Поисковый журнал

Почему ваша SEO-работа не внедряется (Линия смерти IT)

от

Недавно я поговорил с SEO-специалистом, который только что потерял работу, вместе со всей своей командой. Их компания испытывала значительное падение трафика веб-сайта, и руководство было недовольно, потому что казалось, что никто не решает эту проблему. Однако, SEO-команда видела ситуацию иначе. За последние полтора года они подали более 1400 подробных запросов, в которых излагали проблемы и предлагали решения, полагая, что это демонстрирует их усилия по улучшению ситуации. Основная проблема заключалась в том, что ни один из этих запросов никогда не был рассмотрен. Компания последовательно расставляла приоритеты проектам, инициированным генеральным директором, и запускам новых продуктов, оставляя работу SEO-команды на заднем плане. Пока SEO-команда чувствовала, что делает все возможное, бизнес не увидел никаких улучшений. Трафик продолжал падать, их онлайн-видимость уменьшалась, и в конечном итоге было принято решение уволить команду.

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

Накопленные задачи – это не прогресс. Это нереализованное намерение.

Как SEO-эксперт, я вижу суровую правду, с которой сталкиваемся многие из нас: просто *делать* рекомендации недостаточно. Наша задача – не просто отправлять заявки или отчёты – а действительно *внедрять эти изменения*. Если мои SEO-предложения не реализованы на веб-сайте, они по сути невидимы. Они не привлекут больше трафика, не помогут нам занять более высокие позиции в Google и не защитят бизнес, поскольку алгоритм Google постоянно обновляется. И прямо сейчас эти обновления происходят быстрее, чем когда-либо, поэтому разрыв между тем, что мы *делаем*, и фактическими *результатами* представляет собой серьёзный риск.

Соответствуйте тому, что уже имеет значение.

Очевидно, что организации спешат адаптироваться к росту поисковых систем на основе ИИ, даже если они не вносят серьезных изменений. Задачи, которые ранее были отложены, теперь ускоряются, когда их представляют как подготовку к ИИ или как оптимизацию контента для обнаружения системами ИИ. Сама работа по сути не изменилась, но изменился способ ее описания, потому что лидеры теперь сосредоточены на ИИ. Хотя это может быть обескураживающим, это подчеркивает важный момент о приоритетах.

В IBM у нас были проблемы с одобрением улучшений SEO. Анализ показал, что функция поиска на нашем сайте была слабой и фактически наносила ущерб продажам нашего поискового продукта. Интересно, что необходимые исправления были теми же, которые мы предлагали для общего SEO. Представив их как «улучшения поиска по сайту» в рамках новой директивы, мы смогли внедрить их гораздо быстрее, что улучшило как внутренние, так и внешние результаты поиска. Реальность такова, что проекты получают приоритет не потому, что они сами по себе ценны, а потому, что они поддерживают текущие цели компании и то, на чем сосредоточены руководители. Чтобы понять, почему так много усилий в области SEO игнорируются, вам нужно понять, как на самом деле принимаются решения.

Линия, которую ты не видишь, пока она тебя не остановит.

Вот тогда всё стало действительно понятно. Этот скрытый фактор, который упускают из виду стандартные проверки и SEO-инструменты, в конечном итоге решает, какие проекты действительно продвигаются вперёд. Я называю это «линией смерти IT». Как SEO-менеджер или менеджер локального SEO, ваша задача — найти умные способы включить свою работу в один из этих приоритетных проектов или заменить им существующий.

От Задач к Ценности Вклада

Понимание этого меняет наш подход к SEO. Простого выявления проблем уже недостаточно. Нам нужно чётко объяснить, *почему* исправление этих проблем является приоритетом — почему это так же важно, или даже важнее, чем другие задачи. Это означает демонстрацию усилий, положительного влияния, которое это окажет, и от чего нам, возможно, придётся отказаться, чтобы это произошло. Нам нужно сосредоточиться на *ценности*, которую приносит наша работа, а не просто на самих задачах. В то время как аудиты, списки задач и бэклог проектов показывают *что* мы делаем, инженерные команды заботятся о *результатах*. Если мы не можем объяснить, почему наше предложение ценнее запроса другой команды, оно не будет одобрено.

Многие SEO-усилия испытывают трудности с достижением результатов, поскольку, предлагая отличные идеи, они не имеют четких приоритетов. Это особенно заметно при взгляде на то, как эти идеи фактически воплощаются в жизнь. Может быть сложно напрямую связать SEO-работу с увеличением продаж или стоимостью заказов, но это не означает, что мы не должны пытаться измерить ее влияние.

Исправляйте системы, а не симптомы.

Как только вы узнаете, какие IT-проекты ваша компания *одобрит*, задача состоит в том, чтобы выполнить свою работу, когда все борются за ресурсы. Решение не в том, чтобы стараться усерднее, а в том, чтобы найти более умный способ работать в существующей системе. Обычно самый быстрый способ добиться реализации чего-либо – это не начинать что-то новое, а подключить это к работе, которая уже ведется. Инженерные команды всегда обновляют системы, перерабатывают макеты или улучшают существующие компоненты – эти проекты уже имеют финансирование и поддержку. Если вы попытаетесь добавить SEO как отдельный запрос, ему придется конкурировать за внимание. Но если вы интегрируете SEO в эти текущие проекты, он автоматически получит выгоду от их существующего приоритета. Некоторые из самых больших улучшений SEO происходят именно так – путем включения в более крупные проекты, а не рассматриваются как независимые задачи.

Сосредоточение на масштабных улучшениях особенно эффективно. Небольшие, разовые исправления обычно не стоит приоритизировать, но изменения, которые оказывают широкое влияние, стоит. Например, обновление шаблона может повлиять на тысячи веб-страниц, а изменение работы вашей системы управления контентом может решить множество проблем сразу. Улучшение навигации или внутренних ссылок может принципиально изменить то, как поисковые системы понимают и сканируют ваш весь веб-сайт. Такие улучшения дают значительный эффект с относительно небольшими усилиями, давая вам реальное конкурентное преимущество.

Я однажды работал с компанией, которая автоматически создавала страницы продуктов ежедневно. Они строили адреса страниц, используя название продукта и одну из его особенностей. Хотя это казалось хорошей идеей в то время, эта особенность часто менялась, что означало, что адреса страниц тоже менялись. Этот простой дизайнерский выбор вызвал много проблем. Сайт постоянно генерировал новые страницы, старые страницы исчезали с ошибками ‘404’, и он по сути разрушал свой собственный рейтинг в поисковой системе. Их Search Console была заполнена десятками тысяч ошибок. Но исправление этих ошибок не было реальным решением. Ключ заключался в том, чтобы предотвратить их возникновение в первую очередь. Изменив адреса страниц, чтобы они основывались на стабильном коде продукта (например, SKU), вся система стала намного надежнее. Ошибки прекратились, потому что система, которая их создавала, была исправлена. Одно изменение устранило необходимость в тысячах индивидуальных исправлений.

Существует чёткое различие между SEO-усилиями, которые приносят базовые результаты, и теми, которые действительно преображают производительность. Один подход просто устраняет поверхностные проблемы, в то время как другой решает основные причины. Эта закономерность не ограничивается какой-либо конкретной компанией или временем; она постоянно проявляется во всех типах организаций и на каждом этапе развития SEO. Независимо от ограничений, таких как ограниченные ресурсы, юридические требования или другие приоритеты, работа, которая не может продемонстрировать чёткую отдачу от инвестиций, просто не будет выполнена. Мы обсудили это подробно в недавнем подкасте, объяснив, как этот цикл повторяется и почему многие многообещающие SEO-проекты так и не запускаются. В конечном счёте, большинство SEO-инициатив не терпят неудачу из-за плохих идей, а потому, что они не представлены таким образом, чтобы организация могла предпринять действия.

Как только вы поймете эту основную идею, SEO станет гораздо большим, чем просто поиск проблем. Речь пойдет о руководстве стратегией – определении того, какие проекты наиболее важны, объяснении того, почему они должны произойти сейчас, и прогнозировании того, насколько успешными они будут по сравнению с другими приоритетами. Это то, что превращает идеи в реальную работу.

В конце концов, ничего не делается, потому что это лучшая практика. Это делается, потому что это стоит того, чтобы делать.

Смотрите также

2026-05-13 16:10

Исследование Google ALDRIFT: ответы ИИ, которые делают больше, чем просто звучат правдоподобно.

от

Исследователи Google разработали новый подход, названный ALDRIFT, чтобы помочь генеративным системам ИИ предоставлять ответы, которые действительно точны, а не просто кажутся правдоподобными. Их работа указывает на путь к ИИ, который выходит за рамки простого предсказания наиболее вероятного ответа.

Как специалист по цифровому маркетингу, я слежу за интересными исследованиями в области ИИ в последнее время. Вышла новая статья, ‘Sample-Efficient Optimization over Generative Priors via Coarse Learnability’, которая решает довольно распространенную проблему, с которой мы сталкиваемся: получение контента, сгенерированного ИИ, который был бы одновременно креативным *и* имел смысл. По сути, речь идет о балансе между необходимостью для ИИ оставаться в реалистичных рамках и нашим желанием, чтобы он достигал конкретных маркетинговых целей. Это исследование предлагает некоторые многообещающие новые способы избежать ‘ловушки правдоподобности ИИ’ – когда ИИ генерирует вещи, которые *звучат* хорошо, но на самом деле не полезны или не соответствуют бренду.

Google ALDRIFT

Эта статья представляет ALDRIFT, технику, которая улучшает генеративные модели, многократно настраивая их для поиска более эффективных решений. Она также включает в себя шаг для минимизации ошибок, которые накапливаются в течение этого процесса.

Эта статья также определяет понятие «грубая обучаемость», которое означает, что модель обучения не обязательно должна быть совершенной. Вместо этого, ей просто нужно охватить достаточно важные части возможных решений, чтобы не упустить потенциально полезные варианты слишком рано. Основываясь на этой идее, авторы демонстрируют, что ALDRIFT может эффективно изучить желаемый результат, используя разумное количество примеров.

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

ALDRIFT работает на двухкомпонентной системе.

ALDRIFT работает по двухкомпонентной системе:

  1. Генеративная модель представляет собой то, какие типы ответов остаются вероятными в рамках модели.
  2. Внешний процесс оценки измеряет, насколько хорошо ответ кандидата соответствует целевой задаче.

Авторы называют этот показатель «стоимостью», которая представляет собой величину штрафа за потенциальный ответ. Более низкая стоимость указывает на лучший ответ, исходя из конкретного оцениваемого требования. Однако, ALDRIFT ищет не просто любой ответ с низкой стоимостью; он ищет ответы, которые хорошо работают и также кажутся реалистичными, исходя из того, как модель генерирует текст.

Некоторые ответы ИИ должны работать как единое целое.

Исследователи разрабатывают AI-решения для практических задач реального мира, таких как определение лучших маршрутов или организация конференций.

  • Планирование маршрута: В статье объясняется, что LLM может оценивать, являются ли отдельные сегменты маршрута живописными, но может испытывать трудности с обеспечением того, чтобы эти сегменты соединялись в допустимый путь.
  • Планирование конференций: LLM может группировать сессии по темам, в то время как классический алгоритм может потребоваться для составления расписания этих сессий без конфликтов.

Эти примеры иллюстрируют, что просто генерация вероятных ответов недостаточно. Реальная задача заключается в создании ответов, которые имеют смысл в целом, даже если они построены из нескольких отдельных частей, работающих вместе.

Предположение о грубой обучаемости

Это исследование направлено на обеспечение согласованности и связности генерируемых ответов в целом. Авторы рассматривают это как проблему выравнивания выходных данных модели во время использования – по сути, тонкую настройку на основе того, насколько полно ответ отвечает на вопрос. Хотя работа в настоящее время носит теоретический характер и опирается на идею о том, что модель можно легко настроить, эта связь с выравниванием в реальном времени дает ей практический потенциал.

Предположение о ‘грубой обучаемости’ относится к идее о том, что теория, лежащая в основе этой работы, зависит от способности модели поддерживать достаточный диапазон потенциально хороших решений по мере улучшения.

Модели не нужно сразу находить абсолютно лучший ответ. Ей просто нужно учитывать достаточно широкий спектр возможностей, чтобы не застрять и не упустить потенциально лучшие решения.

Существующие методы оптимизации оставляют пробелы при ограниченном количестве образцов.

В статье выявляются несколько пробелов в понимании существующих методов оптимизации:

  • Ограничения существующих методов: Классические методы оптимизации, основанные на моделях, полагаются на «аргументы асимптотической сходимости». Это означает, что они теоретически понятны после очень большого количества выборок, но не обязательно в практических условиях с ограниченным количеством выборок.
  • Неудача с выразительными моделями: В статье говорится, что эти классические предположения «разрушаются», когда используются выразительные генеративные модели, такие как нейронные сети.
  • Разрыв в понимании: Авторы утверждают, что «поведение с конечным количеством выборок» оптимизации в данной ситуации «теоретически не изучено». Это означает, что теория не полностью объясняет, как эти методы ведут себя при наличии только ограниченного количества выборок.

Как SEO-эксперт, я слежу за исследованиями в области генеративных моделей, и недавняя статья предлагает увлекательную идею под названием ‘coarse learnability’. По сути, это способ тонкой настройки этих моделей для получения *лучших* результатов, не сужая при этом их творческий диапазон. Речь идет о поиске оптимальной точки, где модель учится давать более точные ответы, сохраняя при этом широкий спектр возможностей – что крайне важно для таких задач, как создание контента и релевантность поиска.

Доказательства, полученные с помощью LLM, ограничены.

Основное математическое доказательство в этой статье сосредоточено на более простом типе ИИ-модели, называемой аналитическими генеративными моделями. Их легче изучать, чем сегодняшние большие языковые модели (LLMs). Доказательства, касающиеся LLMs, более ограничены. Авторы протестировали GPT-2 на базовых задачах, таких как планирование и задачи на графах, и результаты показывают, что идея правдоподобна, но не доказывают окончательно, что она применима к более продвинутым LLMs.

Исследования указывают на основу для будущих исследований.

Это исследование закладывает основу для понимания того, как ИИ, создающий новый контент, может работать совместно с системами, проверяющими его точность.

Исследователи Google работают над новым подходом для повышения точности ответов ИИ, решая проблему генерации ответов, которые *звучат* правильно, даже если это не так. Согласно исследованию, эта работа может привести к значительным достижениям в этой области и обеспечивает прочную основу для создания более гибких и интеллектуальных моделей ИИ.

Выводы

  • Требование «Покрытие»:
    Грубая обучаемость означает, что модели не обязательно изучать целевой результат идеально. Ей необходимо избегать потери полезных областей пространства ответов, где могут существовать лучшие решения.
  • Важен шаг коррекции:
    ALDRIFT использует шаг коррекции, чтобы поиск оставался ближе к предполагаемой цели по мере того, как модель продвигается к лучшим ответам.
  • Двухкомпонентный подход:
    Фреймворк использует разделение труда. Генеративная модель обрабатывает качественные или семантические предпочтения, в то время как отдельный процесс проверяет, работает ли ответ как полноценное решение.
  • Ограниченные доказательства LLM:
    Тесты с GPT-2 показали поведение, поддерживающее эту идею в простых примерах планирования и связанных с графами, но не доказали, что те же предположения применимы к современным LLM.
  • Реальное Применение – Главная Цель:
    Исследование имеет значение для SEO-специалистов и бизнеса, поскольку от ответов ИИ все чаще ожидают большего, чем просто обобщение информации. Им необходимо поддерживать решения, планы и действия, которые имеют смысл вне интерфейса чата. Хотя эта структура, вероятно, еще не используется в производстве, она показывает, что Google добивается прогресса в предоставлении ответов, которые являются более чем просто правдоподобными.

Прочитайте исследовательскую работу здесь:

Оптимизация с эффективным использованием выборок над генеративными априорными знаниями посредством грубой обучаемости (PDF)

Смотрите также

2026-05-13 14:40

Уроки, извлеченные из отчета Adobe об AI-трафике за 2-й квартал 2026 года

от

Изменился показатель конверсии трафика, привлеченного с помощью ИИ. Не уверен, заметили ли это достаточное количество людей.

Год назад люди, посещавшие магазины в США через AI-помощников, реже совершали покупки – примерно вдвое реже, чем посетители из других источников. Но к марту 2026 года те же AI-управляемые посетители на 42% чаще становились клиентами. Это те же магазины и та же технология, просто год спустя, демонстрирующие значительное улучшение.

Новый отчёт от Adobe Analytics, опубликованный 16 апреля, показывает огромный рост трафика из источников искусственного интеллекта. В течение первых трёх месяцев 2026 года посещения американских розничных продавцов, пришедшие из источников ИИ, выросли на 393% по сравнению с тем же периодом прошлого года, достигнув пика в 1 151% в декабре. Эти посетители, привлечённые ИИ, также были более вовлечены: они проводили на сайтах на 48% больше времени, просматривали на 13% больше страниц и генерировали на 37% больше дохода с каждого посещения. Эти данные основаны на информации от Adobe Analytics, сравнивающей трафик, направленный ИИ, с обычным трафиком в марте 2026 года от розничных продавцов, использующих платформу Adobe.

Самое большое изменение произошло в том, насколько хорошо канал показал себя в работе. Он перешел от самого неэффективного розничного канала в США к лучшему – и все это всего за один год.

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

Если вы запускаете или оптимизируете веб-сайт, это меняет то, какое число действительно имеет для вас значение.

Отчёт Adobe за 2026 год предполагает, что AI-трафик конвертируется лучше, чем не-AI-трафик.

Это не постепенное улучшение; это значительный поворот. Всё было почти полностью сломано, и теперь это функционирует, хотя и не идеально.

Обычно, когда новый маркетинговый канал созревает, его эффективность сначала снижается – как правило, на 25–10% – прежде чем в конечном итоге стабилизироваться или предложить небольшое преимущество. Этот процесс обычно занимает три-четыре года и включает в себя постепенные, предсказуемые улучшения. Мы наблюдали эту закономерность с платным поиском, мобильными устройствами и социальными сетями. Однако трафик из источников искусственного интеллекта не следует этой тенденции. Вместо постепенного снижения и восстановления мы наблюдаем внезапный и значительный сдвиг в производительности всего за двенадцать месяцев, что указывает на то, что это принципиально другая ситуация.

Стратегии, основанные на идее, что AI-driven шопинг всё ещё находится на ранних стадиях и требует медленной, осторожной реализации, устарели. Любой, кто советует ритейлерам, что они не готовы к AI, не ознакомился с последними данными. Вы можете понять, что они отстают, по тому, как долго они предполагают, что потребуется, чтобы увидеть результаты – если они предлагают годичный процесс обучения, они упустили важный сдвиг, который уже произошёл.

Они работают по брифу, который устарел на двенадцать месяцев.

Почему AI-агенты не могут анализировать нечитаемые розничные веб-сайты.

Недавний отчёт Adobe выделяет ‘Citation Readability’ – насколько легко ИИ может понимать и использовать информацию с веб-страниц. Отчёт показывает значительную разницу в производительности: у ритейлеров с высоким трафиком, генерируемым ИИ, домашние страницы на 62% более читабельны для ИИ, чем у тех, у кого низкий трафик. Страницы результатов поиска на 32% более читабельны, а блоговый/редакционный контент на 30% более читабелен для лидеров.

Воспринимайте это как диагностику оператора. Adobe сообщает вам, почему рост происходит неравномерно.

В целом, ИИ успешно обрабатывает информацию примерно с 393% розничных страниц, хотя некоторые страницы нелегко читаются. Этот средний показатель увеличивается благодаря ритейлерам, чьи веб-сайты ИИ может легко понять и использовать. И наоборот, веб-сайты, которые ИИ с трудом читает, снижают этот средний показатель.

Большинство владельцев веб-сайтов даже не знают, что их веб-сайт не полностью читается машинами.

Владельцы веб-сайтов сосредоточены на традиционной аналитике – ежедневных проверках, еженедельных показателях конверсии и ежеквартальных усилиях по оптимизации. Однако, они упускают из виду важные данные о том, как AI боты, такие как GPTBot, ClaudeBot и PerplexityBot, взаимодействуют с их сайтами. Текущие инструменты не показывают, когда эти боты сканируют страницы, записывают их активность или точно отслеживают трафик, поступающий из AI источников.

Веб-сайты, разработанные для легкого машинного чтения, показывают больший рост конверсий, чем общие средние показатели. Эти средние показатели ниже, потому что многие веб-сайты не оптимизированы таким образом.

Сравнение внутренних данных Dell с тенденциями трафика AI от Adobe

Всего за восемь дней до того, как Adobe опубликовала свои результаты, лидер Dell по программам глобальных продаж потребительским товарам поделился с Digital Commerce 360 тем, что на данный момент агентный шопинг не принес каких-либо заметных результатов.

Оба утверждения верны одновременно.

Недавние открытия Dell об AI-шопинге могут быть специфичны для их собственного веб-сайта. Важно отметить, что AI-поддерживаемый шопинг не обязательно имеет недостатки в целом. Dell основывала свои выводы на данных с одного сайта и не наблюдала улучшения в продажах. Adobe, однако, проанализировала данные по нескольким розничным веб-сайтам и обнаружила положительную тенденцию. По сути, Dell посмотрела на свои собственные результаты, в то время как Adobe изучила более широкий спектр данных.

Если показатели продаж вашего сайта похожи на показатели Dell, немедленно примите меры и пересмотрите свой сайт. Недавнее заявление Dell подчеркивает проблемы, касающиеся конкретно dell.com, в то время как данные Adobe указывают на более широкие тенденции в онлайн-продажах. Важно не смешивать эти два отдельных источника информации.

Как исследования с помощью ИИ сокращают воронку продаж

Старые методы прогнозирования роста трафика просто больше не актуальны.

На протяжении более двух десятилетий такие термины, как ‘impressions’, ‘sessions’ и ‘page views’, были центральными для улучшения веб-сайтов. Этот подход всегда исходил из предположения, что трафик на веб-сайт исходит от реальных людей, рассматривающих возможность совершения покупки. Целью было привлечь больше посетителей, а затем оптимизировать веб-сайт, чтобы превратить этих посетителей в клиентов. Это было простое уравнение: больше трафика – больше клиентов.

Трафик, привлеченный с помощью ИИ, не работает так.

Люди, которые находят ваш веб-сайт после использования таких инструментов, как ChatGPT, Perplexity или Gemini, обычно находятся на более поздней стадии процесса принятия решений. Они уже провели некоторое исследование, взвесили свои варианты и, вероятно, имеют в виду несколько вариантов. Переход на ваш сайт — это последний шаг, а не первый. Adobe зафиксировала положительные результаты от такого трафика — 12% увеличение вовлеченности, 48% больше времени, проведенного на сайте, и 37% больше дохода с каждого посещения. Речь идет не об улучшении типичной маркетинговой воронки, а о ее сокращении, поскольку большая часть исследований происходит *до* того, как они даже попадут на ваш веб-сайт.

Сосредоточение внимания исключительно на увеличении просмотров, посещений веб-сайта или рекомендаций – это стратегия из прошлого. Розничные продавцы, демонстрирующие огромный рост – более 393% – это те, кого AI-помощники распознают и активно рекомендуют потенциальным клиентам. Проблема не в том, чтобы быть увиденным, а в том, чтобы быть легко понятым и заслуживать доверие AI.

Технический аудит для AI-краулеров и читаемости JavaScript

Две вещи, которые вы можете проверить в эти выходные, без инструментов, без команды, без бюджета.

Отключите JavaScript в вашем веб-браузере и откройте новое окно браузера. Затем обновите страницу продукта. Проверьте, видны ли цена, название продукта, наличие на складе и кнопка ‘buy’ в коде страницы. Многие AI-системы, которые сканируют веб-сайты для получения информации, не запускают JavaScript, или не всегда запускают его надёжно. Если важные детали на вашей странице появляются только *после* запуска JavaScript, AI не сможет их найти, и ваша страница не будет отображаться, когда кто-то задаёт AI вопрос.

Убедитесь, что на странице продукта сразу отображаются основные детали: что это за продукт, его цена и наличие на складе. Многие страницы начинаются с брендинга и изображений, но ИИ, который сканирует вашу страницу, должен быстро находить эти ключевые факты. В то время как люди будут просматривать вводный контент, ИИ не будет прокручивать его, чтобы найти цену.

Если всё выглядит хорошо с вашими данными и настройками, низкий AI-рейтинг просто означает, что рефералы не отправляются вам – сосредоточьтесь на исправлении этого отдельно. Однако, если есть проблема с самими данными или настройками, это является первопричиной, а высокий процент указывает на то, что потенциальные возможности упускаются.

Читабельность против оптимизации для AI-реферального трафика

Трафик, поступающий из AI-поиска, не улучшается за счет технической оптимизации; он реагирует на четкий, простой для понимания контент. Это две разные цели.

Смотрите также

2026-05-13 14:10

Данные показывают, что AI Overviews демонстрируют негативные отзывы без намерения пользователя. Что делать дальше?

от

Почему ИИ иногда использует информацию из старых онлайн-дискуссий (например, посты с Reddit за 2023 год), когда отвечает на вопросы о текущих темах (например, в 2026 году)? Также, почему он выделяет определенные жалобы клиентов на мой бренд, но игнорирует другие? И, наконец, как я могу предотвратить использование ИИ устаревших жалоб, когда я задаю ему новые вопросы?

Четыре сигнала определяют, что ИИ раскрывает, и как только вы их узнаете, вы сможете с ними работать.

Если вы спросите у ChatGPT совета, например, какую CRM использовать, он не просто сравнивает функции. Он также учитывает такие вещи, как жалобы пользователей, обсуждения на Reddit и старые сообщения на форумах. Это означает, что негативные комментарии о вашей компании могут появиться, когда кто-то сравнивает вас с вашими конкурентами. Недавно Fast Company сообщила, что ИИ даже искажает или искажает то, что говорят компании, что еще больше затрудняет контроль над имиджем вашего бренда в контенте, созданном ИИ.

Запросы на сравнение ИИ теперь являются аудитами репутации. Вот что это значит.

Исторически, управление вашей онлайн-репутацией означало попытки скрыть негативные отзывы, когда люди искали ваш бренд. Хотя это все еще хорошая практика, этого уже недостаточно.

Пришло время провести аудит репутации.

AI Overviews и поисковые системы, использующие большие языковые модели, пытаются понять, что люди думают о продуктах при их сравнении. Они делают это, ища негативные отзывы в интернете – такие вещи, как жалобы на сайтах отзывов, обсуждения на Reddit и форумах, и даже общедоступные обращения в службу поддержки клиентов.

Главный вывод таков: люди не ищут проблемы – они ищут решения. Однако, ИИ часто воспринимает любое упоминание вашего бренда, даже негативные отзывы, как запрос о помощи.

Почему некоторые жалобы появляются в ответах ИИ & другие нет?

Сгенерированные ИИ ответы не включают в себя каждый негативный комментарий, но некоторые типы негативной обратной связи с большей вероятностью появятся в них.

  • Специфичность: Размытые публикации отфильтровываются. Подробные жалобы, включающие названия продуктов и результаты, учитываются как ценный контекст.

Четырехшаговая структура: Как провести аудит, удалить, восстановить и подавить сигналы репутации вашего бренда в отношении ИИ.

Чтобы добиться успеха с ИИ, крайне важно знать, какая негативная информация о вас существует в сети, сосредоточиться на исправлении самого важного и затем создавать сильный, точный контент, который хорошо представляет ваш бренд. Это гарантирует, что инструменты ИИ представят позитивную и правдивую картину о вас.

Шаг 1: Оцените свой отпечаток негальных сигналов.

Определите, к какой информации о вашем бренде имеют доступ ИИ-движки на платформах, где возникают жалобы.

  1. Откройте ChatGPT или Perplexity и введите: «Какие преимущества и недостатки у [вашего бренда] по сравнению с [TopMob]?». Сделайте скриншот ответа и зафиксируйте любые негативные утверждения.
  2. В Google выполните поиск site:[ключевая платформа].com «[название вашего бренда]» + «scam» OR «complaint». Это заставит поисковую систему показывать только отфильтрованные разговоры, которые в настоящее время собирают AI-модели.
  3. Ищите свою марку в Google и проверяйте выделенные сниппеты на наличие чего-либо негативного, а также другие функции SERP, такие как «Люди также спрашивают», на наличие негативных или враждебных запросов.

Ключевые платформы для проверки:

  • Платформы отзывов (Trustpilot, G2, Capterra, Yelp, Google Business Profile).
  • Reddit (ищите название вашего бренда + категорию продукта + условия жалобы).
  • Отраслевые форумы (Stack Overflow для технологий, нишевые сообщества для специализированных услуг).
  • Группы и сообщества Facebook (особенно отраслевые или локальные группы, где собираются ваши клиенты).
  • Социальные сети (Twitter/X, обсуждения в LinkedIn, комментарии в TikTok).
  • Устаревшие сайты жалоб (RipoffReport, Complaintsboard); хотя в основном исключены из индексации, контент все еще может цитироваться AI-движками.

Задокументируйте эти детали:

  • Тип контента и платформа.
  • Дата публикации.
  • Сделаны конкретные заявления.
  • Фактическая точность.
  • Текущая видимость в Google и AI-сводках.

Шаг 2: Приоритизируйте на основе вероятности появления.

Сосредоточьтесь на:

  • Высокий приоритет: Недавние жалобы с конкретными деталями, проблемы, упомянутые на нескольких платформах, контент на авторитетных платформах (Reddit, крупные сайты с обзорами), жалобы, конкретно называющие функции или цены.
  • Средний приоритет: Старые жалобы (1-2 года) все еще отображаются в результатах поиска, отдельные отзывы без подтверждения.
  • Низкий приоритет: Очень старый контент (более 3 лет) с низкой вовлеченностью, жалобы на снятые с производства продукты.

Как создать матрицу приоритетов

Создайте простую матрицу оценки, чтобы решить, за что браться в первую очередь:

  • Высокий приоритет: Контент, который появляется в AI-сводках И имеет высокую органическую видимость (проверьте Semrush или Ahrefs для оценки ежемесячного количества посещений конкретной URL-адреса) или сравните его с запросами по этим ключевым словам, которые у вас есть в Search Console – если это брендовый поиск, у вас должна быть полная видимость этого из Search Console.
  • Подтверждённое влияние: Для платформенных обзоров (G2, Trustpilot, Google Business) используйте внутреннюю аналитику, чтобы отслеживать, сколько пользователей нажимают «Полезно» на негативные отзывы. Отзыв с 50+ голосами «Полезно» является огромным сигналом, который движки ИИ не проигнорируют.

Шаг 3: Удалите или ответьте, где это возможно.

Некоторый негативный контент можно удалить без колебаний. Некоторые требуют ответа, а некоторые — и того, и другого.

Как удалить негативный контент

Если вы обнаружите контент, нарушающий правила платформы – например, ложную информацию, выдачу себя за другого человека или преследования – пожалуйста, используйте инструменты для сообщений о нарушениях платформы, чтобы запросить его удаление.

Как эксперт по управлению репутацией, я увидел значительный сдвиг в том, как мы обрабатываем негативный контент в сети. Раньше мы уделяли большое внимание тому, чтобы заставить старые сайты жалоб и ‘гриф’-сайты удалить вредную информацию, часто указывая на неточности или нарушения их собственных правил. Но с развитием ИИ и эволюцией поисковых систем, простого *удаления* контента уже недостаточно. Теперь мой приоритет – создание сильного, позитивного контента, который затмевает любой негатив – речь идет о создании сильного, позитивного онлайн-присутствия, которое отодвигает плохие вещи в результатах поиска.

Если кто-то упоминает ваш бренд вскользь в контенте, который в основном посвящен чему-то другому – например, в сообщении на форуме, сравнивающем различные продукты, где ваш продукт получает один негативный комментарий – вы, как правило, не можете потребовать его удаления. Однако вы можете уменьшить влияние этого негативного упоминания, убедившись, что положительные комментарии о вашем бренде чаще появляются в аналогичных онлайн-беседах.

Когда ответ на публичные вопросы на самом деле помогает вам.

При ответе на вопросы, решайте обоснованные жалобы, проясняйте любые недоразумения точной информацией или объясняйте проблемы с обслуживанием, чтобы укрепить доверие. Всегда придерживайтесь фактов, избегайте защитной реакции и сосредоточьтесь на поиске решения. Помните, что AI-системы могут использовать ваши ответы в сводках, поэтому у вас есть возможность повлиять на то, как понимается ситуация.

Когда взаимодействие усугубляет ситуацию — избегайте его

Это включает вводящие в заблуждение обзоры, публикации, наполненные сильными чувствами, но лишенные деталей, устаревшие жалобы на продукты, которые больше не продаются, или контент, предназначенный для привлечения внимания, а не для предоставления искренних отзывов.

Шаг 4: Создайте позитивный контентный слой, который предпочитают ИИ-движки.

Именно поэтому активное управление вашей онлайн-репутацией так важно. Вам необходимо создавать и получать контент, который поисковые системы будут выделять, когда люди сравнивают вас с конкурентами.

Что входит в позитивный контентный слой

  • Структурированный контент FAQ: Создавайте страницы с ответами на распространенные возражения и вопросы, используя четкие заголовки и схему разметки.
  • Примеры из практики: Подробные примеры с показателями, сроками и прямыми цитатами клиентов предоставляют AI-системам конкретные данные для цитирования.
  • Присутствие в сообществе: Участвуйте в Reddit и форумах, где ваша аудитория задает вопросы. Создавайте доверие благодаря ценности, а не продвижению.
  • Внешняя валидация: Будьте представлены в подборках и сравнительных статьях на авторитетных сайтах.
  • Регулярные обновления контента: Модели ИИ отдают приоритет свежему контенту. Поддерживайте актуальность вашего контента.
  • Как это влияет на более широкое управление онлайн-репутацией: То, что вы создаете, — это не просто AI-стратегия, а защищаемая инфраструктура репутации. Всесторонний, актуальный, авторитетный контент на различных точках взаимодействия создает буфер, который затрудняет доминирование отдельных негативных сигналов.

Как создать позитивный контент-слой

  1. Превратите свой раздел часто задаваемых вопросов в базу знаний, которая отвечает на распространенные возражения (например, «Стоит ли [ваш бренд] своих денег?»). В зависимости от охвата и авторитета вашего бренда, может быть полезно публиковать их как отдельные страницы с четким вопросом H1 в качестве заголовка и структурировать вопросы и ответы в формате, например, /faq/[область обслуживания]/[возражение], чтобы создать больше возможностей для внутренних ссылок и глубины, а не размещать все на одной огромной странице FAQ.
  2. Обратитесь к своим довольным клиентам и попросите их предоставить цитату из 2–3 предложений о конкретном результате, которого они достигли. Опубликуйте эти цитаты в виде фрагмента тематического исследования на своем сайте. Конкретика (метрики, сроки) помогает убедиться, что LLM рассматривают контент как достоверные доказательства, а не маркетинговый текст. По возможности, добавьте ссылку на их LinkedIn или веб-сайт компании, чтобы подтвердить, что это реальный отзыв от реального клиента.
  3. Выявите авторитетные списки «Лучшее из…» или отраслевые обзоры, в которых отсутствует ваш бренд, и свяжитесь с редакторами, чтобы предоставить уникальную экспертную информацию или обновленные данные о продукте для включения. Это создаст высокоавторитетные цитаты, которым алгоритмы ИИ отдают приоритет при синтезе сравнений брендов и сводок о репутации. Чем выше они ранжируются в Google, тем лучше.

Теперь крайне важно внимательно следить за ситуацией. В частности, отслеживайте, какие поисковые запросы выдают AI Overviews, упоминающие вашу компанию, следите за новыми жалобами, появляющимися на авторитетных веб-сайтах, и посмотрите, используется ли положительная информация о вас, когда AI создает сравнения. Это не задача, которую вы выполняете один раз — это то, что вам нужно отслеживать непрерывно.

Начните здесь: Ваши простые шаги по управлению вашей AI-репутацией

Когда ваша репутация под угрозой, и ошибки могут привести к серьезному ущербу, работа с профессионалами по управлению онлайн-репутацией, такими как мы в erase.com, может ускорить процесс и помочь вам избежать распространенных проблем. Мы не просто решаем существующие проблемы – мы создаем стратегию, чтобы обеспечить доминирование позитивной информации в результатах поиска, когда системы искусственного интеллекта ищут информацию о вас или вашем бизнесе.

Изменение происходит прямо сейчас. Ключ в том, готовитесь ли вы к нему заранее или осознаете это только тогда, когда потенциальный клиент поднимает вопрос о чем-то, что он нашел, используя ChatGPT.

LEARN MORE

Кредиты изображений

Смотрите также

2026-05-13 13:41

Акции HubSpot рухнули на 19% – что это значит для партнерских агентств

от

HubSpot объявила об изменениях в ценовой политике на ИИ 7 мая 2026 года. Вместо того, чтобы взимать плату с клиентов в зависимости от того, как часто используется ИИ, теперь они будут взимать плату только тогда, когда ИИ успешно решает проблему поддержки клиентов или генерирует ценный лид для продаж. HubSpot также снизила цену на свои инструменты обслуживания клиентов на базе ИИ и теперь предлагает 28-дневную бесплатную пробную версию.

Инвесторы быстро отреагировали на новость. Акции HubSpot резко упали в пятницу, 8 мая, закрывшись на отметке $197.35 после падения до $180.50 в течение дня. С начала этого года акции потеряли около 40% своей стоимости и сейчас примерно на 70% ниже своего пика в 2021 году. Аналитики William Blair понизили свой рейтинг акций, а Cantor Fitzgerald также пересмотрел свой рейтинг до Neutral.

У нас получилось очень сильное начало года! Наша выручка за первый квартал выросла на 23% и достигла 881 миллиона долларов, превысив наши прогнозы. Мы также увеличили нашу клиентскую базу на 16% по сравнению с прошлым годом, достигнув почти 300 000 клиентов. Благодаря этому положительному импульсу мы увеличили наши ожидания по выручке за весь год. Я особенно рад нашему агенту службы поддержки клиентов на основе искусственного интеллекта – он успешно решает около 70% проблем клиентов, и более 9 000 клиентов уже им пользуются.

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

Эта ситуация, вероятно, спровоцирует быструю реакцию. Около 4000 агентств, перечисленных в партнерской программе HubSpot – многие из которых специализируются на SEO и веб-дизайне – будут тщательно рассматривать, стоит ли инвестировать в HubSpot дальше, снизить свою зависимость от него или изучить другие платформы.

Мой совет: Прежде чем делать что-либо из этого, сходите посмотрите фильм.

Неочевидный аргумент в пользу Кваксера Форчуна

Фильм 1970 года, *Quackser Fortune Has a Cousin in the Bronx*, рассказывает о Джине Уайлдере в роли человека, который зарабатывает на жизнь, собирая конский навоз в Дублине и продавая его садоводам. Он умел в своем деле и имел постоянных клиентов, но его бизнесу угрожает опасность. Ирландское правительство переходит от конных экипажей к автомобилям, а это значит, что источник навоза Куаксера – и весь его образ жизни – вот-вот исчезнет.

Как цифровой маркетолог, я вижу основное послание этого фильма не в том, *сможет ли* Кваксер что-то сделать, а в том, *как* он это делает. Он действительно талантлив, но весь его набор навыков привязан к технологии, которая быстро устаревает. Это отличная аналогия для бизнеса, который не адаптируется – вы можете быть великолепны в чем-то, но если никто больше не использует этот способ доставки, это не имеет значения.

Давайте внимательно рассмотрим абзац в статье Аарона Прессмана в *Boston Globe* – скорее всего, большинство людей его упустят из виду.

Инвесторов беспокоило, что клиенты HubSpot могут начать создавать собственное бизнес-программное обеспечение с помощью инструментов искусственного интеллекта, таких как Claude Code, что могло бы снизить объём продаж HubSpot. Однако генеральный директор HubSpot Ямини Ранган считает, что клиенты не уйдут, потому что у них слишком много важных данных, хранящихся в системе HubSpot.

Вот суть ситуации, объясненная кратко. Для партнерских агентств HubSpot реальный вопрос не в том, *если* акции восстановятся, а в том, насколько прочны их предприятия на самом деле.

Различие, которое имеет значение.

Агентство по внедрению HubSpot не должно беспокоиться о падении акций на 19%. Как отмечает Ранган, компании с многолетним ценным объемом данных, хранящимся в HubSpot – например, историей клиентов и контактной информацией – не станут легко переходить к конкуренту, даже с новыми вариантами, такими как Claude Code. Переносить большие объемы данных сложно, и это заставляет компании продолжать использовать существующее программное обеспечение, даже если другие решения кажутся привлекательными.

Происходит более значительный сдвиг под поверхностью. Решение HubSpot устанавливать цену на основе результатов, а не количества пользователей, указывает на более широкую тенденцию в эпоху ИИ: программное обеспечение уходит от традиционного лицензирования и сосредотачивается на предоставлении измеримых результатов. Это создает проблему для агентств, которые ранее процветали, настраивая и кастомизируя HubSpot для клиентов, и обучая их, как им пользоваться. С тем, как ИИ HubSpot теперь способен самостоятельно обрабатывать 70% проблем обслуживания клиентов, потребность в услугах по настройке и обучению со стороны этих агентств сокращается.

Речь не о том, что HubSpot терпит неудачу – с ростом выручки на 23% в первом квартале компания явно по-прежнему процветает. Реальный вопрос в том, сосредоточена ли работа, выполняемая партнерскими агентствами HubSpot, на истинном понимании клиентов и создании полезных для них систем, или же она просто сводится к выполнению задач – временному решению, а не долгосрочному.

Люди, которые чётко различают эти две идеи, имеют значительное преимущество перед теми, кто не рассматривал их по отдельности.

Что на самом деле говорит отчёт о доходах партнёрам

Хотя недавное снижение акций заметно, агентствам следует сосредоточиться на нескольких других ключевых тенденциях данных при планировании на следующий год и полтора, поскольку они более важны, чем сама цена акций.

Инструмент клиентской поддержки на базе искусственного интеллекта от HubSpot теперь используется более чем 8 000 компаниями и успешно решает проблемы клиентов в 70% случаев. HubSpot также развивает свою основную платформу, позволяя инструментам искусственного интеллекта от других компаний подключаться через свою систему. Это означает, что HubSpot становится основой для запуска процессов на базе искусственного интеллекта, а не просто местом для управления взаимодействием с клиентами.

Если текущие тенденции сохранятся, партнёрская сеть HubSpot должна развиваться. Нам нужно меньше партнёров, сосредоточенных на базовой настройке и обучении, и больше тех, кто может разрабатывать общую стратегию. Акцент должен сместиться с обучения людей *как* использовать программное обеспечение на проектирование данных и целей, которые обеспечат успех инструментов искусственного интеллекта. Это изменение требует сложных разговоров *сейчас*, пока текущий бизнес все еще процветает. История производителя конных экипажей, Quackser, не о исчезновении лошадей – это о том, что слишком долго ждали адаптации и потеряли способность влиять на будущее.

The Practical Takeaway

Несмотря на недавнее падение цены акций, HubSpot имеет почти 300 000 клиентов и фактически увеличил свой позитивный прогноз на год. Это не признак умирающей компании, а скорее компании, переживающей значительные изменения. Времена перемен часто создают временную неопределенность, и именно в эти периоды умные компании — те, которые сосредотачиваются на долгосрочных навыках и стратегиях, а не только на быстрых решениях — могут получить долгосрочное преимущество.

Как цифровой маркетолог, я обнаружил, что настоящий успех с ИИ заключается не в самой технологии, а в глубоком понимании того, чего на самом деле хотят наши клиенты. Речь идет о создании решений, ориентированных на достижение результатов, а не просто на перечисление функций. И что критически важно, речь идет о строгом отслеживании того, действительно ли эти инструменты ИИ приносят пользу бизнесу, или они просто увеличивают затраты без эффекта. Речь идет о доказательстве ROI, а не просто о внедрении технологий.

Практика, которая может оказаться неустойчивой, — это взимание платы с клиентов за время, потраченное на настройку автоматизированных процессов, которые теперь платформа выполняет самостоятельно.

В конечном итоге, Кваксер обнаруживает новое начало, но только после трудной борьбы и достижения своей самой низкой точки. Ключ в том, сделал ли он это открытие достаточно рано, чтобы изменить что-либо.

Смотрите также

2026-05-13 12:10