Состояние AEO & GEO в 2026 году [Вебинар]

Как AI-поиск перестраивает видимость и стратегию

AI-поиск стремительно меняет то, как бренды обнаруживаются и как зарабатывается видимость.

С появлением инструментов на базе ИИ, таких как AI Overviews, ChatGPT и Perplexity, которые напрямую отвечают на вопросы, получение высокой позиции в традиционных результатах поиска больше не единственный способ добиться успеха в интернете.

SEO-лидеры в крупных компаниях сейчас сосредоточены на разумных инвестициях, эффективных стратегиях и подготовке к изменениям, ожидаемым в 2026 году.

Присоединяйтесь к Пэт Рейнхарт и Линдсей Бояджиан Хаган из Conductor, чтобы обсудить последние результаты из *The State of AEO and GEO in 2026 Report*. Они объяснят, как компании используют ИИ для улучшения поиска и обнаружения, и что ждет стратегии AEO и GEO в будущем.

Что Вы Узнаете

  • Где корпоративные организации инвестируют в AEO и GEO в 2026 году
  • Основные проблемы, с которыми сталкиваются команды SEO и AEO, и способы их решения ведущими брендами.
  • Практические тактики для повышения видимости в поисковых системах на основе ИИ посредством структурированных данных, тематического авторитета и рабочих процессов, оптимизированных для ИИ.

Save Your Spot

Почему стоит посетить?

Зарегистрируйтесь сейчас, чтобы получить доступ к последним рекомендациям по повышению видимости ИИ в 2026 году.

🛑 Не удалось присутствовать онлайн? Зарегистрируйтесь в любом случае, и мы вышлем вам запись.

Save Your Spot

Смотрите также

2026-01-07 09:08

The Guardian: Google AI Overviews Gave Misleading Health Advice

Согласно расследованию Guardian, AI Overviews от Google иногда предоставляли информацию о здоровье, которую эксперты считали неточной или вводящей в заблуждение. Google не согласен с отчетом, заявляя, что многие из приведенных примеров были основаны на частичных или неполных изображениях.

The Guardian оценил AI Overviews от Google для поисковых запросов, связанных со здоровьем, поделившись результатами с благотворительными организациями в сфере здравоохранения, врачами и организациями по защите прав пациентов. Google заявил, что большинство этих AI-сгенерированных сводок предоставляют точную и полезную информацию.

Что обнаружил The Guardian, согласно отчёту.

The Guardian протестировал AI-чат-бота, задавая ему вопросы о здоровье, а затем попросил медицинские организации проверить ответы AI. Несколько рецензентов обнаружили, что чат-бот давал неточные или вводящие в заблуждение советы.

Pancreatic Cancer UK недавно заявила, что говорить пациентам избегать продуктов с высоким содержанием жиров — неправильно и потенциально вредно. Анна Джуэлл, директор благотворительной организации, объяснила, что этот совет «совершенно неверен» и на самом деле может помешать кому-либо быть достаточно здоровым, чтобы получить необходимое лечение.

В отчёте также отмечается рост вопросов, касающихся психического здоровья. Стивен Бакли из благотворительной организации Mind объяснил, что некоторые резюме, сгенерированные ИИ, о состояниях, таких как психоз и расстройства пищевого поведения, содержат «очень опасные советы». Он добавил, что эта информация часто была неверной, вредной или могла отговорить людей от получения необходимой им помощи.

The Guardian также указал на ошибку в информации о скрининге рака. Афина Ламнисос, глава благотворительной организации Eve Appeal по борьбе с раком, заявила, что указание Пап-теста как теста на рак влагалища является неточным и вводящим в заблуждение.

По словам Софи Рэндолл, возглавляющей Patient Information Forum, новая функция AI Overviews от Google отображает неверную информацию о здоровье в результатах поиска, что может быть опасно для людей, ищущих медицинские советы в Интернете.

Ответ Google

Google оспорил как примеры, так и выводы.

Google заявил изданию The Guardian, что большинство его AI Overviews предоставляют точную и полезную информацию, и они постоянно работают над улучшением их качества. Компания также утверждает, что эти обзоры столь же надежны, как и другие результаты поиска, такие как featured snippets.

Как цифровой маркетолог, я внимательно слежу за внедрением AI Overviews. Google заверил нас, что если эти AI-сводки будут ошибаться – например, неверно представлять то, что на самом деле написано на веб-сайте, или упускать общую картину – они вмешаются и исправят это в соответствии с их существующей политикой. По сути, они говорят, что будут исправлять неточности по мере их возникновения.

Более широкий контекст точности.

Как цифровой маркетолог, я внимательно слежу за этой ситуацией, и она действительно подчеркивает продолжающуюся дискуссию, которая началась, когда Google представил AI Overviews ранее в этом году. Это горячая тема с тех пор!

Когда AI Overviews впервые запустились, люди заметили некоторые странные и бесполезные предложения, такие как рекомендация клея в качестве начинки для пиццы или поедание камней. Google отреагировал, ограничив время появления этих AI-сводных и пообещав улучшить, как работает эта функция.

Я был вовлечён в запуск этого продукта, и вскоре люди начали замечать неточности в резюме, созданных с помощью искусственного интеллекта. Главным вопросом быстро стало то, были ли это просто отдельные случаи, или же существует более глубокая, фундаментальная проблема с самой технологией.

Как SEO-эксперт, я внимательно слежу за ростом AI Overviews в поисковой выдаче Google. Недавние данные от Ahrefs особенно интересны – они показывают, что поисковые запросы, связанные со здоровьем, особенно те, которые считаются темами ‘Your Money or Your Life’ (YMYL), значительно чаще вызывают эти AI-powered summaries. Ahrefs проанализировал огромный набор данных из 146 миллионов результатов поиска и обнаружил, что более 44% медицинских YMYL-запросов показали AI Overview. Это более чем в два раза выше среднего показателя по всем поисковым запросам, что означает, что если вы работаете в сфере здравоохранения, понимание того, как работают эти AI summaries, важнее, чем когда-либо.

Почему это важно

AI Overviews появляются над ранжированными результатами. Когда тема касается здоровья, ошибки имеют больший вес.

На протяжении многих лет издатели полагались на признанные медицинские квалификации для укрепления доверия. Теперь это исследование также рассматривает сводки, выделенные Google, которые часто заметно отображаются в результатах поиска, с тем же уровнем тщательности.

The Guardian также указывает на раздражающую проблему: поиск одной и той же вещи может давать разные результаты каждый раз. Это затрудняет подтверждение информации, которую вы ранее нашли, повторив поиск.

Заглядывая в будущее

Как SEO-эксперт, я внимательно слежу за тем, как Google обрабатывает недавний запуск AI Overviews. Они уже внесли изменения на основе отзывов общественности, и их ответ The Guardian даёт понять: они ожидают, что AI Overviews будут оцениваться так же, как и любой другой результат поиска – то есть применяются те же стандарты. Они не планируют относиться к этой новой функции с совершенно иным набором ожиданий, что важно для нас понимать, когда мы оптимизируемся для неё.

Смотрите также

2026-01-06 22:09

State Of AI Search Optimization 2026

Каждый год, после зимних праздников, я выделяю несколько дней, чтобы снова познакомиться с проектами моих клиентов и оценить наши достижения за прошлый год. Я хотел бы поделиться обновлением о последних разработках в AI Search, чтобы помочь вам быстро начать работу.

Напоминаем, что отношение к ChatGPT стало немного негативным в конце 2025 года:

  • Google выпустила превосходящую Gemini 3, что заставило Сэма Альтмана объявить Code Red (иронично, спустя три года после того, как Google сделала то же самое при запуске ChatGPT 3.5).
  • OpenAI совершила серию циклических инвестиций, которые вызвали удивление и вопросы о том, как их финансировать.
  • ChatGPT, который отправляет большинство всех LLMs, достигает максимум 4% текущего органического (в основном Google) реферального трафика.

Мы до сих пор не определили, насколько ценно быть упомянутым в ответе ИИ. Но это важнейшая тема, потому что Google переходит от простого отображения списков результатов поиска к предоставлению прямых ответов.

Я очень благодарен Дэну Петрович и Андреа Волпини за то, что они нашли время, чтобы ознакомиться с моей работой и предложить ценные идеи.

Извлечено → Процитировано → Доверено

Поиск, осуществляемый с помощью ИИ, работает очень похоже на традиционные поисковые системы – он включает в себя процесс обнаружения контента, его организации и определения его релевантности запросу пользователя.

  1. Системы поиска определяют, какие страницы попадают в набор кандидатов.
  2. Пользователи решают, какому цитированию доверять и действовать в соответствии с ним.

Оговорки:

  1. Многие рекомендации тесно перекликаются с общепринятыми лучшими практиками SEO. Те же тактики, новая игра.
  2. Я не претендую на то, чтобы предоставить исчерпывающий список всего, что работает.
  3. Спорные факторы, такие как schema или llms.txt, не включены.

Рассмотрение: Попадание в пул кандидатов

Прежде чем информация сможет быть использована системой, её необходимо быстро найти посредством поиска. Это означает, что её нужно собрать, организовать и сделать легкодоступной всего за несколько миллисекунд.

Факторы, определяющие рассмотрение, следующие:

  • Коэффициент выбора и первичная предвзятость.
  • Время ответа сервера.
  • Релевантность метаданных.
  • Товары (в электронной коммерции).

1. Показатель выбора и основная предвзятость

  • Определение: Первичная предвзятость измеряет ассоциации бренда и атрибутов, которые модель имеет до получения результатов живого поиска. Показатель выбора измеряет, как часто модель выбирает ваш контент из пула извлеченных кандидатов.
  • Почему это важно: LLM предвзяты данными обучения. Модели разрабатывают оценки достоверности для связей между брендом и атрибутами (например, «дешёвый», «прочный», «быстрый») независимо от поиска в реальном времени. Эти предварительные ассоциации влияют на вероятность цитирования, даже когда ваш контент попадает в пул кандидатов.
  • Цель: Понять, какие атрибуты модель ассоциирует с вашим брендом и насколько она уверена в вашем бренде как в сущности. Систематически укрепляйте эти ассоциации с помощью целевых кампаний на странице и вне страницы.

2. Время ответа сервера

3. Актуальность метаданных

  • Определение: Теги заголовков, мета-описания и структура URL, которые LLM анализируют при оценке релевантности страницы во время живого поиска.
  • Почему это важно: Прежде чем выбрать контент для формирования ответов ИИ, LLM анализируют заголовки на предмет тематической релевантности, описания как резюме документов и URL-адреса как подсказки для релевантности и достоверности страницы.
  • Цель: Включать целевые концепции в заголовки и описания (!) для соответствия языку запроса пользователя. Создавать URL, описывающие ключевые слова, возможно, даже включая текущий год, чтобы указать на актуальность.

4. Доступность товарного потока (Электронная коммерция)

  • Определение: Структурированные каталоги продуктов, отправляемые непосредственно на LLM-платформы с данными об остатках, ценах и атрибутах в режиме реального времени.
  • Почему это важно: Прямые каналы обхода традиционных ограничений поиска и позволяют LLM отвечать на транзакционные запросы о покупках («где я могу купить», «лучшая цена на») с точной и актуальной информацией.
  • Цель: Отправьте товарные фиды, контролируемые продавцом, в программу для продавцов ChatGPT (chatgpt.com/merchants) в формате JSON, CSV, TSV или XML с полными атрибутами (название, цена, изображения, отзывы, наличие, характеристики). Реализуйте ACP (Agentic Commerce Protocol) для агентных покупок.

Актуальность: Быть выбранным для цитирования

  • 24% ответов ChatGPT (4o) генерируются без явного получения какого-либо онлайн-контента.
  • Gemini предоставляет некликабельные цитаты в 92% ответов.
  • Perplexity посещает около 10 релевантных страниц по каждому запросу, но цитирует только три-четыре.

5. Структура контента

  • Определение: Семантическая HTML-иерархия, элементы форматирования (таблицы, списки, FAQ) и плотность фактов, которые делают страницы машиночитаемыми.
  • Почему это важно: LLM извлекают и цитируют конкретные отрывки. Чёткая структура облегчает разбор и извлечение информации со страниц. Поскольку запросы в среднем в 5 раз длиннее ключевых слов, структурированный контент, отвечающий на многокомпонентные вопросы, превосходит страницы с одним ключевым словом.
  • Цель: Использовать семантический HTML с чёткой иерархией H-тегов, таблицы для сравнений и списки для перечислений. Увеличить плотность фактов и концепций, чтобы максимизировать вероятность внесения фрагментов.

6. Охват разделом FAQ

  • Определение: Разделы вопросов и ответов, которые отражают разговорный стиль, используемый пользователями в запросах к LLM.
  • Почему это важно: Форматы часто задаваемых вопросов (FAQ) соответствуют тому, как пользователи формулируют запросы к большим языковым моделям (LLM) («Как мне…,» «В чём разница между…»). Это структурное и лингвистическое соответствие увеличивает вероятность цитирования и упоминания по сравнению с контентом, оптимизированным по ключевым словам.
  • Цель: Создавать библиотеки часто задаваемых вопросов на основе реальных вопросов клиентов (обращения в службу поддержки, звонки отдела продаж, форумы сообщества), которые отражают возникающие шаблоны запросов. Отслеживать актуальность часто задаваемых вопросов с помощью схемы lastReviewed или DateModified.

7. Свежесть контента

  • Определение: Актуальность обновлений контента, измеряемая метками времени «последнего обновления» и фактическими изменениями контента.
  • Цель: Обновить контент за последние три месяца для достижения максимальной производительности. Более 70% страниц, на которые ссылается ChatGPT, были обновлены в течение 12 месяцев, но контент, обновленный в последние три месяца, показывает наилучшие результаты по всем запросам.

8. Упоминания третьих сторон («Webutation»)

9. Позиция в органической выдаче

Выбор пользователя: Заслужить доверие и действие.

Поскольку поиск на основе ИИ предоставляет прямой ответ вместо списка вариантов, построение доверия чрезвычайно важно. Сосредоточение внимания на надёжности похоже на стремление заставить людей нажимать на результаты поиска, но это более сложный процесс, требующий больше времени для оценки.

10. Подтвержденный опыт

  • Определение: Видимые подтверждения квалификации, сертификаты, авторство и проверяемые доказательства, устанавливающие авторитет автора и бренда.
  • Почему это важно: Поиск на основе ИИ предоставляет единые ответы, а не ранжированные списки. Пользователям, которые переходят по ссылкам, требуются более сильные сигналы доверия, прежде чем предпринимать какие-либо действия, поскольку они проверяют окончательное утверждение.
  • Цель: Чётко отображать данные об авторе, отраслевые сертификаты и подтверждаемые доказательства (логотипы клиентов, показатели из тематических исследований, результаты сторонних тестов, награды). Подкреплять маркетинговые заявления доказательствами.

11. Присутствие пользовательского контента

От Выбора к Убеждению

Механики отличаются от SEO начала 2000-х:

  • Окна извлечения заменяют бюджеты сканирования.
  • Коэффициент выбора заменяет PageRank.
  • Стороннее подтверждение заменяет якорный текст.

Основная цель не изменилась: сделать так, чтобы ваш контент был виден, когда люди что-то ищут. Хотя стандартная SEO по-прежнему важна, чтобы быть замеченным поисковыми системами на базе искусственного интеллекта, требуется новый подход к созданию контента.

  • Покрытие разговорных запросов имеет большее значение, чем ранжирование по ключевым словам.
  • Внешняя валидация имеет большее значение, чем принадлежащий контент.
  • Структура имеет большее значение, чем плотность ключевых слов.

Компании, которые активно разрабатывают планы постоянного улучшения, увидят растущие преимущества по мере того, как всё больше людей будут использовать инструменты на базе искусственного интеллекта. Переход от простых результатов поиска к прямым ответам является постоянным.

Смотрите также

2026-01-06 18:10

Контент, сгенерированный ИИ, не является проблемой, проблема в вашей стратегии.

Многие лидеры в области маркетинга начинают задаваться вопросом: если искусственный интеллект теперь может писать контент, зачем продолжать нанимать авторов? Это привлекательная мысль – авторы стоят дорого и требуют много времени. Разве не было бы эффективнее и экономичнее использовать ИИ для создания контента и повышения производительности?

Неудивительно, что компании по всему миру стремятся сократить расходы. После нескольких лет роста цен, повышения процентных ставок и проблем с поставками организации пытаются сэкономить деньги любыми способами. Раньше это называли ‘сокращением затрат’, а сейчас финансовые лидеры часто используют термин ‘трансформация затрат’, но по сути это означает то же самое: поиск способов тратить меньше.

Маркетинговые бюджеты определенно сокращаются. В 2020 году компании обычно тратили 11% своей выручки на маркетинг. К 2023 году эта цифра упала до 9.1%, а теперь, в 2024 году, она составляет в среднем 7.7%.

Вероятно, некоторые компании сократили штат и бюджеты, полагая, что ИИ может выполнять работу больших команд. Мы уже видим значительное сокращение штата контент-команд, с идеей о том, что для написания эффективных запросов для ИИ требуется лишь несколько человек. Однако недавнее исследование Gartner показывает, что 59% руководителей маркетинга на самом деле не имеют финансирования для достижения своих целей на следующий год, что говорит о том, что это предположение не является универсально верным.

Другие организации, однако, полностью избегают использования ИИ с их контентом. Это часто связано с опасениями по поводу поддержания качества, защиты данных пользователей или общей сложности систем ИИ. Некоторые также считают, что ИИ — это всего лишь временная тенденция и не хотят инвестировать во что-то, что может быстро устареть.

Обе стороны в этой дискуссии, вероятно, считают, что действуют разумно и финансово ответственно в своем подходе к AI. Однако, они оба ошибаются. AI не обязательно является ответом, но и не является чем-то, чего следует бояться. Это не является основной проблемой сама по себе.

Топор Бичинга

Известный философ Джордж Сантаяна однажды сказал, что если мы не учимся на ошибках истории, то обречены повторять их снова. Эта мысль приводит меня к истории с предупреждением.

В 1960-х годах British Railways (которые позже стали British Rail) приняли очень разрушительное решение. Столкнувшись со значительными финансовыми потерями, правительство назначило доктора Ричарда Бичинга – учёного из ICI, не имеющего опыта в сфере транспорта – руководителем British Transport Commission. Его задачей было сокращение расходов и обеспечение прибыльности железнодорожной системы.

Бичинг предложил простое решение проблемы убытков железных дорог: закрыть любой маршрут, который не приносил прибыли. Он определял это, рассматривая пассажиропоток и затраты каждого маршрута отдельно. В период с 1963 по 1970 год его сокращения привели к закрытию 2363 железнодорожных станций и более 5000 миль железнодорожных путей – около 30% всей сети. Это также привело к потере 67 700 рабочих мест.

Через годы страна инвестирует миллиарды для восстановления многих железнодорожных линий, которые ранее были закрыты. Стало ясно, что эти линии, когда-то считавшиеся нерентабельными, на самом деле были необходимы как для всей железнодорожной системы, так и для обслуживаемых ими населённых пунктов – преимущества, которые были упущены из виду чиновниками, принявшими первоначальные сокращения.

Я делюсь этим, потому что многие компании в настоящее время производят аналогичные сокращения, как те, что наблюдались при Beeching cuts – сокращая услуги и операции.

Ловушка, основанная на данных

Важно понимать разницу между простым использованием данных для направления решений и настоящей осведомленностью, основанной на данных. Неспособность уловить эту разницу может привести к провальной контент-стратегии, подобно крупной неудаче в прошлом.

Основываться исключительно на данных может быть вводи́ть в заблуждение. Легко заметить тренд и предположить, что он является полным и точным отражением реальности, что приводит к быстрым решениям. Например, простое замечание того, что AI может создавать контент дешевле, не означает автоматически, что мы должны устранить наших человеческих авторов.

Принятие решений на основе данных означает выход за рамки цифр, чтобы понять причины тенденций, определить, какая информация отсутствует, и тщательно проверить свои предположения. Вместо того, чтобы просто принимать решения *на основе* данных, оно использует данные для *начала* расследования. Например, вместо того, чтобы просто смотреть на эффективность контента, вы можете спросить: «Какие аспекты ценности не отражены в этих данных? Что произойдет с успехом нашего контента, если мы будем использовать AI-писателей, особенно если наши конкуренты делают то же самое?»

ChatGPT не создаст автоматически уникальную и отличную статью в блог для вас – он предоставляет одинаковый базовый контент всем. Чтобы действительно выделить её, вам нужно добавить свои собственные личные идеи и опыт.

Нет никакого конкурентного преимущества от полагания только на контент, сгенерированный ИИ. Никакого.

Искусственный интеллект может помочь в создании контента, но этого недостаточно сам по себе. Чтобы действительно быть замеченным в интернете, ваш контент должен быть намного лучше того, что может создать ИИ – он должен действительно выделяться на фоне всего шума.

Многие организации признают важность контента, но, что удивительно, многие лидеры не до конца понимают, *почему* это так важно, или что на самом деле включает в себя успешная контент-стратегия.

Контент – это не затраты, а инфраструктура.

Как цифровой маркетолог, я часто раздражаюсь, когда люди предполагают, что маркетинговый контент – это ‘лёгкое письмо’. На самом деле, это, пожалуй, *самая* сложная задача. Каждый элемент, который мы создаём – от постов в блоге и электронных книг до обновлений в LinkedIn, брошюр и целевых страниц – должен делать гораздо больше, чем просто хорошо звучать. Ему необходимо достигать очень конкретного набора стратегических целей, что добавляет совершенно иной уровень сложности.

Отличный контент делает больше, чем просто информирует. Он должен быть хорошо изучен и точен, но также служить цели – например, привлекать людей, строить отношения с потенциальными клиентами или превращать их в покупателей. Важно, чтобы он последовательно отражал сообщение вашего бренда на протяжении всего пути клиента.

Как цифровой маркетолог, я всегда сосредотачиваюсь на создании контента, который действительно *работает*. Для меня это означает построение доверия и утверждение нас в качестве экспертов в своей области. Это должен быть контент, который люди запоминают, что-то, что выделяет нас среди конкурентов. Конечно, нам нужно оптимизировать для поисковых систем – попадать по нужным ключевым словам и темам – но никогда не за счет удержания внимания нашей аудитории. Давайте будем честны, люди быстро уходят! В идеале, я также стремлюсь включать эти маленькие факторы ‘вау’ – убедительную цитату или удивительную статистику – которые привлекают внимание, когда мы делимся контентом в социальных сетях.

Инструменты искусственного интеллекта, такие как ChatGPT и Claude, отлично справляются с написанием убедительного текста, но они не могут заменить опытного создателя контента. Даже при подробных инструкциях, они, скорее всего, не достигнут желаемого результата, поскольку по сути они ремикшируют существующую информацию, а не создают действительно оригинальные работы. Вы всегда найдете что-то, чего не хватает.

Чтобы ваш бренд выделялся в результатах поиска на основе искусственного интеллекта, ваш контент должен быть уникальным и предлагать информацию, которая не является легкодоступной где-либо ещё.

Ограничения Онлайн-Знаний

Хотя может показаться иначе, искусственный интеллект на самом деле не *думает*. Он не может по-настоящему понимать вещи или рассуждать над проблемами так, как это делают люди, и он не может воображать или создавать новые идеи. Мы часто используем такие слова, как ‘think’ и ‘understand’ для описания того, что делает ИИ, но это может быть вводит в заблуждение и создавать нереалистичные ожидания.

Как SEO-эксперт, я часто получаю вопросы об AI и его базе знаний. Важно понимать, что AI может работать только с информацией, которая уже находится в открытом доступе и доступна посредством веб-краулинга. Мы склонны представлять, что интернет содержит *все* ответы, но правда в том, что это удивительно ограниченный снимок всех человеческих знаний. Он далеко не такой всеобъемлющий, как многие полагают.

Множество ценной информации в мире нелегко найти в интернете или в базах данных. Например, ИИ может помочь вам найти рынок коллекционных предметов, но он не может сказать, есть ли там конкретный, редкий экземпляр. Такой уровень детализации часто требует самостоятельного поиска и обнаружения, как, например, перебирание коробок на рынке.

Искусственный интеллект преуспевает в предоставлении информации из хорошо документированных источников, таких как факты о Первой мировой войне. Однако он часто упускает детали из местной или культурной истории, передаваемой через устные предания. Например, ИИ может мало знать об иранском голоде во время Первой мировой войны, потому что эта информация не широко доступна в основных исторических книгах. Моё понимание этого голода на самом деле исходит из личных историй, которыми моя прабабушка поделилась с моей матерью, а затем со мной — историй о том, как ей иногда доставался всего лишь один миндаль, чтобы съесть за день. Эти важные переживания обычно не встречаются в письменных источниках.

Но хотя ИИ не может думать за вас, он все же может помочь во многих других отношениях.

Вам всё ещё нужен мозг за ботом.

Откровенно говоря, я и моя команда ежедневно используем ИИ, и я считаю, что вам тоже стоит его изучить. Реальная проблема заключается не в самом ИИ, а в его использовании просто как способе сократить расходы или повысить эффективность. Это касается не только маркетинговых отделов, надеющихся на эти преимущества – другая отрасль уже усвоила, что ИИ не заменяет существующие процессы.

Недавний опрос, проведенный Australian Financial Review (AFR), показал, что большинство юридических фирм сейчас используют инструменты ИИ. Интересно, что вместо сокращения рабочих мест 70% этих фирм фактически наняли *больше* юристов. Эти дополнительные юристы необходимы для проверки, рецензирования и утверждения работы, созданной ИИ.

Это не признак того, что их планы в области ИИ проваливаются. Цель не состояла в том, чтобы увольнять людей. Вместо этого они используют ИИ – такие инструменты для исследований, написания текстов и управления документами – чтобы помочь сотрудникам сосредоточиться на более важной, стратегической работе, которая действительно влияет на бизнес.

Искусственный интеллект не предназначен для замены творческих профессионалов, таких как писатели и дизайнеры. Вместо этого, это инструмент, который может помочь им работать более эффективно, беря на себя повторяющиеся задачи, освобождая их для сосредоточения на более важной и интересной работе.

  • Обобщение сложной информации.
  • Транскрибирование интервью.
  • Создание контуров.
  • Разработка связанного контента, такого как публикации в социальных сетях.
  • Проверка вашего контента на соответствие фирменному стилю для выявления несоответствий.

Некоторые писатели начинают использовать ИИ, чтобы помочь им преодолеть писательский блок и создать первоначальные черновики. Однако важно помнить, что текст, сгенерированный ИИ, — это всего лишь основа, которую необходимо значительно отредактировать и доработать, чтобы получить отшлифованный, законченный продукт.

Эти инструменты экономят много времени создателям контента, позволяя им сосредоточить свою энергию на более творческих и стратегических задачах, которые пока что не очень хорошо даются ИИ.

Искусственный интеллект генерирует контент, комбинируя информацию, которую ему уже предоставили. Он не может фактически создавать по-настоящему новые идеи или знания. В отличие от человека, он не может общаться с экспертами, чтобы получить уникальные идеи, или использовать личный опыт, чтобы контент казался оригинальным и подлинным.

Искусственные интеллектные системы могут содержать скрытые предубеждения в своей программной основе, что может непреднамеренно изменить смысл вашего контента или сообщений. Это часто происходит потому, что большинство ИИ обучаются на данных, преимущественно на английском языке, что приводит к предпочтению определенных языков и культур. Эти тонкие ошибки или искажения бывает трудно обнаружить без тщательной проверки со стороны человека, хорошо разбирающегося в ИИ.

Искусственный интеллект может ускорить процесс, но для разработки идей и создания реальной работы все еще нужны талантливые и опытные люди.

Ты не знаешь, что у тебя есть, пока это не исчезнет.

До 1969 года железнодорожная линия, соединяющая Эдинбург и Карлайл, была жизненно важным транспортным маршрутом для Шотландских пограничных земель. Хотя сообщения указывали на то, что линия не приносила прибыли – основываясь на довольно базовой оценке – её закрытие имело значительные негативные последствия. Людям стало труднее добираться до работы, школы и получать доступ к необходимым услугам, и туризм пострадал. Перевод пассажиров на автобусы и автомобили также оказал дополнительное давление на эти транспортные системы.

Хотя Бичинг и рассматривал конкретную проблему, его действия в конечном итоге нанесли вред общей цели British Railways, которая заключалась в том, чтобы обеспечить легкие путешествия для всех в Великобритании. Он фактически не решил лежащие в основе проблемы, а просто переместил их – и связанные с ними затраты – в другие области.

В 2015 году часть оригинального маршрута была возвращена в эксплуатацию как The Borders Railway. Восстановление всего 30 миль пути и строительство семи станций стоило около 300 миллионов фунтов стерлингов.

Сокращения Бичинга служат предостережением против оценки инфраструктуры — или даже контент-стратегии — исключительно на основе немедленной финансовой выгоды. Это показывает опасность сосредоточения только на краткосрочной прибыли.

Компании, заменяющие сотрудников искусственным интеллектом, могут пожалеть об этом в будущем, поскольку восстановить команду после её расформирования сложно. Замена человеческих авторов на ИИ может ослабить основные элементы, которые делают контент успешным с течением времени – такие вещи, как достоверность, понимание, тонкий смысл, доверие клиентов и последовательный голос бренда.

Квалифицированные создатели контента не задержатся, если компании не признают, насколько они ценны. Если многие уйдут, и будет меньше возможностей для новых создателей учиться и развиваться, мы можем увидеть значительное снижение числа талантливых профессионалов в этой области.

Подобно закрытию железнодорожных линий в результате сокращений Бичинга, сокращение вашей контент-команды сейчас, вероятно, обойдется вам дороже в будущем. Это особенно верно, если учесть время, которое потребуется для повторного создания эффективного контента, и плохие результаты, которые вы, скорее всего, увидите в это время.

Знайте, что вы рубите, прежде чем замахнуться топором.

Ваша таблица показывает, что ИИ может снизить затраты на производство контента. Однако, успешная контент-стратегия – это не только публикация большего количества контента за меньшие деньги. Простое создание *любого* контента будет недостаточно.

Не попадайте в ‘ловушку Бичинга’ – ошибку оценки контента исключительно на основе немедленной финансовой отдачи. Ваш контент может *казаться* нерентабельным, основываясь на текущих измерениях, но эти метрики могут не показывать все способы, которыми он фактически стратегически приносит пользу вашему бизнесу.

Не рассматривайте контент просто как расход. Это на самом деле основа, которая помогает людям найти ваш бренд, и это еще более важно сейчас, с ростом искусственного интеллекта.

Речь не идет о противопоставлении контента, созданного человеком, контенту, сгенерированному ИИ. Речь идет о предоставлении талантливым личностям ресурсов, необходимых для создания высококачественных работ, которые люди могут находить, использовать в качестве справочных материалов и на которые могут положиться.

Прежде чем прибегать к глубоким сокращениям, подумайте вот о чем: вы устраняете ненужные расходы или подрываете основы того, что делает ваш бренд известным и заслуживающим доверия?

Смотрите также

2026-01-06 15:43

Прорыв в системе рекомендаций Google обнаруживает семантический смысл.

Компания Google недавно опубликовала исследование, в котором подробно описан новый способ улучшения интерпретации пользовательских намерений системами рекомендаций. Исследование направлено на преодоление ограничений текущих систем, позволяя им лучше понимать конкретные предпочтения каждого пользователя в отношении таких вещей, как статьи, музыка или видео.

Персонализированная Семантика

Рекомендательные системы предлагают вещи, которые могут понравиться пользователям, например, что почитать или посмотреть. Популярные примеры включают YouTube, Google Discover и Google News, которые все предлагают контент. Эти системы также работают для покупок, помогая вам найти продукты, которые могут вам понравиться.

Рекомендательные системы изучают ваши предпочтения, отслеживая такие вещи, как ваши клики, оценки, покупки и историю просмотров. Затем они используют эту информацию, чтобы предложить контент, который вам может понравиться.

Как SEO-эксперт, я часто вижу данные, которые называют «примитивной обратной связью от пользователей». Что это на самом деле означает, так это то, что они не очень хорошо понимают, *почему* кому-то что-то нравится. Такие вещи, как простые клики, не говорят нам, нашёл ли пользователь что-то по-настоящему забавным, милым или интересным – они просто показывают, что он отреагировал. Это отправная точка, но нам нужны более тонкие сигналы, чтобы действительно персонализировать рекомендации и понимать предпочтения пользователей.

Это исследование изучает, как большие языковые модели могут улучшить понимание потребностей пользователей, анализируя смысл, стоящий за их запросами на естественном языке. По сути, оно направлено на то, чтобы выяснить, *что* хотят пользователи, а не только *как* они это говорят.

Традиционные системы рекомендаций полагаются на простую обратную связь, такую как клики или оценки, что может быть ограничивающим фактором. Интерактивные системы рекомендаций – это новый подход, который позволяет пользователям более подробно выражать свои желания – используя естественный язык, конкретные требования или даже разговор – чтобы получать более качественные рекомендации.

Необходимы дальнейшие исследования, чтобы определить наилучшие методы использования этой обратной связи от пользователей. Ключевая сложность заключается в понимании того, что пользователь *имеет в виду* по своим описаниям того, чего он хочет, особенно когда он использует общие термины. Это понимание имеет решающее значение для систем рекомендаций, стремящихся естественно реагировать на то, как люди выражают свои потребности на повседневном языке, и улучшать результаты поиска.

The Soft Attributes Challenge

Как SEO-эксперт, я часто задумываюсь о том, как работают рекомендательные системы, и недавно наткнулся на интересные исследования. Они обнаружили, что этим системам легко обрабатывать «жёсткие» атрибуты – такие вещи, как жанр, исполнитель или режиссёр, потому что они фактические и легко определяются. Настоящая же сложность заключается в «мягких» атрибутах – вещах, которые субъективны, таких как «настроение» или «тон». Трудно надёжно сопоставлять такие качества с конкретными фильмами, контентом или продуктами, потому что каждый воспринимает их по-разному.

В исследовательской работе указаны следующие характеристики мягких атрибутов:

  • Сами атрибуты могут иметь неточные интерпретации
  • И они могут быть субъективными по своей природе (то есть разные пользователи могут интерпретировать их по-разному)

Эта исследовательская работа под названием «Открытие персонализированной семантики для мягких атрибутов в рекомендательных системах с использованием векторов активации концепций» рассматривает проблему понимания и работы с «мягкими атрибутами» — качествами, которые являются субъективными или открыты для интерпретации.

Новое использование векторов активации концепций (CAVs)

Векторы активации концепций, или CAV, помогают нам понять, как ИИ-модели ‘думают’, раскрывая внутренние математические закономерности, которые они используют. По сути, они позволяют нам связать эти закономерности с реальными концепциями таким образом, чтобы люди могли их понять.

Традиционно, проверка разговорного ИИ (CAV) фокусируется на понимании того, как работают модели ИИ. Эти исследователи перевернули этот подход, стремясь вместо этого понять *пользователей*. Они переводят такие вещи, как личные предпочтения и чувства, в данные, которые могут использовать рекомендательные системы. Сосредоточившись на пользователях, они создали систему, которая помогает ИИ лучше понимать, чего на самом деле хотят люди – даже когда это не указано явно – и адаптировать рекомендации к каждому конкретному человеку.

Мы показываем, что наш метод эффективно понимает, что имеют в виду пользователи, даже когда это не указано явно, и также может улучшить рекомендации, позволяя пользователям давать обратную связь по элементам.

Как SEO-эксперт, я очень рад тому, как развиваются AI-модели. Теперь они способны понимать, что слова, такие как ‘funny’, могут иметь разные значения для разных людей. Это огромно, потому что это означает, что рекомендации могут стать гораздо более персонализированными и релевантными, в конечном итоге приводя к повышению вовлеченности пользователей и, да, к улучшению позиций в поисковой выдаче!

Исследователи работают над преодолением разрыва между тем, как люди естественно выражают свои предпочтения, и тем, как системы рекомендаций интерпретируют эти предпочтения.

Люди мыслят концепциями, используя расплывчатые или субъективные описания (называемые мягкими атрибутами).

Рекомендательные системы используют математические вычисления для работы. Они представляют информацию в виде списков чисел и функционируют в сложной многомерной системе, чтобы делать предложения.

Задача заключается в том, чтобы уточнить устные запросы, не прибегая к полной переработке или переобучению системы рекомендаций для понимания каждой мелочи. Автомобили разговорного ИИ справляются с этой сложной задачей.

Мы определяем значение общих описаний атрибутов, используя то, что система рекомендаций уже узнала о пользователях и элементах.

Эта система рекомендаций фокусируется исключительно на предсказании того, какие предметы понравятся пользователям, а не на попытках предсказать дополнительные детали, такие как теги. Добавление этой дополнительной информации обычно не улучшает рекомендации.

Как вебмастер, я нашёл способ действительно точно определить, что нужно пользователям. Мой подход позволяет мне тестировать, какие тонкие качества – такие вещи, как стиль или тон – действительно влияют на то, что предпочитают люди. Это означает, что я могу сосредоточиться на *самых* важных атрибутах, когда пытаюсь понять цели пользователя, будь то объяснение того, почему я что-то порекомендовал, выяснение того, что ему нравится, или даже запрос обратной связи.

Возможно научить компьютеры значению описательных характеристик, или тегов, используя только небольшое количество обучающих данных, подобно тому, как работают предварительное обучение и обучение с небольшим количеством примеров.

«На высоком уровне, наш подход работает следующим образом. Мы предполагаем, что нам дано:

Это включает в себя рекомендательную модель – как вероятностная матричная факторизация или двойной кодировщик – которая представляет как элементы, так и пользователей как точки в скрытом, многомерном пространстве, используя закономерности из того, как пользователи оценивали элементы.

Ограниченное количество тегов, или описательных меток, предоставленных некоторыми пользователями для описания определенных элементов.

Наш подход определяет, насколько каждый элемент связан с определенной характеристикой, помогая нам понять, что эта характеристика означает для системы. Мы достигаем этого, используя технику, называемую векторами активации концепций (CAV) – изначально разработанную для понимания того, как работают модели машинного обучения – чтобы увидеть, действительно ли наша рекомендательная система научилась распознавать эту характеристику.

Отображая эту характеристику в концептуальное пространство, мы можем понять ее значение в различных контекстах и применить это понимание как к элементам, так и к пользователям. Этот метод также показывает, как личные мнения влияют на интерпретацию характеристики – понимают ли разные люди тег или атрибут по-разному. Понимание этих персонализированных значений имеет решающее значение для точного определения того, что пользователь действительно хочет или предпочитает.

Работает ли эта система?

Ключевым открытием стало то, что при тестировании с искусственной меткой (используя нечётные годы) точность системы была лишь немного лучше, чем случайная. Это подтвердило их идею о том, что подключенные автономные транспортные средства (CAVs) могут помочь определить предпочтения или связанные характеристики.

Исследователи обнаружили, что включение Разговорных Агентов (CAV) в системы рекомендаций помогло им лучше понять, как пользователи предоставляют обратную связь, и в конечном итоге улучшило производительность этих систем.

Сначала система определяет наиболее важные характеристики для формирования рекомендаций, анализируя взаимодействие пользователей с элементами и друг с другом.

(ii) разграничение объективного и субъективного использования тегов;

(iii) определение персонализированной, специфичной для пользователя семантики для субъективных атрибутов; и

Это предполагает установление связи между тем, как описываются характеристики, и тем, что предпочитают люди, что позволяет взаимодействовать с системами, используя общие характеристики или теги – например, при предоставлении обратной связи или выражении своих предпочтений.

Исследователи обнаружили, что их метод хорошо работает при рекомендации товаров, основанной на менее очевидных качествах. Они планируют изучить, может ли этот же подход улучшить рекомендации продуктов, которые обычно фокусируются на конкретных функциях, также учитывая более тонкие характеристики.

Основные выводы

Недавно я наткнулся на исследовательскую работу, опубликованную в 2024 году, и, честно говоря, потребовались некоторые усилия, чтобы ее найти. Возможно, поэтому она не получила особого внимания в мире поискового маркетинга – сложно обсуждать то, что люди не могут легко найти!

Google воплотил эту идею в жизнь, протестировав её с WALS, что расшифровывается как Weighted Alternating Least Squares. WALS — это реальный алгоритм, используемый в продукте Google Cloud, который помогает разработчикам.

Две заметки в сноске и в приложении объясняют:

Алгоритмы коллаборативной фильтрации (CAVs), используемые с набором данных MovieLens20M и линейными признаками, полагаются на внедрения, созданные с помощью внутреннего, проприетарного процесса (WALS), которым мы не можем поделиться.

Мы обучили линейные внедрения, используя внутреннюю производственную систему (подробности в Приложении A.3.1), но, к сожалению, мы не можем поделиться этим кодом публично.

Как цифровой маркетолог, я часто имею дело с технологиями, лежащими в основе рекомендаций. Когда мы говорим о ‘production code’ здесь, в Google Cloud, мы имеем в виду программное обеспечение, которое *фактически* работает и обслуживает наших пользователей. Это не ядро чего-то вроде Google Discover, но это важно, поскольку демонстрирует, насколько плавно эту технологию можно добавить к системам, которые у нас уже есть. Речь идет о бесшовной интеграции, которая является ключевым фактором для улучшения пользовательского опыта.

Система оценивалась с использованием общедоступного набора данных MovieLens20M, который содержит 20 миллионов оценок фильмов. Некоторые тесты также сравнивали её производительность с рекомендательной системой WALS от Google. Эти результаты позволяют предположить, что код может быть реализован в реальном приложении без необходимости дополнительного обучения или корректировок.

Это исследование показывает, что рекомендательные системы могут извлечь выгоду из использования информации о менее осязаемых качествах, таких как предпочтения пользователя. Google Discover, который Google считает частью своей поисковой системы, использует историю поиска для предложения контента. Хотя Google этого и не подтвердил, многообещающие результаты этого исследования позволяют предположить, что они могут использовать аналогичный подход для улучшения своих рекомендаций. Если это так, это может означать, что Google лучше понимает и реагирует на то, что пользователи *имеют в виду*, а не только на то, что они ищут.

Эта исследовательская работа признает вклад из нескольких источников, причем большая часть (60%) приходится на Google Research. Amazon, Midjourney и Meta AI также внесли вклад в работу.

Это исследование изучает новый способ улучшения рекомендаций, понимая, что пользователи на самом деле имеют в виду, когда выражают предпочтения к таким вещам, как ‘уютный’ или ‘романтичный’ – качествам, которые открыты для интерпретации. В нем используется метод, называемый Concept Activation Vectors, для определения конкретных характеристик, которые движут этими субъективными предпочтениями, что позволяет системам рекомендаций предоставлять более индивидуальные и релевантные предложения.

Смотрите также

2026-01-06 14:12