Суть была в беспорядке.

Semrush недавно опубликовал инфографику, предназначенную для публикации на платформах, таких как LinkedIn, и в презентациях. Она фокусируется на четырех ключевых областях, последняя из которых – «Technical GEO» – охватывает схему разметки, структурированные данные и хорошо организованный веб-сайт. Основное преимущество, по мнению Semrush, заключается в том, что это помогает поисковым системам понимать и связывать ваш контент.

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)

Обеспечивает.

Как SEO-эксперт, я часто получаю вопросы о том, как на самом деле работают эти большие языковые модели. Самое главное, что нужно понимать, это то, что они не построены на жестких структурах или предопределенных правилах. На самом деле, их дизайн намеренно гибкий. И забудьте о схемах – LLM не ‘парсят’ текст в традиционном смысле. Они просто *читают* его и изучают закономерности из огромного объема текста, которому они подверглись. Это на самом деле удивительно просто.

Semrush не уникален в этом подходе. Большинство программных компаний в этой сфере используют аналогичные стратегии – по сути, старые SEO-тактики, перебрендированные под новыми терминами. Они сосредотачиваются на тех же метриках и фреймворках, но они предназначены для системы, которая на самом деле их не поддерживает.

Я ранее объяснял общий план действий в данной ситуации в своей статье «Your AI Strategy Isn’t a Strategy». Эта статья предоставляет технические детали, подтверждающие этот план.

Создан для чтения всего, что есть.

Большие языковые модели возможны благодаря тому, что интернет полон неорганизованной информации. Данные, на которых обучаются эти модели, поступают со всего веба – включая форумы, незаконченные статьи, ночные записи в блогах, плохо написанные описания продуктов и даже машинные переводы. Эти данные неструктурированы и сильно различаются по качеству и стилю, от формального академического письма до обычных онлайн-комментариев. Поскольку интернет не был построен с учётом организации, данные, используемые для обучения этих моделей, отражают этот хаос.

Трансформеры обрабатывают язык, просто рассматривая слова как серию фрагментов. У них нет встроенной системы для определения конкретных тегов, таких как код или схема, или для приоритизации форматирования FAQ. Основная идея заключается в том, что модель читает и понимает сами слова.

При использовании модели она создает больше текста, основываясь на предоставленных вами данных. Важно отметить, что ни один из этих процессов не предполагает доступ или использование детализированных, индивидуальных точек данных.

Schema.org предоставляет практические преимущества для онлайн-данных. Он обеспечивает расширенные результаты поиска, помогает уточнить информацию в графах знаний и позволяет голосовым помощникам получать доступ к конкретным деталям. Однако эти функции работают в существующих системах и не являются тем способом, которым большие языковые модели фактически обрабатывают и понимают язык.

Когда поставщик утверждает, что структурированные данные помогают ИИ понимать ваш контент, это вводит в заблуждение. Они предполагают, что ИИ необходимо *повторно разбирать информацию, которую он уже понял, просто прочитав её. ИИ уже обработал текст – он понял его, прочитав слова.

Один Трюк, Три Фирменных Цвета

Если вы изучите современные объяснения Генеративного ИИ и Прикладного ИИ, вы заметите, что они в значительной степени переиспользуют те же стратегии, что и старые руководства по Search Engine Optimization, просто заменяя ‘SEO’ новыми аббревиатурами.

Как цифровой маркетолог, я обнаружил, что Semrush действительно глубоко погружается в технический SEO. Их ‘Technical GEO’ pillar, в частности, подчеркивает, как схема и структурированные данные могут укрепить архитектуру веб-сайта – по сути, они действуют как страховочная сетка, когда базовой технической настройки недостаточно для гарантии понимания поисковыми системами.

Peec AI в некоторых областях приятно прямолинеен. Его руководство по Оптимизации Генеративного ИИ (GEO) открыто признает, что система полагается на вероятности и что основные модели ИИ уже установлены – что означает, что фокус делается на улучшении того, как извлекается информация. Затем он рекомендует знакомые стратегии: использование четких заголовков, списков, часто задаваемых вопросов (FAQ), различных форматов данных на каждой странице и сводок разделов. Эти рекомендации основаны на идее, что разбиение контента на более мелкие части необходимо, поскольку поисковые системы, как правило, извлекают фрагменты, а не целые статьи.

Как SEO-эксперт, я глубоко изучаю, как развиваются поисковые системы, и становится совершенно ясно: нам нужно думать об оптимизации для ‘извлечения на уровне фрагментов’. Aleyda Solis имеет отличный чек-лист по этому поводу, и идея проста: относитесь к каждому разделу вашей страницы как к самодостаточному фрагменту информации. Думайте о своей странице не как об одном непрерывном документе, а как о шведском столе – поисковый ‘гость’ выбирает именно то, что ему нужно. Если вы представляете информацию в четких, легко усваиваемых фрагментах, вы облегчаете поисковой системе поиск и использование наиболее релевантных частей, что выгодно для всех.

Три разные компании работают по одной и той же идее: строгий, основанный на правилах подход к техническим деталям должен существовать между созданием контента и привлечением внимания как к источнику, и это очень похоже на традиционную поисковую оптимизацию (SEO). Они сосредотачиваются на таких вещах, как структурированные данные, чёткие заголовки, организация контента, актуальная информация и форматы, которые легко читаются компьютерами – все это знакомые тактики, которые можно отслеживать и о которых можно сообщать руководителям маркетинга.

Что на самом деле делает Schema

Мы не сосредотачиваемся на схеме как таковой, потому что она уже ценна. Google использует её для создания полезных результатов поиска – таких как цены, обзоры и детали мероприятий. Она также помогает Google понимать *что* вы ищете и обеспечивает работу голосовых помощников, позволяя им легко получать доступ к ключевой информации.

Эти важные SEO-практики всё ещё имеют значение. Если вы управляете техническим SEO, продолжайте использовать schema markup, когда это приносит пользу.

Схемы не могут напрямую помочь большой языковой модели (LLM) лучше понимать ваш текст. Модель не интерпретирует схемы как структурированные данные; она просто обрабатывает полученный текст как последовательность слов. Идея о том, что схемы улучшают производительность LLM, основана на смешении двух отдельных моментов: схемы *действительно* помогают традиционным поисковым системам, но они не предоставляют информацию *непосредственно* LLM. Хотя первый пункт верен, его применение к LLM является фундаментальным недопониманием.

Разбиение на части не подлежит вашей оптимизации.

Идея ‘разбивки на части’ постоянно всплывает, поскольку она кажется практичной и легко вписывается в планировочные диаграммы, давая создателям контента чёткую задачу для начала. Однако, она на самом деле не имеет особого смысла как стратегия.

Большие языковые модели, такие как ChatGPT и Gemini, разбивают информацию на более мелкие части, называемые ‘chunks’ (кусками), когда они ищут ответы. Каждая модель имеет свой способ делать это – определяя, какой длины должны быть эти куски, насколько они должны перекрываться и какие методы использовать для разделения текста. Наилучшие настройки для этого процесса специфичны для каждой системы и часто меняются без какого-либо публичного уведомления. С точки зрения создателя контента, этот процесс chunking невидимый; они видят только конечные результаты, а не то, как модель к ним пришла. По сути, это процесс ‘черного ящика’.

Когда продавец предлагает ‘оптимизацию для извлечения на уровне фрагментов’, он на самом деле просто рекомендует чёткий и хорошо организованный текст. Это означает использование коротких, сфокусированных абзацев, определение терминов в начале каждого раздела и логичную структуру информации. Эти принципы – такие как информационная архитектура, техническое письмо и читабельность – важны для хорошей коммуникации уже давно, задолго до появления новейших AI-технологий. Это не новое техническое решение, а фундаментальные практики письма.

Проще говоря, нам нужен опытный веб-райтер. Эта деталь не должна находиться на странице с ценами.

Бумага, которую они не читают

Что обнаружило исследование в плане эффективности?

Что протестировала статья и что оказалось нерабочим?

Это исследование показывает, что простое повторение ключевых слов – тактика, которая когда-то была распространена для поисковой оптимизации – не работает хорошо в этом новом контексте. Фактически, она показывает результаты хуже среднего. Авторы исследования чётко заявляют, что стратегии, которые работали для традиционных поисковых систем, вряд ли будут успешными здесь.

Исследование не рассматривает такие вещи, как структурированные данные, разметка схемы, часто задаваемые вопросы, форматы заголовков или машиночитаемый код. Оно фокусируется исключительно на содержании самого текста – на фактических используемых словах – и на том, как изменение этих слов может улучшить результаты, а не на том, как метаданные вокруг контента влияют на производительность.

Термин ‘SaaS layer’ просто взял существующую аббревиатуру. Результаты исследований остались в рамках научной статьи. То, что рекламируется как ‘Technical GEO’, по сути, те же старые SEO-стратегии, перебрендированные, несмотря на доказательства, указывающие на то, что другой подход лучше.

Предположение, пронесённое тайком.

Привлекательность программного обеспечения как услуги (SaaS) основана на скрытой идее: на том, что проблемы, которые оно решает, работают тем же образом, что и традиционные услуги поисковой оптимизации (SEO) на протяжении последних 25 лет. В частности, предполагается, что вы можете напрямую влиять на определенные факторы (входные данные), видеть измеримые результаты (выходные данные) и четко понимать *как* ваши действия привели к этим результатам – четкую связь между причиной и следствием.

Эта модель никогда не была идеальным представлением того, как поисковая система на самом деле работает. Однако, её было достаточно для функционирования индустрии и для того, чтобы предприятия продолжали получать оплату.

Я часто вижу такую схему с инструментами искусственного интеллекта, которые заявляют об увеличении производительности. Что меня беспокоит, так это то, как эти цифры представлены. Они часто делятся статистикой – например, «увеличение на 13%» – не объясняя, *как* они получили эти результаты. С чем они сравнивали измерения? Может ли кто-нибудь повторить тест и получить тот же результат? Кажется, что цель не в том, чтобы предоставить убедительные доказательства, а в том, чтобы *иметь* цифру. Эта цифра помещается в красивую диаграмму, представляется как возврат инвестиций, и все быстро переходят к следующему, не задавая вопросов. Речь идет больше о создании нарратива, чем о предоставлении проверяемых данных, и, честно говоря, это немного раздражает как человека, который заботится о точности.

Что сказать на встрече

Вот что не полностью освещается в обсуждениях технических разработок и подхода: почему так много умных людей всё ещё покупают эти продукты?

Вот честная ситуация: мы работаем с системой, которую трудно понять. Она не раскрывает, как работает, выдаёт разные результаты разным пользователям для одного и того же поиска, постоянно развивается и скрывает большую часть своего процесса от нас. Несмотря на это, мы можем продолжать сосредоточиться на том, что у нас всегда хорошо получалось: создавать высококачественный контент, быть полезными, утвердиться в качестве авторитета и поддерживать бесперебойную работу веб-сайта. Мы также можем отслеживать, какие результаты появляются в поисках. Однако предсказуемые инструменты отчетности, которые у нас были, больше не будут возвращаться.

Произнесение этого вслух на маркетинговой встрече было бы катастрофой. По сути, это признание в том, что запланированная инициатива на самом деле не реализуется, а это значит, что утвержденное финансирование не используется, и у команды нет четкого направления для будущего планирования.

SaaS-решения перекрывают разрыв, предоставляя инструменты и фреймворки – такие вещи, как отчеты, анализ данных и оптимизированные форматы – которые *кажутся* эффективными. Они предлагают о чем-то поговорить и оправдать расходы. Однако, эти инструменты не *создают* результаты на самом деле; результаты создает базовая система. То, что продается, – это *иллюзия* контроля, привлекательная для тех, кто предпочитает платить за нее, а не признавать, что они ее потеряли.

После приобретения программного обеспечения начинается настоящая работа: планируются регулярные проверки, изучаются подробные списки, а точность данных постоянно отслеживается и обновляется. Команда сосредотачивается на улучшении приобретённых отчётов, но эти отчёты начинают определять проблему, а не решать её. Прежде чем кто-либо поймёт, что происходит, само программное обеспечение диктует подход.

Речь не о том, что кто-то делает что-то неправильно. Это результат индустрии, построенной за последние 25 лет на предоставлении быстрых результатов, даже когда эти результаты больше не надёжно связаны с приложенными усилиями. Компании, предлагающие эти услуги, не намеренно обманывают кого-либо; они просто удовлетворяют потребность в легко усваиваемой информации, от которой теперь зависят покупатели.

Ранг и Танк, Снова и Снова.

Я постоянно думаю о фразе, которую услышал от Дэвида МакСвини: «танцевать под мотивы рядовых». Вот как это проявляется: Компании продают формулу получения результатов, агентства используют ее, контент-команды создают много контента на основе этих рекомендаций, а затем инструменты AI быстро генерируют еще больше. Часть этого контента первоначально хорошо ранжируется в результатах поиска, но большая его часть в конечном итоге терпит неудачу. Это происходит потому, что следование формуле не было реальным решением, и поисковые системы адаптируются, контент устаревает или просто меняются тенденции.

Мир поисковой оптимизации (Search Engine Optimization) неоднократно сталкивался с этой закономерностью. Тактики, такие как ‘спиннинг’ контента, создание тонн автоматических страниц и использование ‘входных’ страниц, приходили и уходили. Обычно они начинаются как кажущиеся легитимными стратегии, широко применяются, работают некоторое время, и в конечном итоге наказываются поисковыми системами, только чтобы быть заменёнными следующим новым трюком.

В настоящее время мы находимся в цикле GEO и AEO, используя конкретные фреймворки – столпы, проценты и пирамиды – в качестве наших моделей. Из этих моделей наши подходы разветвляются в различные стратегии.

Другой подход заключается в том, чтобы сосредоточиться на создании сильного присутствия бренда в местах, которые поисковые системы регулярно проверяют. Это означает, чтобы ваш бренд упоминался на таких платформах, как Reddit, появлялся в списках ‘top X’, и последовательно цитировался на одних и тех же веб-сайтах. Это создает цикл: поисковые системы находят информацию на этих сайтах, бренды пытаются быть представленными на них, а эти сайты затем предоставляют информацию обратно поисковым системам. Я обсуждал это раньше, называя это самоподдерживающейся петлей – но на самом деле это менее надежно, чем многие считают.

Ещё одна стратегия – быстро создавать большое количество контента. Это предполагает генерацию множества вариаций одной и той же темы, по сути, рассматривая автоматически созданные черновики как готовую работу, достойную внимания. Я обсуждал это раньше, называя это «Масштабируемым разочарованием». Основная идея заключается в том, что просто быть отличным недостаточно, и когда контент создается так быстро, невозможно должным образом проверить его качество. Огромный объем AI-сгенерированного текста, созданного таким образом, является основным следствием этого подхода.

Следующий цикл продаст очистку.

Не беспокойтесь о технических деталях, таких как конфигурация вашей системы. Вместо этого сосредоточьтесь на создании контента, который люди действительно хотят читать. Большие языковые модели могут обрабатывать что угодно, но они будут работать лучше всего с высококачественной информацией. Если вы заполняете страницы повторяющимся, бесполезным контентом, предназначенным для обхода системы, он в конечном итоге будет проигнорирован – либо искусственным интеллектом, вашей аудиторией, либо исследованиями, показывающими, что он снижает качество результатов.

Те, кто сосредоточен на создании сильной SEO-стратегии, ориентированной на контент, в конечном итоге выиграют. Мы начинаем видеть доказательства этого – многие SEO-специалисты сейчас задаются вопросом, эффективна ли погоня за постоянно меняющимися показателями, и рассматривают возможность переориентации своих усилий на традиционную поисковую оптимизацию, поскольку это по-прежнему является основой работы этих новых систем.

Хаос намеренный и управляемый. Наши системы разработаны для работы с ним, и мы должны перестать вести себя так, будто это что-то, что нужно решить, а не принять.

Смотрите также

2026-05-06 16:14