Схема, LLM и низкий порог «доказательств» в ГЕО.

от

Я провёл быстрый тест, чтобы выяснить, действительно ли большие языковые модели понимают схему разметки или просто притворяются. Я намеренно разместил вымышленный адрес компании – спрятанный в некорректном коде JSON-LD на странице о утках! – а затем спросил несколько LLM, где находится эта компания. Удивительно, но многие из них правильно определили поддельный адрес, утверждая, что нашли его в структурированных данных.

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)

Эксперимент привлек внимание на Search Engine Roundtable, где столкновение британской сарказма и формата карусели LinkedIn привело к забавной переписке. Это привело к тому, что некоторые члены SEO-сообщества поверили, что я продемонстрировал, что большие языковые модели точно интерпретируют разметку Schema, как это было задумано изначально.

https://www.searchenginejournal.com/wp-json/sscats/v2/tk/Middle_Post_Text

На самом деле я продемонстрировал обратное. Разметка структурированных данных (schema) была намеренно ошибочной, но модели ИИ всё равно возвращали информацию. Они рассматривали JSON-LD просто как обычный текст с некоторыми фигурными скобками — они не распознавали его как формальную схему. Это ключевой момент, потому что многие самопровозглашённые эксперты утверждают, что когда ИИ извлекает информацию *только* из схемы, это доказывает, что ИИ правильно интерпретирует разметку. Но они не правы. ИИ просто читают содержимое веб-страницы и игнорируют лежащую в основе структуру.

Я не говорю, что схема бесполезна – она по-прежнему имеет ценность. Однако представление о том, что она автоматически добавляет надёжные источники к результатам LLM, как это часто преподносится клиентам, не подкрепляется достаточными доказательствами. Давайте рассмотрим почему.

Быстрое напоминание о том, для чего на самом деле нужна схема.

Как SEO-специалист, я часто говорю о Schema markup – это чрезвычайно важный способ помочь поисковым системам понять контент вашего сайта. Представьте себе это как общий язык, разработанный основными поисковыми системами, такими как Google, Microsoft, Yahoo и Yandex. Он позволяет мне добавлять конкретные теги на мои веб-страницы, чтобы чётко определить, что представляют собой различные фрагменты информации *are*. Например, я могу сообщить Google, что ‘Mark Williams-Cook’ – это человек, что он работает в организации под названием ‘Candour’, и что ‘01603 957068’ – это номер телефона, а не случайное число, например, мой вес! По сути, это обеспечивает ясность для поисковых систем, чтобы они могли точно отображать информацию о моём бизнесе.

Официальная документация Google излагает это настолько просто, насколько Google вообще что-либо излагает:

Структурированные данные — это стандартный способ представления информации о веб-странице и категоризации её контента. Google объясняет, что они используют их для лучшего понимания темы страницы и сбора знаний о вещах в интернете – например, о людях, книгах или компаниях – которые включены в код страницы.

Основная цель схемы разметки – устранить путаницу. Повседневный язык часто бывает неясным. Слово ‘Apple’, например, может относиться к фрукту, компании, музыкальному лейблу или даже домашнему питомцу! Если вы просто говорите поисковой системе, что продаете ‘Apple’, ей приходится гадать. Но если вы используете схему, чтобы указать, что продаете Организацию под названием ‘Apple Inc.’ и связываете ее с официальной страницей Apple в Wikipedia, эта путаница исчезает. Схема предоставляет четкие определения и помогает машинам точно идентифицировать, что вы имеете в виду. По сути, это способ создать четкое понимание между вами и поисковой системой о значении конкретных терминов.

Как Google обрабатывает неясные поисковые запросы? Он использует свой Knowledge Graph – огромную базу данных фактов и связей, которая обеспечивает работу таких функций, как информационные панели и связанные вопросы. Хотя многие источники вносят вклад в этот граф, schema markup является особенно ценным. Это не *единственный* источник, но он предоставляет чёткую, прямую информацию, что делает его особенно полезным для поисковых систем.

По сути, именно так схемы помогают поисковым системам. Но большие языковые модели (LLM) — это совершенно другая история: они работают почти во всех значимых аспектах.

Где, собственно говоря, большая языковая модель (LLM) могла бы использовать схему?

В дебатах о LLM/схемах существует два лагеря, и большинство аргументов сводится к одному из них.

Лагерь 1: Схема поглощается во время обучения модели и каким-то образом «запекается» внутри.

Этап 2 включает в себя чтение схемы, когда AI-модель получает доступ к веб-странице – либо при ответе на запрос, либо в процессе регулярного сканирования веб-страниц для обновления ее информации.

Давайте рассмотрим их по очереди, с должной долей скептицизма.

Лагерь 1: Схема попадает в обучающие данные

Я обсуждал это ранее, и Search Engine Roundtable сообщал об этом в прошлом году. По сути, это наиболее распространенное убеждение, но оно не выдерживает тщательного изучения. В этой идее есть два основных недостатка, и оба они значительны.

Проблема 1: Схема, по всей вероятности, удаляется перед обучением.

Если вам интересно, как строятся основополагающие большие языковые модели, углублённое трёх с половиной часовое объяснение предварительного обучения LLM от Andrej Karpathy является определяющим ресурсом – и это требует значительных временных затрат.

Прежде чем данные используются для обучения больших ИИ-моделей, они проходят тщательный процесс очистки. Это включает в себя удаление нежелательных элементов, таких как веб-адреса, нерелевантные языки, дублированный контент и личная информация. Ключевой частью этого процесса является удаление HTML-кода и других ненужных функций веб-сайта. Цель не в том, чтобы сохранить веб-страницу саму по себе, а в том, чтобы выделить четкий, читаемый текст, который помогает модели понять, как работает язык. Оставление дополнительного ‘шума’ – например, навигационных панелей веб-сайта, нижних колонтитулов или отслеживающих скриптов – фактически ухудшит производительность результирующей ИИ-модели, поэтому эти элементы удаляются.

The popular FineWeb dataset, built from a massive 15 trillion tokens gathered from 96 snapshots of the web, is notable for its clear data processing steps. The creators used a tool called trafilatura to pull text from webpages, specifically because it focuses on the core content and minimizes unwanted elements like menus and boilerplate. According to their documentation, they extracted the main text from each page, filtered the results, and removed duplicate entries. Importantly, structured data embedded in `

Вы можете разумно спросить: тогда как ChatGPT может писать схему разметки для меня, когда я прошу его об этом? Потому что в интернете есть миллионы примеров схемы в видимом тексте. Учебные пособия. Документация. Сообщения на форумах. Репозитории GitHub и ответы Stack Overflow. Блоки кода в сообщениях блога. Модель изучает, как выглядит схема, так же, как она изучает, как выглядит функция Python, читая бесконечные объяснения, написанные людьми в абзацах. Схема на вашей фактической странице продукта, молчаливо находящаяся в заголовке документа и выполняющая свою надлежащую работу, просто выбрасывается.

Проблема 2: Даже если бы это выжило, это не работало бы так, как ты думаешь.

Даже если мы предположим, что некоторые структурированные данные непреднамеренно попадают в обучающие наборы больших языковых моделей, нам всё ещё не хватает чёткой информации о том, что именно используют эти компании. Недавние судебные разбирательства, такие как дело против Meta за возможное использование библиотеки защищённых авторским правом книг, подчеркивают эту проблему. Если разработчики ИИ не будут осторожны при включении целых романов без разрешения, вероятно, они также поглощают другие типы данных – даже фрагменты кода – которые там быть не должны.

Хорошо, допустим, просто ради аргумента, что наша тщательно разработанная схема JSON-LD *действительно* каким-то образом попала в данные, используемые для обучения этих AI-моделей. Я всё равно не ожидал бы, что она будет использована идеально. Вероятно, она будет изменена или неверно интерпретирована в какой-то мере – эти модели не всегда точны при обработке структурированных данных.

Вот как это работает: ИИ не просто хранит информацию, как банк памяти. Он не ведет запись конкретных деталей, таких как адрес Candour Agency Ltd, в легкодоступный файл. Вместо этого происходит следующее…

  1. Весь текст в обучающем корпусе разбивается на токены (фрагменты символов, часто части слов).
  2. Модель демонстрирует миллиарды маленьких окон токенов и получает задачу предсказать следующий токен.
  3. Каждый раз, когда она ошибается, миллиарды крошечных числовых весов внутри сети слегка корректируются, чтобы в следующий раз она работала немного лучше.
  4. После достаточного количества подталкиваний, эти веса коллективно кодируют (потерянное, размытое, статистическое) впечатление о том, какие токены склонны следовать за какими другими токенами, в каких контекстах.

По сути, он хранит шаблоны – не конкретную информацию, такую как имена, места или числа. Подумайте об этом как о сложной машине предсказаний. Он изучил, какие слова обычно появляются вместе, обработав огромное количество текста, и «запоминает» эти взаимосвязи, примерно как кто-то смутно вспоминает слова песни из прошлых лет.

Здесь становится очевидной главная слабость схемы. Основная идея схемы заключается в четкой маркировке данных – например, идентификации ’77 The Muddy Bank’ как адреса улицы в почтовом адресе организации – чтобы компьютеры не интерпретировали его неправильно. Однако, когда эти данные разбиваются на отдельные части (токены) для машинного обучения, эта структурированная информация теряется. Фраза ‘@type’: ‘Organization’ становится просто серией токенов – @, type, :, Organization – которую модель не может отличить от похожих слов, найденных в обычной статье о схеме. По сути, именно то, что делало схему полезной – ее способность прояснять значение – теряется в самом начале процесса обучения. Это довольно иронично.

Чтобы усугубить ситуацию, большие языковые модели запоминают только ту информацию, с которой они сталкивались неоднократно. Краткое упоминание чего-то вроде вашего адреса на одной веб-странице практически теряется в огромном объеме данных, которые эти модели обрабатывают – представьте себе одну каплю в огромном океане. Даже если информация *и* обрабатывается изначально, модели нужно видеть ее много раз, чтобы эта деталь надежно сохранилась. Для подавляющего большинства компаний этого просто не происходит, а значит, информация фактически не запоминается и не будет извлечена. По сути, вы платите кому-то за то, чтобы поделиться своими данными с чем-то, что не может их удержать.

Если вы считаете, что определённый шаблон или ‘схема’ навсегда внедряется в большую языковую модель, вы принимаете ряд маловероятных сценариев. Во-первых, эта схема должна пережить начальный процесс очистки данных. Во-вторых, она должна оставаться структурно согласованной после разбиения на токены. И в-третьих, этот шаблон должен появляться достаточно часто в интернете, чтобы модель действительно могла его распознать и выучить. Ничто из этого не гарантировано.

Лагерь 2: Схема считывается во время запроса.

Я заметил закономерность в разговорах с людьми, которые выступают за использование схем с большими языковыми моделями. Как только вы начинаете спрашивать о данных, использованных для *обучения* этих моделей – особенно если указываете на потенциальные проблемы – они быстро меняют тему. Они часто говорят, что схема на самом деле не *встроена* в модель, а вместо этого получается в реальном времени, когда кто-то задает вопрос, извлекая информацию из сети в режиме реального времени. Я хочу разбить различные способы, которыми приводится этот аргумент, начиная с наименее убедительных и двигаясь к наиболее проблемным – и неточным – объяснениям.

Вкус 1: «Схема питает Граф знаний»

Knowledge Graph от Google — это огромная, тщательно поддерживаемая база данных, хранящая информацию о вещах и их взаимосвязях. Она получает данные из таких источников, как структурированные базы данных, Wikipedia и другие онлайн-ресурсы. Google строит и обновляет этот граф регулярно, используя собственные системы – он не создается мгновенно при поиске чего-либо, независимо от того, насколько быстро вы печатаете!

Идея о том, что большая языковая модель мгновенно создает детальный граф знаний каждый раз, когда получает доступ к веб-странице, не выдерживает критики. Создание этих графов требует тщательного определения сущностей с уникальными идентификаторами, установления четких связей между ними и обеспечения согласованности – например, убедиться, что все ссылки на ‘Apple Inc.’ указывают на одну и ту же запись. Все это требует времени и сложных систем, и это просто не происходит за кулисами, пока вы ждете ответа от чат-бота. В этих продуктах недостаточно вычислительной мощности и необходимой инфраструктуры, чтобы выполнить это в режиме реального времени.

Если ведущие лаборатории ИИ работают над объединением различных фрагментов информации, они, вероятно, создают эти системы *до* вашего разговора, с аналогичной скоростью Google. Это означает, что ваш конкретный ввод напрямую не формирует основные знания ИИ в режиме реального времени. Идея о том, что ваши данные мгновенно ‘питают мозг LLM’, является преувеличением. Более точная картина заключается в том, что ваши данные могут в конечном итоге внести вклад в более крупную, организованную базу данных, которую ИИ *может* использовать в будущем. Однако в настоящее время нет публичных доказательств, подтверждающих даже это более ограниченное утверждение.

Вкус 2: «Microsoft Подтвердила Схемы Передачи Данных Copilot»

Недавняя статья на Search Engine Land утверждала, что Microsoft подтвердила, что использование разметки schema помогает ее моделям искусственного интеллекта (таким как Copilot). Это привело к широкому распространению в LinkedIn, где многие люди цитировали заголовок как доказательство, не прочитав саму статью.

Если вы прочитаете фактическую цитату, то она о IndexNow:

Новые системы искусственного интеллекта отдают приоритет недавно опубликованному контенту, отчасти для проверки точности данных, на которых они были обучены. Чтобы сообщить этим системам о вашем новом или обновлённом контенте, используйте API, доступный на indexnow.org. – Fabrice Canel

Фабрис объяснял важность уведомления поисковых систем об изменениях в контенте вашей веб-страницы – по сути, поддержание актуальности информации. Он не утверждал, что системы вроде GPT обрабатывают определенный тип кода (JSON-LD) особым образом. Это распространенная тактика в индустрии: взять точное утверждение, расширить его и представить как более широкое, общее заявление.

Вкус 3: «LLMs возвращают информацию, которая содержалась только в схеме, следовательно, они используют схему»

Это исследование изначально послужило толчком к нашим исследованиям. Оно стало наиболее часто цитируемым «доказательством» в обсуждениях в группе GEO в LinkedIn, но при небольшой доле размышлений его утверждения на удивление легко опровергнуть.

I created a simple, intentionally humorous webpage for a made-up duck-themed T-shirt business called «DUCK YEA,» which you can find at i83.uk/duckyea.html. The page itself doesn’t display any address information. However, I hid some data within the HTML code – specifically inside a special tag labeled `

Это описывает группу уток, известных как ‘DUCK YEA T-SHIRTS.’ Они представляют собой агрессивное стадо, которое не мигрирует. Их места гнездования расположены на тростнике номер 77 на The Muddy Bank в South Pondshire, United Queendom, с кодом оперения DK99 YEA. Они также известны своим очень громким кряканьем.

Давайте разберемся, что здесь происходит. URL, идентифицированный как `@context`, поддельный – к нему не подключены фактические данные. Кроме того, используемый `@type` не является признанной категорией в стандартной системе Schema.org. Что еще более важно, ни одна из перечисленных характеристик – таких как ‘flockName’ или ‘quackVolume’ – не является допустимым свойством, определенным Schema.org. Хотя данные *действительно* правильно отформатированы как JSON, с точки зрения Schema.org они по сути бессмысленны. Представьте себе, что кто-то пытается вести разговор на французском языке, используя только слова для ‘сыр’ и ‘хорек’ – технически это язык, но его невозможно понять. Хорошая система, понимающая Schema.org, должна это распознать и просто игнорировать.

Затем я спросил ChatGPT и Perplexity: «Какой адрес этой компании?», указывая на URL.

Оба с радостью вернулись: Рид номер 77, Мадди-Бэнк, Южный Пондшир, DK99 YEA, Соединенное Королевство.

Perplexity уверенно заявила, что нашла ответ в базовых данных страницы, звуча как ученик, демонстрирующий свою работу. Удивительно, но ни Perplexity, ни я не отреагировали на тот факт, что эти данные были сфабрикованы – и это было именно целью. Модели на самом деле не интерпретировали данные *как* структурированную информацию; они просто читали текст на странице, определяли, что, по-видимому, является адресом, и отображали его. Для модели специальное форматирование (JSON-LD) выглядело как странно расставленные знаки препинания. Не имело бы значения, если бы я использовал совершенно другое, даже бессмысленное, форматирование – например, обернул адрес в прокручивающийся текст или окружил его эмодзи; результат был бы таким же.

Если бы большие языковые модели действительно понимали JSON-LD и стандартный словарь Schema.org, они бы распознали мои пользовательские типы данных и свойства как недействительные, или, по крайней мере, предупредили бы о них. Но они этого не сделали. Вместо этого они просто скопировали информацию напрямую со веб-страницы и представили её как факт – немного похоже на фальшивого эксперта! 🦆

Чтобы не повторить ошибку, которую я критикую у других, ‘эксперимент с уткой’ показал, что большие языковые модели (LLMs) генерируют контент на основе вымышленной структуры JSON-LD – они создают собственные определения для контекста и типа, не используя стандартные свойства Schema.org. Однако этот эксперимент не доказывает окончательно, что LLMs полностью игнорируют схему. Система все еще может обращаться к схеме, но также использовать извлечение текста в качестве резервного варианта и давать те же результаты.

Если вы выполните тот же запрос сегодня, вы получите немного другой результат:

ИИ теперь точно определяет это как тестовую страницу, созданную SEO-специалистом, и это увлекательный пример того, как на ИИ может влиять онлайн-информация. Поскольку так много людей написали об этом эксперименте, ИИ теперь извлекает факт, что ‘DUCK YEA – это шуточная страница, созданная Mark Williams-Cook’, когда его об этом спрашивают, эффективно заменяя исходные, чистые тестовые данные. Он все еще извлекает информацию об адресе непосредственно из кода страницы, хотя не должен этого делать. ИИ по сути научился добавлять отказ от ответственности об этом, что, хотя и немного обескураживает, представляет собой небольшой шаг вперед.

Предположение: Могут ли LLM использовать схемы, каким-то образом, где-то?

Правда в том, что мы не знаем точно, что происходит за кулисами в таких компаниях, как OpenAI, Anthropic, Google DeepMind и xAI, потому что они не делятся подробностями. Например, Google Search – это не единая система, а набор различных частей, работающих вместе, чтобы предоставить вам то, что выглядит как унифицированный ответ. Эти компании *могли* бы легко сканировать веб в поисках ключевых фактов, хранить их, а затем использовать эту информацию при генерации ответов их AI-моделями. Это похоже на то, как уже работает ‘retrieval-augmented generation’ (RAG). Фактически, если OpenAI захотела бы предотвратить уверенное заявление своей моделью неверной информации – например, указание неправильного CEO – создание такой системы было бы логичным шагом.

Если они уже работают со структурированными данными, использование схемы – это разумный и естественный выбор. Это чётко, организованно, надёжно, и многие системы уже поддерживают это, поэтому игнорировать это не имеет смысла.

Однако существует значительная проблема: мы не видели никаких доказательств – ни опубликованных исследований, ни утечек, ни официальных заявлений, ни результатов тестирования – того, что современные продвинутые модели ИИ действительно способны на это. Переход к выводу о том, что что-то *должно* произойти, а затем оправдание дорогостоящих консультационных сборов, основанных на этом предположении, является проблематичным. Важно приводить свои аргументы, но четко различать спекуляции и фактические доказательства и представлять их соответствующим образом.

Google до сих пор не решил эту проблему надёжно.

Давайте будем честны, Google находится в идеальной позиции, чтобы добиться успеха в следующем большом прорыве в поиске. Мы говорим о бесшовной интеграции структурированных данных – таких как сведения о предприятиях – непосредственно в ответы, генерируемые их моделями искусственного интеллекта. Они работают над извлечением сущностей уже более десяти лет и *владеют* всеми ключевыми компонентами. Они создали Knowledge Graph, у них есть Google Business Profiles – которые по сути являются базами данных надежных предприятий, поддерживаемых пользователями – и теперь у них есть Gemini, их мощная модель искусственного интеллекта. Кроме того, они контролируют страницу результатов поиска с помощью AI Overviews и, конечно же, весь индекс поиска. Они буквально сканируют каждый уголок сети. Если кто-то собирается показать, как подключить эти структурированные данные к ответам ИИ и действительно вывести поиск на новый уровень, так это они. У них есть все мыслимые преимущества.

И всё же:

Если компания с существенным преимуществом – включая достаточную подготовку, хорошо организованные данные, ясную финансовую мотивацию и полный контроль над своими технологиями – всё ещё испытывает трудности при подключении собственных данных к своим ответам ИИ, маловероятно, что OpenAI или Anthropic тайно разработали превосходящую систему, которая безупречно интегрируется со специфической структурой данных вашей компании. Другими словами, верить в это довольно наивно.

Итак… Стоит ли продолжать использовать Schema?

Да. Только по правильным причинам и за правильную цену.

Разметка схемы в настоящее время является временным решением. Она необходима, потому что поисковые системы ещё не в совершенстве овладели пониманием естественного языка, а структурированные данные помогают заполнить пробелы, пока эта технология улучшается. Как отметил Гэри Ильес из Google в 2025 году, в идеале поисковые системы должны просто *понимать*, о чём страница, без необходимости использования схемы. Хотя это и не идеальное решение – и, возможно, не стоит дорогостоящей реализации – схема всё же предлагает некоторый уровень уверенности на данный момент.

Я следил за недавними обсуждениями исследования Ahrefs о структурированных данных и цитированиях ИИ, и хотел поделиться своим мнением. Хотя исследование изначально казалось, что структурированные данные не оказывают никакого влияния на цитирования в таких инструментах, как ChatGPT и Google’s AI Overviews, я думаю, что крайне важно понимать *что* они тестировали. Они изучили страницы, которые *уже* были активно цитируемы ИИ – каждая страница имела более 100 цитирований до того, как они даже добавили структурированные данные. Это действительно важный момент, потому что структурированные данные предназначены для *уточнения* – чтобы помочь ИИ понять *кто* вы. Если ИИ уже знает, кто вы, и уверенно цитирует ваш контент, добавление структурированных данных не изменит ситуацию. Это как представиться человеку, который уже знает вас – это не решает проблему, которая не существует. По сути, они тестировали структурированные данные на страницах, которым они не *нужны*, что значительно искажает результаты.

Самая сложная ситуация – и та, которая не была тщательно рассмотрена – касается новых или развивающихся брендов. Поскольку у этих компаний ограниченное онлайн-присутствие, поисковые системы часто испытывают трудности с их точной идентификацией. Для этих предприятий структурированные данные (schema markup) являются важной основой. Речь идет не о немедленном признании; речь идет об установлении онлайн-идентичности, чтобы компания даже *могла быть рассмотрена* в качестве релевантного результата. В условиях, когда само наличие возможности становится все более важным, это значительное преимущество.

Основные выводы

Несколько практических мыслей, упрощённых для тактического применения:

  • Всё ещё используйте схему. Стоимость реализации низкая, недостатки практически отсутствуют, а преимущества накапливаются. Если схема в конечном итоге будет осмысленно использована на любом этапе стека LLM (и это возможно), работа уже проделана, и вы можете быть довольны собой. Бесплатное самодовольство — лучшее.
  • Прекратите продавать схему как волшебный рычаг для цитирования LLM. Текущие общедоступные доказательства использования LLM схемы «как задумано» во время запроса, откровенно говоря, слабы. Любого, кто говорит клиенту об обратном, следует вежливо попросить продемонстрировать свою работу в присутствии других людей, используя доску.
  • Будьте безжалостны к планке доказательств. «LLM вернул факт, который присутствует в схеме» — это не доказательство того, что схема была использована. Тот же факт почти всегда появляется в HTML, метаданных, заголовке страницы, социальной карте или где-нибудь, откуда предсказатель токенов с радостью его подхватит. Эксперимент с уткой важен именно потому, что схема была недействительной, а LLM вернули ответ в любом случае. Если ваше «доказательство» выдерживает этот тест, поговорите со мной. Если нет, пожалуйста, перестаньте помещать это на слайды.
  • Сосредоточьте инвестиции в схему, где разъяснение действительно имеет значение. Новые бренды. Бренды с коллизиями имен. Организации без панели знаний. Личные сущности, которые пересекаются с другими людьми, носящими то же имя и прославившимися раньше. Именно там скрыт асимметричный потенциал.
  • Относитесь к «GEO лучшим практикам» так же, как к любой другой новой SEO-догме. Скептически, с экспериментами и с готовностью пересматривать позицию, когда меняются доказательства. Рассуждения низкого качества об LLM, когда популярный ответ просто повторяется, пока не зазвучит правдоподобно, живы и процветают и в нашей индустрии.

Использование схемы разметки — это умная, доступная и долгосрочная стратегия. Однако не стоит ожидать, что она волшебным образом заставит ваш бренд появляться в каждом ответе ChatGPT. Внедрите её, но будьте реалистичны в отношении её влияния. И самое главное, прежде чем основывать какие-либо презентации на идее о том, что LLM используют вашу схему, протестируйте её сначала с намеренно бессмысленной схемой — вы можете быть удивлены результатами!

Смотрите также

2026-06-16 14:17