действительно попала в точку. В ней указывается, что традиционный способ измерения качества поиска больше не подходит. LLM потребляют информацию по-другому – то, где появляется информация, имеет для них гораздо большее значение. Кроме того, то, что *мы* люди считаем релевантным, не всегда *действительно* полезно для модели при генерации ответов. Чтобы решить эту проблему, исследователи разработали способ специально помечать как полезные, так и отвлекающие части результатов поиска. Затем они создали новую метрику, UDCG, которая учитывает оба этих фактора. Их эксперименты показали, что UDCG лучше предсказывает общую точность ответов по сравнению со старыми метриками, что является большим шагом вперед.

Вот ключевой момент для маркетологов: Плохой контент не просто игнорируется — он может фактически ухудшить ответы ИИ, запутывая систему. Речь идет не о стиле письма; речь идет о том, помогает ли контент или мешает способности ИИ давать хорошие ответы.

NIST предлагает аналогичное предостережение. Исследование Йена Соборова под названием «Не используйте LLM для вынесения суждений о релевантности» объясняет, что не следует полагаться на оценки, сгенерированные ИИ, вместо человеческой оценки. Даже если вывод ИИ кажется естественным, он не является надежной заменой человеческому суждению.

Это важно для того, как вы планируете вещи. Если что-то всегда было чётко уместным или неуместным, компьютерная программа могла бы надёжно вынести такое же суждение, как и человек. Но это не так, поэтому результаты могут отличаться.

Разрыв между читабельностью и полезностью мы называем «Пробелом полезности». Тот факт, что что-то выглядит хорошо для человека, не означает, что современные поисковые и рекомендательные системы распознают это как ценное.

Даже когда ответ присутствует, модели не используют его последовательно.

Только потому, что большие языковые модели могут обрабатывать большие объемы текста, не означает, что они автоматически определят наиболее важную информацию. Это распространенное заблуждение, и часто приводит к разочаровывающим результатам.

Недавнее исследование, ‘Lost in the Middle: How Language Models Use Long Contexts,’ показало, что производительность языковых моделей может значительно снижаться в зависимости от *того*, где размещается важная информация в более длинном тексте. Модели, как правило, лучше всего работают, когда ключевые детали находятся в начале или конце, и испытывают больше трудностей, когда эта информация погребена в середине – даже те, которые предназначены для обработки очень длинных входных данных.

Эта концепция напрямую применима к веб-контенту. Люди естественным образом прокручивают страницу в поисках информации, но модели ИИ не всегда делают это последовательно. Если важные детали – такие как определения, правила или ключевые моменты – размещены слишком далеко вниз на веб-странице, модель может их пропустить, фактически скрывая их.

Даже если вы создадите что-то точное и полезное, это не будет полезно, если система не сможет легко найти и применить это. Таким образом, полезность заключается не только в правильности – но и в том, насколько легко к этому можно получить доступ и использовать.

Доказательство в дикой природе: То же намерение, различная целевая полезность

Здесь разрыв между исследованиями и реальностью начинает двигаться от исследований к реальности.

Как SEO-эксперт, я внимательно слежу за развитием искусственного интеллекта, и недавнее исследование от BrightEdge, сравнивающее подходы ChatGPT и Google AI к поисковой видимости, весьма увлекательно. Они обнаружили значительную разницу – около 62% – в том, как эти инструменты отвечают в различных отраслях. Особенно меня поразил пример в сфере здравоохранения. Когда кто-то ищет ‘how to find a doctor’, ChatGPT часто выделяет Zocdoc, в то время как Google обычно направляет пользователей к справочникам больниц. Это один и тот же пользовательский запрос, но каждый ИИ выбирает совершенно другой путь для предоставления результатов. Речь идет не только о предоставлении ответа; речь идет о *том, как* они до него добираются, и это огромный сигнал для маркетологов.

Ещё один отчёт предполагает, что это часть более широкой тенденции, особенно когда пользователи пытаются предпринять какие-либо действия. Платформа, похоже, направляет их к различным вариантам для принятия решений и выполнения задач.

Это поведение подчёркивает то, что мы называем «Разрывом в полезности». Модель AI расставляет приоритеты, основываясь на том, что она считает наиболее полезным для завершения задачи, и это может привести к тому, что она будет отдавать предпочтение платформам, таким как агрегаторы, торговые площадки или каталоги – или даже подходу конкурента. По сути, ваш превосходный контент может быть не выбран, даже если он фактически верен.

Переносимость — это миф, от которого вам нужно отказаться.

Долгое время люди верили, что создание отличной веб-страницы и высокое место в результатах поиска автоматически означают, что люди её найдут. Это больше не гарантия.

Profound высказал схожий пункт зрения, объяснив, что высокое место в поисковой выдаче Google не означает автоматически, что вы появятся в результатах ChatGPT.

При изучении исследований, анализирующих перекрывающиеся данные, помните, что результаты скорее демонстрируют общую тенденцию, чем предоставляют точные цифры. Search Engine Land недавно отметил, что исследования SEO часто преувеличиваются или применяются слишком широко, особенно когда речь идет об утверждениях, основанных на этом типе анализа.

Вам не нужно быть полностью готовым к действию – просто примите идею. То, как выглядят и работают вещи, не переносится автоматически, и то, что полезно, зависит от конкретной ситуации.

Как оценить разрыв в полезности без лаборатории

Вам не нужны корпоративные инструменты для начала, но вам нужна последовательность и целеустремлённая дисциплина.

Начните с определения десяти ключевых целей клиентов, которые напрямую влияют на доходы вашего бизнеса или лояльность клиентов. Выберите вопросы или фразы, которые показывают, что клиенты активно принимают решение – например, когда они решают, что купить, сравнивают различные варианты, пытаются решить проблему, проверяют, безопасно ли что-то или соответствует ли требованиям, или выбирают поставщика услуг. Приоритезируйте понимание *что* клиент хочет достичь, а не просто сосредотачивайтесь на популярных поисковых запросах.

Попробуйте использовать те же инструкции с инструментами искусственного интеллекта, которыми пользуются ваши клиенты – например, Google Gemini, ChatGPT или Perplexity. Вам не нужны идеальные результаты, просто последовательные вариации в ответах.

Захватывайте по четыре вещи за раз:

  • Независимо от того, упоминается ли ваш бренд (приводится, упоминается, перефразируется или опускается).
  • Отображается ли предпочитаемая вами страница.
  • Независимо от того, направляет ли ответ пользователя к вам или от вас.

Далее, оцените то, что вы наблюдали. Сделайте процесс оценки легким для отслеживания, чтобы вы с большей вероятностью выполняли его последовательно. Простая система оценки может выглядеть следующим образом:

  • Ваш контент явно определяет ответ.
  • Ваш контент отображается, но играет второстепенную роль.
  • Ваш контент отсутствует, и доминирует третья сторона.
  • Ответ противоречит вашим инструкциям или направляет пользователей туда, куда вы не хотите, чтобы они шли.

Это становится вашей базовой Utility Gap.

Выполняя эту проверку каждый месяц, вы можете отслеживать изменения с течением времени. И если вы повторите её после обновления своего контента, вы узнаете, действительно ли улучшения внесли разницу, или вы просто перефразировали вещи.

Как сократить разрыв в полезности, не превращая ваш сайт в контрольный список?

Не сосредотачивайтесь на написании *для* искусственного интеллекта. Вместо этого сосредоточьтесь на том, чтобы сделать ваш контент более легким для поисковых систем и других систем для поиска и объединения полезной информации. Ключ в том, чтобы сосредоточиться на том, как организован ваш контент.

Приоритизируйте наиболее важную информацию. Люди могут воспринимать информацию постепенно, а поисковые системы лучше всего работают с чёткими и немедленными результатами. Если пользователю нужно рассмотреть несколько ключевых моментов для принятия решения, покажите их в первую очередь. Также сразу чётко укажите самый безопасный или наиболее распространённый вариант.

При создании систем, отвечающих на вопросы, лучше всего использовать чёткие и прямые утверждения. Модели лучше всего работают с информацией, представленной в виде твёрдых фактов, с использованием точных определений и объяснением причинно-следственных связей. Хотя цветистый или повествовательный язык может звучать хорошо, он может затруднить системе точное извлечение ответа.

Сохраняйте ваши основные инструкции отдельно от любых особых случаев или рекламных материалов. Распространенная ошибка — объединять все в один большой раздел, что может сбить пользователей с толку и перегрузить их – это связано с исследованиями о том, как люди балансируют полезную информацию с отвлекающими факторами.

Будьте ясны в отношении ситуации. Люди могут понять суть из контекста, но моделям искусственного интеллекта необходимо, чтобы вы напрямую сообщали любую важную справочную информацию, такую как местоположение, сроки или что нужно сделать в первую очередь. Если инструкции различаются в зависимости от местонахождения пользователя, его прав доступа или его личности, сделайте это очень чётко.

Важная информация, затерянная в середине длинного ответа, может быть упущена из виду. Если ключевой момент появляется в середине, рассмотрите возможность перемещения его в начало или краткого его обобщения там. Исследования показывают, что место размещения информации влияет на то, видят ли люди её и используют ли её.

Это контент-инжиниринг, а не уловки.

Где это вас оставит.

«Разрыв в полезности» не означает, что нам следует прекратить заниматься традиционным SEO. Это просто означает, что мы не можем предполагать, что хороший контент автоматически будет хорошо работать везде.

В настоящее время ваша работа служит двум разным аудиториям. Людям по-прежнему нужен высококачественный контент, а моделям искусственного интеллекта нужны данные, которые они действительно могут использовать. Хотя эти потребности часто совпадают, это происходит не всегда, и когда они расходятся, могут возникнуть проблемы, которые не сразу очевидны.

Это меняет роли.

Контент-райтерам необходимо думать шире, чем просто о том, как контент *выглядит*, и сосредоточиться на его организации. Структура теперь напрямую влияет на то, насколько хорошо контент работает в поисковых системах и инструментах искусственного интеллекта. Чтобы ваша ценная информация была найдена и использована правильно, вы должны писать четко, в формате, читаемом машиной, что позволит ИИ быстро идентифицировать и извлекать ключевую информацию, не отвлекаясь.

Послушайте, я занимаюсь SEO уже довольно долго, и многое определённо изменилось. Мы больше не можем просто сосредотачиваться на незначительной корректировке контента. Техническое SEO – обеспечение возможности для Google *находить* и *читать* ваши страницы – всё ещё важно, но этого недостаточно, чтобы получить всю необходимую видимость. Мне пришлось серьёзно изменить своё мышление. Теперь я трачу гораздо больше времени на понимание того, как Google фактически *использует* сам контент – как он его разбивает, извлекает соответствующие части и строит ответы для пользователей. Речь идёт о понимании эффективности контента, а не только об оптимизации.

Успешные организации не будут спорить о том, отличаются ли ответы ИИ. Вместо этого они будут рассматривать эти различия как возможности для улучшения, работая вместе над совершенствованием производительности ИИ для каждой конкретной задачи.

Эта статья была первоначально опубликована на Duane Forrester Decodes.

Смотрите также

2026-01-29 17:42