Поисковый журнал

Как цифровой маркетолог, я внимательно слежу за влиянием AI Overviews от Google. Мы недавно проанализировали огромный набор данных – более 863 000 ключевых слов и 4 миллиона результатов AI Overview – и результаты оказались весьма значительными. Мы обнаружили, что примерно 38% веб-страниц, на которые ссылается Google в своих AI Overviews, также ранжируются в топ-10 органических результатов поиска по тому же запросу. Интересно, что в аналогичном исследовании, которое мы провели в июле, эта цифра была намного выше – 76%. Это говорит о довольно серьезном изменении в том, как Google получает информацию для этих AI-powered сводок.

Примерно треть оставшихся цитат была найдена в позициях с 11 по 100, и аналогичное количество появилось после первых 100 результатов.

Что показывают данные.

Ahrefs выполнил два различных анализа. Первый подсчитал все элементы на странице результатов поиска – такие вещи, как реклама, избранные сниппеты, разделы ‘People Also Ask’ и видео. Второй анализ был сосредоточен исключительно на традиционных органических результатах поиска.

Результаты были последовательны. Рассматривая только результаты органического поиска, 37% проверенных нами страниц ранжировались на первой странице, в то время как 36% даже не попали в топ 100 результатов. Тот факт, что немного больше страниц вообще не ранжировались, когда мы сосредоточились исключительно на органическом поиске, говорит о том, что некоторые из проанализированных нами ссылок поступают из источников, которые появляются в функциях поиска — например, в избранных фрагментах или информационных панелях — но не являются частью стандартных органических поисковых списков.

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

Исследование Ahrefs также подчеркивает, как Google обрабатывает поисковые запросы, запускающие его AI Overviews. Когда вы ищете что-либо и появляется AI Overview, Google часто разбивает ваш исходный запрос на несколько более мелких, связанных поисков. Затем AI Overview извлекает информацию со страниц, которые чаще всего появляются во всех этих отдельных поисках.

Исследование BrightEdge, опубликованное 12 февраля, показало, что около 17% источников, указанных в AI Overviews от Google, появлялись в топ-10 результатов поиска, хотя оно использовало другой подход и данные, чем другие анализы.

YouTube Появляется Как Основной Источник Цитирования

Данные Ahrefs показывают, что почти 18% ссылок на результаты поиска с использованием искусственного интеллекта, которые не появились в топ-100 результатов Google, были ссылками на видео YouTube. В целом, видео YouTube составляли около 5,6% от всех источников, которые Google использовал для своих AI Overviews.

Согласно исследованиям Ahrefs с использованием их инструмента Brand Radar, YouTube – это веб-сайт, который чаще всего упоминается в AI Overviews от Google, и его присутствие увеличилось на 34% за последние шесть месяцев.

Почему это важно

Было сложно понять, как часто обзоры ИИ от Google используют информацию из традиционных результатов поиска. Более ранние исследования показали сильную связь, причем одно исследование в конце 2024 года показало, что 75% информации в AI Overviews поступает со страниц, ранжируемых в топ-12 результатов поиска. Другой отчет в октябре 2025 года показал 54% совпадений. Однако более поздние исследования теперь показывают, что связь гораздо слабее, и только от 17% до 38% информации в AI Overview поступает с этих страниц с высоким рейтингом.

Сосредоточение только на одном ключевом слове недостаточно для гарантии хороших позиций в рейтинге. Поисковая технология Google теперь рассматривает более широкий спектр связанных поисков, о которых вы даже можете не подозревать. Похоже, Google ценит контент, который всесторонне охватывает тему с разных точек зрения и в разных форматах, больше, чем просто высокий рейтинг по одному ключевому слову.

Заглядывая в будущее

Смотрите также

• Акции EUTR. ЕвроТранс: прогноз акций.
• Какой самый низкий курс евро к тайскому бату?
• Мы разобрались как работают обзоры искусственного интеллекта (& построили инструмент, чтобы доказать это)
• Анализ динамики цен на криптовалюту CRV: прогнозы CRV
• Обновления тенденций 2024 года: что действительно работает в SEO и контент-маркетинге через @sejournal, @lorenbaker
• Уточнения запросов Google Рекламы в рекламной карусели
• Google: подождите, пока не будет завершено августовское обновление ядра, чтобы увидеть эффекты
• Bing тестирует скрытие рекламных ярлыков после домена
• Email-маркетинг: подробное руководство
• Отчётность по кликам в Google Merchant Center на следующий месяц изменить

2026-03-03 00:39

Недавно Google обновила свою документацию, чтобы объяснить, как владельцам веб-сайтов сообщить Google, какое изображение они хотели бы использовать в качестве предварительного просмотра (миниатюры) при отображении их контента в результатах поиска Google и ленте Discover.

Компания улучшила своё руководство по Image SEO, добавив раздел, объясняющий, как включать предпочитаемые изображения с полезными данными. Они также обновили свою документацию Discover, чтобы отразить эти же параметры данных.

Недавно Google обновил свою документацию, чтобы объяснить, что компания учитывает как схему разметки, так и мета-тег og:image при выборе изображения для отображения в качестве миниатюры в Google Поиске и Discover. Эти изменения были внесены в ответ на отзывы пользователей.

Что нового

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

Google перечислил три способа указать предпочтительное изображение.

Существует три распространенных способа указать основное изображение для веб-страницы. Первый включает использование свойства `primaryImageOfPage` в разметке schema.org веб-страницы. Другой подход — прикрепить свойство `image` к основному контенту страницы, используя либо `mainEntity`, либо `mainEntityOfPage`. Наконец, вы можете использовать мета-тег `og:image`.

Документация предоставляет примеры кода для каждого метода. Для метода `primaryImageOfPage` структурированные данные указывают URL изображения внутри блока JSON-LD типа `WebPage`. При использовании метода основной сущности свойство `image` должно быть размещено внутри типа контента, такого как `BlogPosting`. Опция `og:image` использует стандартный мета-тег в заголовке HTML страницы.

Как SEO-эксперт, я всегда говорю клиентам, что выбор правильного изображения для вашего контента имеет решающее значение. Google конкретно рекомендует выбирать изображения, которые напрямую относятся к теме и точно отражают суть страницы. Избегайте общих изображений, таких как ваш логотип, и обязательно избегайте изображений с текстом, встроенным в схему разметки или используемых для Open Graph тегов (og:image). Также убедитесь, что ваши изображения не слишком узкие или растянутые – стремитесь к хорошему балансу. По возможности, используйте изображения с высоким разрешением, чтобы они выглядели наилучшим образом!

Discover Documentation Changes

Раздел Discover был недавно обновлен рекомендациями по улучшению предварительных просмотров изображений. Google теперь рекомендует использовать либо разметку schema.org, либо метатег og:image для определения большого изображения для миниатюр Discover. Вы можете найти более подробную информацию в новом разделе SEO изображений.

Google теперь показывает более крупные предварительные просмотры изображений в Discover, если ваш сайт использует настройку `max-image-preview:large` или использует AMP. Хотя метаданные schema.org и `og:image` могут помочь Google *выбрать*, какое изображение отображать, они не автоматически квалифицируют изображение для этих более крупных предварительных просмотров – вам всё равно нужно соответствовать основным требованиям к соответствию.

Документация Discover теперь явно не рекомендует использовать общие или перегруженные текстом изображения в вашей разметке schema.org и мета-тегах og:image. Хотя ранее это понималось как лучшая практика для изображений Discover, обновление теперь напрямую связывает эти рекомендации с конкретной мета-информацией, которую вы используете.

Это обновление является частью более масштабного обновления документации Google Discover, которое началось с основного обновления в феврале. Предыдущая редакция была сосредоточена на улучшении рекомендаций относительно кликбейта, скорости загрузки веб-сайта и качества изображений. Это текущее обновление конкретно расширяет раздел о качестве изображений в этой документации.

Почему это важно

В настоящее время мы рекомендуем использовать изображения шириной не менее 1200 пикселей, с высоким разрешением (около 300К) и соотношением сторон 16×9 – более крупные изображения, как правило, привлекают больше трафика из Discover. Новый раздел метаданных объясняет, как указать, какое изображение вы хотели бы использовать, помогая нам выбрать лучшее на основе этих рекомендаций.

Это обновление подтверждает, что Google учитывает теги og:image и свойства изображений schema.org, которые вы, возможно, уже используете. Если вы еще не реализовали их, наша документация предлагает примеры кода, которые помогут вам начать.

Взгляд в будущее

Это изменение документа является уточнением, а не обновлением принципов работы чего-либо.

Веб-сайты, желающие настроить изображение, отображаемое в предварительных просмотрах результатов поиска, теперь могут ознакомиться с новым руководством, чтобы проверить, соответствует ли их текущая настройка лучшим практикам Google.

Смотрите также

• Акции EUTR. ЕвроТранс: прогноз акций.
• Какой самый низкий курс евро к тайскому бату?
• Мы разобрались как работают обзоры искусственного интеллекта (& построили инструмент, чтобы доказать это)
• Анализ динамики цен на криптовалюту CRV: прогнозы CRV
• Обновления тенденций 2024 года: что действительно работает в SEO и контент-маркетинге через @sejournal, @lorenbaker
• Уточнения запросов Google Рекламы в рекламной карусели
• Google: подождите, пока не будет завершено августовское обновление ядра, чтобы увидеть эффекты
• Bing тестирует скрытие рекламных ярлыков после домена
• Email-маркетинг: подробное руководство
• Отчётность по кликам в Google Merchant Center на следующий месяц изменить

2026-03-02 21:39

Когда люди говорят о ‘grounding’ в ИИ, они обычно имеют в виду процесс проверки того, что мощные ИИ-системы – такие как большие языковые модели – не выдумывают вещи или не распространяют дезинформацию. Речь идет об обеспечении того, чтобы эти системы оставались связанными с реальностью.

Чтобы начать беседы более разумно, модели искусственного интеллекта разрабатываются таким образом, чтобы признавать, когда им не хватает знаний, а затем пытаться проверить информацию, чтобы обеспечить точность.

Довольны теперь?

TL;DR

1. RAG закрепляет LLM в конкретных знаниях, подкрепленных фактическими, авторитетными и актуальными данными. Это снижает галлюцинации.

Что такое RAG?

Извлечение расширенной генерации, или RAG, является ключевой техникой для обеспечения точности ответов ИИ. Большие языковые модели (LLM) учатся на огромном количестве данных, но во всех наборах данных есть пробелы. Это особенно верно для таких тем, как текущие события или вопросы, где потребности людей быстро меняются.

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

Система находит полезную информацию из внешних источников, определяет похожий контент и добавляет его к предоставляемому ответу.

Поскольку сейчас в сети доступно так много информации, крайне важно чётко понимать, что означают те или иные вещи, и убеждаться в достоверности информации.

Зачем он нам нужен?

Большие языковые модели иногда придумывают вещи. Они разработаны так, чтобы всегда давать ответ, даже если этот ответ неточен.

Обоснованные результаты приносят некоторое облегчение от потока безумной информации.

AI-модели обучаются на данных, имеющих определённую дату отсечки, часто более чем за год до текущего момента. Это означает, что им не хватает знаний о событиях, произошедших в последнее время, и они не могут отвечать на вопросы о вещах, которые произошли в течение последнего года без доступа к актуальной информации.

После того, как модель обучается на большом количестве данных, гораздо более экономично использовать RAG-систему для обработки новой информации, вместо переобучения всей модели.

Недавно я наткнулся на фантастическую презентацию от Dawn Anderson под названием «You Can’t Generate What You Can’t Retrieve.» Как человек, который годами строил веб-сайты и работал с контентом, я нашел ее невероятно познавательной и настоятельно рекомендую вам ознакомиться с ней – даже если вы не можете посетить живую сессию. Это действительно стоит вашего времени.

Отличаются ли Grounding и RAG? Должны ли они отличаться?

Да. RAG — это форма обоснования.

Подумайте об этом так;

• Заземление – это конечный результат – «Пожалуйста, прекратите выдумывать.
• RAG – это механизм. Когда у него нет достаточной уверенности, чтобы ответить на запрос, внутренний монолог ChatGPT говорит: «Не выдумывай, проверь информацию.«
• Таким образом, заземление может быть достигнуто посредством тонкой настройки, проектирования подсказок, или RAG.

Как цифровой маркетолог, я всегда говорю людям, что потрясающие истории не всегда правдивы. Вы слышите что-то невероятное – например, утверждение о том, что шрам был вызван укусом акулы – и это привлекает ваше внимание. Но небольшая проверка фактов быстро раскрывает реальность: в этом случае это была не акула, а аллергия на арахис, которая привела к девятичасовой операции и шраму. Это хорошее напоминание о том, чтобы проверять информацию, прежде чем принимать её как истину, что крайне важно в моей работе и жизни в целом.

Правдивая история – и я верил в неё до университета. Это был мой отец.

Долгое время было неясно, какую поисковую систему используют эти модели, но мы подтвердили, что ChatGPT продолжает использовать результаты поиска Google для создания своих ответов при выполнении веб-поиска.

Почему Никто Не Может Решить Проблему Галлюцинаций ИИ?

Многие из бессмысленных результатов, выдаваемых этими моделями, можно понять, если рассматривать их как простую попытку завершить информацию, даже если у них её нет. Они часто плавно обрабатывают недостающие данные.

Это правдоподобная ложь.

Это похоже на случай с Элизабет Холмс и Theranos. Складывается ощущение, что что-то не так, но люди предпочитают игнорировать предупреждающие знаки. Это ‘вы’ относится к влиятельным представителям СМИ или инвестиционным компаниям, которые не провели тщательное расследование, прежде чем двигаться дальше.

Это прямая цитата от OpenAI. Из уст галлюцинирующего коня.

Большие языковые модели иногда генерируют неверную или бессмысленную информацию — явление, известное как «галлюцинация». Недавние исследования от OpenAI показывают, что это происходит из-за того, что способ обучения и оценки этих моделей уделяет приоритет *созданию* ответа, независимо от того, является ли этот ответ фактически правильным.

Представьте это как дрессировку собаки: модель вознаграждается просто за ответ. Однако это не объясняет *почему* она совершает ошибки. Это просто означает, что модель разработана для ответа на любой ваш вопрос, уверенно и без проверки своей работы.

Это в значительной степени обусловлено тем, как была обучена модель.

Подкрепите эти системы достаточным объемом структурированных данных – даже если они не идеально размечены – и они станут удивительно хорошо предсказывать, что произойдет дальше, до такой степени, что смогут звучать убедительно по-человечески.

Не тот, с кем бы вы потусовались на вечеринке. Но звучащий разумно.

Как цифровой маркетолог, работающий с ИИ, я узнал, что модели действительно полагаются на повторение. Если фрагмент информации часто встречается в данных, на которых они обучаются, они гораздо менее склонны к ошибкам. В основном, повторение – это ключ к успеху для них. Однако, когда факт *не* упоминается часто, это сигнализирует о том, что, вероятно, существует много невидимой или уникальной информации – множество потенциальных вариаций, которым модель еще не научилась. Это способ оценить, сколько ‘нового’ материала она может встретить.

Информация, которая редко используется, часто называется ‘коэффициентом одиночек’. Интересно, что высокий коэффициент одиночек очень проблематичен при обучении больших языковых моделей, но на самом деле идеален при планировании таких мероприятий, как девичники в Эссексе.

Даже при наличии идеальных обучающих данных, модели все равно будут совершать ошибки. Они созданы людьми, а мы все склонны к ошибкам – плюс, мы часто переоцениваем свою собственную точность.

Методы, применяемые после первоначального обучения модели – такие как обучение на основе отзывов людей или подключение модели к информации из реального мира – могут помочь минимизировать неточные или бессмысленные ответы.

Как работает RAG?

По сути, процесс использования Генерации, дополненной извлечением, начинается даже до того, как кто-то задаёт вопрос. Однако я просто предлагаю базовое понимание, и я не являюсь профессионалом в этой области.

RAG добавляет компонент поиска информации к AI-слою. Система:

Извлекает данные

Дополняет запрос

➡️ Генерирует улучшенный ответ.

Более подробное объяснение (если оно вам потребуется) выглядело бы примерно так:

1. Пользователь вводит запрос, и он преобразуется в вектор.
2. LLM использует свою параметрическую память, чтобы попытаться предсказать следующую вероятную последовательность токенов.
3. Векторное расстояние между запросом и набором документов вычисляется с использованием Cosine Similarity или Euclidean Distance.
4. Это определяет, способна ли хранимая (или параметрическая) память модели выполнить запрос пользователя без обращения к внешней базе данных.
5. Если определённый порог уверенности не достигнут, вызывается RAG (или форма обоснования).
6. Отправляется запрос к внешней базе данных.
7. Архитектура RAG дополняет существующий ответ. Она проясняет фактическую точность или добавляет информацию к текущему ответу.
8. Генерируется окончательный, улучшенный вывод.

Большие языковые модели обычно получают информацию из внешних баз данных, таких как Google или Bing, поэтому им не нужно создавать собственные базы данных для генерации с расширенным поиском (RAG).

Это значительно удешевляет вещи.

Технологические компании часто конкурируют жестко, и это соперничество вызвало проблему, когда Google удалил конкретный источник данных в сентябре 2025 года. Это изменение существенно повлияло на способность ChatGPT находить и цитировать информацию, поскольку он полагался на внешних партнеров для сбора этих данных.

Многие новые RAG-системы используют комбинированный подход к поиску информации. Они выполняют как семантический поиск – который понимает *значение* слов – так и традиционный поиск по ключевым словам. Подобно улучшениям, внесенным в модели, такие как BERT (например, DaBERTa и RankBrain), это позволяет системе учитывать весь документ и его контекст при предоставлении ответа.

Как SEO-эксперт, изучающий ИИ, я тестировал различные подходы к производительности моделей, и результаты очевидны: гибридизация – это революция. Мы недавно провели тематическое исследование в сельском хозяйстве, где наша первоначальная модель достигла точности 75%. Просто дообучив модель, мы повысили этот показатель до 81%. Но настоящий скачок произошел, когда мы добавили Retrieval-Augmented Generation (RAG) – это подняло точность до 86%. Это действительно показывает, как комбинирование техник может значительно улучшить результаты.

Параметрическая против Непараметрической памяти

Память модели — это по сути информация, которую она усвоила из данных, на которых она была обучена.

Прежде чем их можно будет использовать, большие языковые модели обучаются на огромном количестве информации, включая текст, числа и изображения. Эти данные затем организуются в формат, который позволяет модели распознавать взаимосвязи и закономерности в своей внутренней структуре.

Когда вы задаете ИИ вопрос, он предсказывает наиболее вероятные следующие слова, ранжируя их по вероятности. Настройка ‘temperature’ контролирует, насколько разнообразие или случайность вводится в эти предсказания.

Непараметрические системы памяти хранят информацию вне самой модели, используя внешние базы данных. Примеры включают поисковые индексы, такие как Google, а также платформы, такие как Wikipedia и Reddit – по сути, любую хорошо организованную базу данных. Это внешнее хранилище позволяет модели находить и использовать конкретные детали при необходимости.

Методологии RAG способны объединить эти два конкурирующих, но высоко комплементарных направления.

1. Модели приобретают «понимание» языка и нюансов благодаря параметрической памяти.
2. Затем ответы обогащаются и/или основываются на непараметрической памяти для проверки и подтверждения выходных данных.

Более высокие температуры увеличивают случайность. Или «креативность». Более низкие температуры – наоборот.

На самом деле это довольно иронично – эти модели не очень креативны. Хотя, возможно, это не лучший способ выразить это, по сути, преобразование слов и документов в числовые представления является очень статистическим процессом.

Почему это важно для SEO?

Если ваш бизнес зависит от того, чтобы люди находили вас через поиск на базе искусственного интеллекта, получение высоких позиций в поисковых системах имеет решающее значение. Вам необходимо убедиться, что ваш контент учитывается, когда пользователи проводят поиск с использованием Retrieval-Augmented Generation (RAG).

Вам следует знать, как работает RAG и как на него влиять.

Если ваш бренд недостаточно хорошо представлен в данных, на которых обучался ИИ, вы не можете исправить это прямо сейчас. Однако вы можете улучшить ситуацию для будущих версий ИИ. Имейте в виду, что знания ИИ не обновляются мгновенно.

Чтобы включаться в ответы, генерируемые этими системами, ваша информация должна быть хорошо представлена во внешних базах данных. Более высокие рейтинги означают более высокую вероятность появления в результатах поиска, основанных на этих технологиях.

Я настоятельно рекомендую ознакомиться с презентацией Марка Уильямса-Кука ‘From Rags to Riches’. Это отличный ресурс, который предлагает практические советы по определению ситуаций, когда генерация с расширенным извлечением (Retrieval-Augmented Generation (RAG)) полезна и как направлять запросы, чтобы извлечь из этого пользу.

https://www.youtube.com/watch?v=gBcFkf5DWpc

В основном, снова, вам нужно сделать хорошее SEO.

1. Убедитесь, что вы занимаете как можно более высокую позицию в поисковых системах по соответствующему запросу.
2. Убедитесь, что вы понимаете, как максимизировать свои шансы на включение в обоснованный ответ LLM.
3. Со временем займитесь более эффективным маркетингом, чтобы попасть в обучающие данные.

В целом, короткие, прямые ответы, которые связаны с важной информацией и расширяют уже известное, будут работать лучше всего. Для оптимальных результатов поиска с помощью ИИ стремитесь к текстовым фрагментам длиной от 200 до 500 символов.

Разбиение информации на более мелкие части помогает модели быстро и эффективно найти именно то, что вам нужно. Хотя более крупные фрагменты предоставляют больше контекста, они иногда могут запутать модель и привести к менее точным результатам.

Top Tips (Same Old)

Я часто говорю это в конце этих статей, и я все еще считаю, что это в целом верно.

• Ответьте на релевантный запрос в верхней части страницы (информация, представленная в начале).
• Чётко и лаконично сопоставляйте ваши сущности.
• Предоставьте некоторый уровень получения информации.
• Избегайте двусмысленности, особенно в середине документа.
• Имейте чётко определённый аргумент и структуру страницы, с хорошо структурированными заголовками.
• Боже мой, пусть будет интересно. Используйте уникальные данные, изображения, видео. Всё, что удовлетворит пользователя.
• Соответствуйте их намерениям.

Как всегда, очень SEO. Много AI.

Смотрите также

• Акции EUTR. ЕвроТранс: прогноз акций.
• Какой самый низкий курс евро к тайскому бату?
• Мы разобрались как работают обзоры искусственного интеллекта (& построили инструмент, чтобы доказать это)
• Анализ динамики цен на криптовалюту CRV: прогнозы CRV
• Обновления тенденций 2024 года: что действительно работает в SEO и контент-маркетинге через @sejournal, @lorenbaker
• Уточнения запросов Google Рекламы в рекламной карусели
• Google: подождите, пока не будет завершено августовское обновление ядра, чтобы увидеть эффекты
• Bing тестирует скрытие рекламных ярлыков после домена
• Email-маркетинг: подробное руководство
• Отчётность по кликам в Google Merchant Center на следующий месяц изменить

2026-03-02 17:43

YouTube заметил растущую проблему с низкокачественными, быстро созданными видео, созданными искусственным интеллектом – иногда называемыми «AI slop». В недавнем письме генеральный директор YouTube, Нил Мохан, заявил, что около 20% Shorts, рекомендуемых новым пользователям, попадают в эту категорию. Он пообещал улучшить системы YouTube для выявления и удаления этого типа контента, а также спама и вводящих в заблуждение видео.

Недавнее исследование Kapwing изучило 15 000 популярных YouTube-каналов и обнаружило 278, посвященных созданию того, что называют ‘AI slop‘ – контента с низким уровнем усилий, сгенерированного искусственным интеллектом. Эти каналы удивительным образом приобрели большую популярность, набрав в общей сложности 63 миллиарда просмотров, 221 миллион подписчиков и, по оценкам, 117 миллионов долларов дохода от рекламы к октябрю 2025 года.

Искусственный интеллект представляет собой реальный вызов, но его влияние варьируется. Основываясь на последних данных, мы можем определить наиболее эффективные видеоформаты, на которых следует сосредоточиться. Search Engine Journal внимательно следил за реакцией YouTube на контент, сгенерированный ИИ – от первоначального требования маркировать его, до изменений в том, как видео могут зарабатывать деньги, и продолжающихся проблем с обеспечением соблюдения правил. Эта статья объединяет эти данные, действия YouTube и исследования доверия аудитории, чтобы предложить информацию о будущем органического видеомаркетинга.

Насколько велика проблема AI Slop.

Масштаб перешел от любопытства к структурной проблеме где-то в начале 2025 года.

Анализ, проведенный The Guardian на основе данных Playboard, показал, что почти 10% от 100 самых быстрорастущих YouTube-каналов в мире содержат только контент, созданный искусственным интеллектом. Это включает в себя необычные видео, такие как реконструкции известных спортсменов, мыльные оперы с участием кошек и фантастические сцены с младенцами в космосе.

Kapwing оценивает, что некоторые YouTube-каналы, создающие некачественный контент, сгенерированный ИИ, — названный The Guardian ‘AI slop’ — зарабатывают значительный доход. Например, индийский канал Bandar Apna Dost, на котором представлены реалистичные обезьяны, сгенерированные ИИ, в человеческих сценариях, предположительно зарабатывает 4,25 миллиона долларов в год с 2,4 миллиарда просмотров. Аналогично, Pouty Frenchie, сингапурский канал, демонстрирующий анимированного французского бульдога, сгенерированного ИИ, в причудливых условиях, генерирует около 4 миллионов долларов в год.

Почему Shorts — это зона взрыва

AI slop не распределяется равномерно между двумя форматами YouTube.

Kapwing провело исследование, чтобы выяснить, какие виды видео YouTube рекомендует новым пользователям. Они обнаружили, что из первых 500 ‘Shorts’, показанных абсолютно новому аккаунту, более 20% (104 видео) были полностью сгенерированы ИИ и низкого качества. Ещё 33% (165 видео) были отнесены к категории ‘brainrot’ – более широкой категории контента, предназначенного для быстрой вовлечённости, включая видео, сгенерированные ИИ, и другие низкокачественные варианты. Отдельно, опубликованное исследование изучило более 1000 образовательных видео на YouTube и TikTok и показало, что около 5,3% (57 видео) были явно созданы ИИ. В то время как второе исследование было сосредоточено на конкретной теме и поиске, оно предполагает, что контент, сгенерированный ИИ, встречается чаще в YouTube Shorts, чем в других типах видео.

TikTok и другие платформы ‘Shorts’ используют видеоленту, которая автоматически воспроизводит контент, один клип за другим. Система разработана для того, чтобы быстро определить, продолжают ли люди смотреть – в частности, смотрят ли они дольше, чем пару секунд. Из-за этого искусственный интеллект действительно хорошо справляется с созданием видео с захватывающими началами, которые сразу же привлекают внимание. Видео не обязательно должны быть полезными или приятными; им просто нужно предотвратить прокрутку зрителями в течение первых 15 секунд.

Видео длинного формата требуют осознанного клика – кто-то должен выбрать просмотр, основываясь на изображении и названии видео. Этот первоначальный клик начинает формировать уровень доверия. Когда зрители тратят 10 минут и более на просмотр, они более склонны быть критичными, а система YouTube настоятельно не рекомендует видео, которые люди быстро перестают смотреть. YouTube также уделяет больше внимания тому, насколько довольны зрители, основываясь на таких вещах, как опросы, лайки, дизлайки и отзывы о том, что они не заинтересованы. Это означает, что контент, который действительно вовлекает людей, преуспевает, в то время как видео, которые обманом заставляют людей кликать, но предлагают мало существенного, наказываются.

То, как платформы зарабатывают деньги, подчеркивает эту разницу. Доходы создателей Shorts поступают из общего пула, основанного на общем количестве просмотров, что приоритезирует количество. Однако более длинные видео приносят доход от рекламы, показываемой на каждом видео, с более высокими ставками рекламы и более тщательными мерами безопасности бренда. Контент-фермы, управляемые искусственным интеллектом, фокусируются на Shorts, потому что эта система вознаграждает их сильную сторону: создание большого количества контента при очень низкой стоимости.

Потенциальным недостатком для каналов, использующих как Shorts, так и более длинные видео, является то, что сильная ориентация на Shorts может повлиять на то, как YouTube категоризирует вашу аудиторию. Если YouTube считает, что ваши зрители в основном наслаждаются коротким контентом, он может показывать им ваши более длинные видео, даже если они не заинтересованы, что приведет к снижению времени просмотра. Один из создателей контента увидел снижение просмотров на 98% после того, как начал уделять приоритетное внимание Shorts, хотя это всего лишь один пример. Однако это соответствует тому, как система YouTube группирует зрителей на основе их привычек просмотра.

Ниши, которые страдают больше всего

Контент, сгенерированный ИИ, появляется не только в видео для детей или рекламных трейлерах. Он также влияет на области, которые важны для специалистов по SEO и цифровых маркетологов.

Темы, такие как бизнес, маркетинг и финансы, являются популярными предметами для онлайн-объяснений. Недавнее исследование 68 YouTube-видео, посвященных генеративному ИИ, показало, что около 20% из них посвящены маркетингу, с примерами использования таких инструментов, как ChatGPT и Pictory для создания обзоров продуктов для Amazon или заработка на видео, сгенерированных ИИ. Также наблюдается тенденция появления каналов ‘безликих финансов’, использующих ИИ для создания большого количества контента, хотя результаты не всегда стабильны. Даже успешные создатели, такие как Charlie Chang, который зарабатывает миллионы долларов в год со своими многочисленными YouTube-каналами, обеспокоены тем, что собственные инструменты ИИ от YouTube могут в конечном итоге навредить их бизнесу.

Создание образовательных видео становится крупномасштабной, автоматизированной индустрией. Недавно журнал Fortune представил Адавию Дэвиса, 22-летнего, который управляет серией YouTube-каналов, созданных с использованием ИИ. Его самый успешный канал, ‘Boring History’, публикует длинные исторические документальные фильмы – иногда до шести часов в длину – с закадровым голосом ИИ, который звучит похоже на Дэвида Аттенборо. Весь производственный процесс почти полностью автоматизирован с помощью ИИ, что позволяет поддерживать стоимость одного видео на уровне около 60 долларов. Согласно данным аналитики и доходов от рекламы, сеть зарабатывает примерно от 40 000 до 60 000 долларов в месяц, с прибылью в 85-89% и около 2 миллионов просмотров в день.

Мы уже наблюдаем всплеск фейковых новостей и комментариев, связанных с текущими событиями, которые часто быстро распространяются в сети. Например, во время судебного процесса Шона «Diddy» Combs, 26 различных каналов создали около 900 новостных видео, сгенерированных искусственным интеллектом, которые быстро набрали почти 70 миллионов просмотров. Один канал, выдававший себя за источник информации о реальных преступлениях, опубликовал более 150 сфабрикованных историй об убийствах, включая полностью вымышленное преступление в Колорадо, которое набрало почти 2 миллиона просмотров, прежде чем было опровергнуто 404 Media.

Контент, сгенерированный искусственным интеллектом, оказывает значительное влияние на то, что дети находят в интернете, при этом такие каналы, как Kapwing, The Guardian, Bandar Apna Dost и Pouty Frenchie, были признаны создающими некачественный контент, генерируемый искусственным интеллектом, несмотря на то, что они набирают миллиарды просмотров, создавая контент специально для детей. В сфере кулинарии такие каналы, как Super Recipes и SuperYummy, набрали более миллиона подписчиков и 400 миллионов просмотров, используя озвучку, сгенерированную искусственным интеллектом, для озвучивания видео с рецептами.

Мы наблюдаем устойчивую тенденцию в различных онлайн-пространствах: низкокачественный контент, сгенерированный ИИ, быстро заполняет места, где популярны простые, повторяющиеся форматы, где создание контента дешево, и вам не нужно быть опытным исполнителем, чтобы его создать.

YouTube строит одновременно и наводнение, и плотину.

YouTube предпринял значительный шаг в июле 2025 года, переименовав свое правило против «повторяющегося контента» в политику против «неподлинного контента». Мы сообщили об оригинальном объявлении и последующем разъяснении после того, как авторы выразили опасения, что это может повлиять на реакционные видео и комментарии. Рене Ричи из YouTube подтвердил, что ИИ не запрещен, и платформа даже поощряет авторов использовать инструменты ИИ для улучшения своих видео, что означает, что контент, сгенерированный ИИ, все еще может быть монетизирован. Вскоре после этого Meta объявила о подобных мерах по борьбе с неоригинальным контентом, что указывает на то, что обе платформы признали одну и ту же проблему примерно в одно и то же время.

Исторически, YouTube обычно реагировал на проблемы *после* того, как они становились известны. Например, после расследования Deadline в марте 2025 года YouTube отозвал монетизацию у каналов, создающих фейковые трейлеры к фильмам. Аналогично, три канала были удалены после вопросов от The Guardian в августе 2025 года. К декабрю того же года авторы высказывали обеспокоенность по поводу автоматизированной системы модерации YouTube, которая отключала каналы и отвечала на апелляции общими сообщениями. Ситуация ухудшилась в январе 2026 года, когда Dexerto сообщил – основываясь на данных от Kapwing – что YouTube прекратил работу 11 каналов и удалил контент с шести других. YouTube утверждает, что запрещает спам, мошенничество и другую вводящую в заблуждение деятельность, которая вредит его сообществу.

YouTube предпринял несколько шагов для решения проблемы контента, сгенерированного ИИ. Теперь они требуют от создателей раскрывать, содержат ли их видео элементы, сгенерированные ИИ, сотрудничают с Content Authenticity Initiative (C2PA) для проверки происхождения контента и представили инструмент, который помогает создателям обнаруживать и удалять дипфейки, используя их лицо и голос.

YouTube быстро разрабатывал и выпускал собственные инструменты искусственного интеллекта. В сентябре 2024 года они представили Dream Screen (используя модель Veo от Google), вкладку Inspiration, работающую на Gemini для помощи авторам в создании идей, и расширили автоматическое дублирование на 27 языков. Год спустя, в сентябре 2025 года, YouTube объявил о еще большем количестве функций: Veo 3 Fast для невероятно быстрой создания видео в Shorts, автоматическое редактирование видео на основе искусственного интеллекта и инструмент под названием Speech to Song, который использует модель Lyria 2 от DeepMind для создания музыки.

Видео Dream Screen будут отмечены специальным водяным знаком под названием SynthID от Google DeepMind, а YouTube добавит метку, указывающую, что они были созданы с использованием ИИ. Видео, созданные с помощью других ИИ-инструментов, могут не иметь этих водяных знаков или других способов для YouTube подтвердить, что они сгенерированы ИИ. Большое количество загрузок из этих внешних инструментов может выглядеть похоже на контент с сайтов, массово производящих контент. Неясно, будет ли YouTube по-другому относиться к контенту, сгенерированному ИИ, но видео без этих сигналов проверки могут с большей вероятностью потерять монетизацию, даже для создателей, соблюдающих правила. YouTube официально не заявлял, будут ли они это делать.

При использовании ИИ для создания контента для YouTube инструменты самой платформы могут быть безопаснее, чем инструменты других компаний, благодаря функции под названием SynthID, которая отслеживает происхождение контента – хотя YouTube официально это не подтвердил. Вероятно, YouTube продолжит совершенствовать свои правила относительно того, в какой степени ИИ может использоваться в видео, прежде чем они будут считаться поддельными или вводящими в заблуждение.

Эксперты сомневаются, что усилий Google по решению проблемы контента, созданного ИИ, будет достаточно. Джим Лаудербэк, ведущий голос в сфере создателей контента, описал недавнее обновление Google как небольшой первый шаг, задаваясь вопросом, что произойдет, когда ИИ сможет создавать контент, который будет таким же хорошим, как работа, созданная человеком. Пол Баннистер из Raptive был более прямолинеен, предполагая, что Google лишь решает поверхностную часть гораздо большей проблемы, чтобы казаться проактивным.

Когда зрители перестают доверять тому, что они видят

Понимание того, как люди реагируют на контент, созданный ИИ, важнее для планирования успешной органической стратегии, чем просто отслеживание показателей роста.

Опрос Raptive 2025 года, проведенный среди 3000 взрослых жителей США, показал, что потребители примерно вдвое реже доверяют контенту, который, по их мнению, был создан искусственным интеллектом, даже если это не так. Это негативное восприятие повлияло на то, как люди оценивали достоверность контента, его подлинность и способность вызывать эмоциональный отклик. Недоверие также распространилось на рекламу, отображаемую вместе с контентом, из-за чего она казалась на 17% менее качественной и на 11% менее надежной. В результате люди на 14% реже рассматривали возможность покупки продуктов, рекламируемых рядом с контентом, который они считали сгенерированным искусственным интеллектом.

Недавние исследования подтверждают, что люди предпочитают аутентичный видеоконтент. Отчет Animoto за 2026 год показал, что почти 68% потребителей считают видео более надежными, когда в них задействованы реальные люди, и более трети (36%) стали бы хуже относиться к бренду, если бы его видео создавались исключительно с помощью ИИ. Это соответствует отчету Checkr, показывающему, что 88% американцев теперь считают более сложным отличить подлинное онлайн-содержание от фальшивого по сравнению с тем, что было всего год назад.

Рекомендательная система YouTube, похоже, отдает приоритет удовлетворенности зрителей, а не просто получению кликов. Хотя YouTube не делился точными деталями, эксперты полагают, что платформа теперь больше фокусируется на сигналах, указывающих на то, что зрители действительно наслаждаются контентом, а не просто на количестве людей, которые изначально кликнули по видео. Этот сдвиг, как объяснил Тодд Бопре из YouTube ранее в этом году, означает, что контент, который удерживает людей вовлеченными с течением времени, теперь предпочитается контенту, предназначенному для быстрого привлечения внимания.

Что мы пока не знаем.

На данный момент нет общедоступных данных, показывающих, насколько низкокачественный контент, сгенерированный ИИ, вредит доходам (CPM или RPM) создателей контента в какой-либо конкретной области.

Недавний опрос Epidemic Sound, проведенный среди 3000 создателей контента, показал, что борьба со сложными алгоритмами и обеспечение обнаружения их контента (34%) являются основными ежедневными трудностями. Эти проблемы часто сочетаются с чувством спешки (36%) и выгоранием (35%). Однако эти проблемы не были конкретно связаны с контентом, сгенерированным искусственным интеллектом. Отдельно, выплаты создателям контента на YouTube продолжали расти в 2024 году. Исследование, заказанное YouTube и проведенное Oxford Economics, показало, что экономика создателей контента на YouTube в США внесла вклад в $55 миллиардов в ВВП страны и обеспечила полный рабочий день 490 000 человек.

Контент, сгенерированный ИИ, или «шлак», влияет на такие платформы, как YouTube Shorts — на него приходится 21% просмотров, он способствует росту 10% самых быстрорастущих каналов и может генерировать 117 миллионов долларов в год. Однако мы пока не знаем точно, как это влияет на доходы человеческих создателей контента. Утверждения о том, что контент ИИ снизил рекламные ставки (CPMs) для человеческих каналов, основаны на отдельных историях, а не на всесторонних данных.

Это важно для вашего планирования. Хотя направление, в котором развивается контент, созданный ИИ, довольно предсказуемо, непосредственные эффекты могут быть не такими значительными, как кажется из новостей. Сосредоточьтесь на подготовке к будущему контента, созданного ИИ, а не только на его текущем состоянии.

Как соревноваться, когда AI-контент повсюду

Данные указывают на конкретные конкурентные преимущества.

Высококачественные, подробные статьи, разработанные для поисковых систем, в настоящее время являются самым стабильным типом контента. Контент, сгенерированный ИИ и требующий минимальных усилий, широко представлен на платформах коротких видео, таких как Shorts – составляя более 20% рекомендаций новым пользователям – но встречается гораздо реже в результатах поиска. Хорошо написанные, углубленные статьи устанавливают сильное присутствие в сети и продолжают привлекать читателей с течением времени, в отличие от быстро создаваемого контента ИИ, который быстро устаревает.

Чрезвычайно сложно для ИИ создавать убедительные экранные личности. В то время как ИИ может легко создавать такие вещи, как длинные документальные фильмы с низкой стоимостью, он испытывает трудности с более личным контентом. Например, он не может убедительно показать, как кто-то проходит через свою работу или эксперт делится уроками, извлеченными из ошибки. Подлинное повествование и реальная экспертиза трудно воспроизвести в масштабе, не теряя качества.

Как SEO-эксперт, я наблюдаю значительный сдвиг в том, как YouTube ранжирует видео. Становится намного сложнее обмануть систему с помощью контента, сгенерированного ИИ, поскольку алгоритм YouTube теперь сильно зависит от *подлинного* взаимодействия сообщества. Такие вещи, как оживленные прямые вопросы и ответы, интерактивные опросы, активные комментарии и членство в каналах, являются ключевыми сигналами здорового канала. Эти «сигналы сообщества» действительно важны для рекомендательной системы YouTube, и каналы, управляемые ИИ, просто не могут воспроизвести этот уровень подлинного взаимодействия в масштабе. По сути, YouTube вознаграждает каналы, которые строят реальные сообщества.

Короткие видео наиболее эффективны для того, чтобы люди *находили* ваш контент, а не как основная часть вашей стратегии. Вместо того, чтобы создавать множество общих Shorts для конкуренции с видео, сгенерированными ИИ, сосредоточьтесь на создании Shorts, предназначенных конкретно для аудитории, которую вы хотите привлечь к своим более длинным видео. Слишком большие инвестиции в Shorts могут фактически навредить эффективности ваших длинных видео, поскольку алгоритм может начать классифицировать вашу аудиторию таким образом, что будет сложнее донести до нее ваш основной контент.

Искусственный интеллект сейчас является распространенным инструментом для профессиональных создателей контента. Недавний опрос Epidemic Sound показал, что 84% уже используют его для помощи в таких задачах, как написание сценариев, создание превью, добавление автоматических субтитров и ускорение процесса редактирования. Наиболее успешный подход сочетает в себе помощь ИИ с продолжением человеческого творчества и сильным личным подходом. Хотя YouTube официально этого не подтвердил, использование встроенных функций ИИ – таких как Dream Screen, Auto-Dubbing и Inspiration Tab – может быть безопаснее с точки зрения избежания проблем с демонетизацией, поскольку эти инструменты включают в себя систему отслеживания происхождения контента.

Открыто заявлять о том, что контент создан людьми, а не ИИ, теперь является способом для создателей выделиться. Текущая система YouTube непреднамеренно создает разделение: каналы, которые четко указывают, что их контент создан человеком – через устную речь, описания или публикации – получают преимущество. Это связано с тем, что все больше и больше зрителей настроены скептически: 88% американцев считают, что им все сложнее отличить, что реально в сети, и эти каналы воспринимаются как более надежные.

Заглядывая в будущее

Джим Лаудербэк сделал на данный момент наиболее подробный прогноз: он оценивает, что контент, сгенерированный ИИ, может составлять до 30% от общего числа просмотров на YouTube к концу десятилетия. Вот как выглядит его финансовый анализ: В настоящее время 75% просмотров на YouTube приходятся на создателей контента, которые имеют право получать деньги от рекламы – они получают около $41 на каждые $100 дохода от рекламы. Если контент, созданный ИИ, который не имеет права на участие в распределении доходов, привлечет 30% от этих просмотров, выплаты создателям контента упадут до $29 на $100. Это означает, что YouTube будет удерживать большую часть дохода от рекламы. Как отмечает Лаудербэк, чем больше зрителей ИИ отвлечет от создателей, имеющих право на получение дохода, тем более финансово выгодным это может быть для YouTube.

Согласно исследованию Omdia Research, YouTube разместил 29 миллиардов видео к декабрю 2025 года, и подавляющее большинство нового контента – более 90% – теперь представлено в формате Shorts. Несмотря на огромное увеличение количества видео, во многом благодаря быстро создаваемому контенту, генерируемому искусственным интеллектом, большая часть времени просмотра по-прежнему сосредоточена на небольшом количестве популярных видео – топ 1% составляют 91% от общего времени просмотра.

YouTube получает финансовую выгоду независимо от того, что смотрят люди – будь то контент от реальных людей или автоматически сгенерированные, низкокачественные видео, часто называемые ‘AI slop’. Согласно Dexerto, ссылающемуся на данные Kapwing, YouTube недавно удалил 11 каналов и убрал видео с еще шести. Однако эти действия затрагивают лишь небольшую часть проблемы, поскольку каналы, создающие этот тип AI контента, в совокупности набрали более 221 миллиона подписчиков по всему миру.

Я слежу за усилиями YouTube по улучшению качества контента на протяжении многих лет, начиная с борьбы с вводящей в заблуждение информацией в 2019 году и заканчивая недавними разногласиями по поводу AI-управляемого контроля. Что я заметил, так это последовательную закономерность: YouTube обычно реагирует на внешнюю критику, его решения затрагивают лишь небольшую часть проблемы, и создатели, которые сосредоточены на реальных знаниях и прочных связях с аудиторией, в конечном итоге добиваются успеха. Вы должны ожидать, что AI-генерируемый контент продолжит расти на платформе, и укрепление доверия с вашей аудиторией — лучший способ выделиться.

Смотрите также

• Акции EUTR. ЕвроТранс: прогноз акций.
• Какой самый низкий курс евро к тайскому бату?
• Мы разобрались как работают обзоры искусственного интеллекта (& построили инструмент, чтобы доказать это)
• Анализ динамики цен на криптовалюту CRV: прогнозы CRV
• Обновления тенденций 2024 года: что действительно работает в SEO и контент-маркетинге через @sejournal, @lorenbaker
• Уточнения запросов Google Рекламы в рекламной карусели
• Google: подождите, пока не будет завершено августовское обновление ядра, чтобы увидеть эффекты
• Bing тестирует скрытие рекламных ярлыков после домена
• Email-маркетинг: подробное руководство
• Отчётность по кликам в Google Merchant Center на следующий месяц изменить

2026-03-02 17:14

Как контент-маркетинг повышает видимость в AI-поиске

Как сделать так, чтобы ваш контент был того типа, который LLM распознают, упоминают и рекомендуют?

Этот сдвиг создает как возможности, так и риски для многих маркетологов…

Как digital-маркетолог, могу сказать вам, что хотя классические SEO-техники всё ещё важны, привлечь внимание в интернете сейчас – это гораздо больше, чем просто оптимизация. Дело не только в ключевых словах – речь идёт о том, как люди говорят о вашем бренде и делятся вашим контентом по всему вебу. То, как упоминается ваш бренд, где он цитируется и насколько хорошо люди *понимают* то, что вы публикуете, действительно повышает видимость в наши дни.

Компании, появляющиеся в ответах от ИИ, сосредотачиваются не просто на поисковых запросах. Они создают комплексный контент, который демонстрирует их знания и признается как надежный источник.

Эта сессия объясняет, как большие языковые модели находят и оценивают информацию, и что это значит для улучшения рейтинга вашего сайта в поисковой выдаче и контент-стратегии. Райан Лоу, директор по контенту в Ahrefs, поделится полезной структурой, которая расставляет приоритеты в создании контента и помогает вам разрабатывать стратегии для долгосрочного успеха как с поисковыми системами, так и с ИИ.

Что Вы Узнаете

• Какие форматы контента (исследования, образовательный контент, сравнительные страницы, вклад экспертов) цитируются чаще всего?
• Как провести аудит вашего бренда для выявления пробелов в темах и сущностях, ограничивающих видимость вашего ИИ.
• Как упоминания на сторонних ресурсах и сигналы авторитетности влияют на цитирования ИИ.

Save Your Spot

Почему стоит посетить?

Этот вебинар покажет вам, как обновить вашу контент-стратегию для эпохи поисковых систем на основе ИИ. Вы узнаете, как создавать контент, который укрепляет доверие вашей аудитории, хорошо работает в традиционных поисковых системах и с большей вероятностью появится в результатах поиска ИИ.

Как цифровой маркетолог, я рад сообщить, что вы теперь можете подписаться, чтобы получить проверенную структуру, которую я разработал. Она предназначена для того, чтобы помочь вам создавать контент, который системы искусственного интеллекта будут распознавать, выделять и, в конечном итоге, цитировать как источник – повышая вашу видимость и авторитет в сети.

Надеюсь увидеть вас там!

Смотрите также

• Акции EUTR. ЕвроТранс: прогноз акций.
• Какой самый низкий курс евро к тайскому бату?
• Мы разобрались как работают обзоры искусственного интеллекта (& построили инструмент, чтобы доказать это)
• Анализ динамики цен на криптовалюту CRV: прогнозы CRV
• Обновления тенденций 2024 года: что действительно работает в SEO и контент-маркетинге через @sejournal, @lorenbaker
• Уточнения запросов Google Рекламы в рекламной карусели
• Google: подождите, пока не будет завершено августовское обновление ядра, чтобы увидеть эффекты
• Bing тестирует скрытие рекламных ярлыков после домена
• Email-маркетинг: подробное руководство
• Отчётность по кликам в Google Merchant Center на следующий месяц изменить

2026-03-02 17:15