Руководство по LLM не переносится так, как руководство по SEO.

от

Около двадцати лет специалисты по SEO работали, руководствуясь полезным принципом: советы от одной поисковой системы обычно применялись и к другим. Если Google подчеркивал важность карт сайта (sitemaps), то и Bing тоже. Аналогично, если Bing выделял преимущества структурированных данных, Google также признавал их. Это означало, что специалисты по SEO могли оптимизировать для Google с уверенностью, что их усилия также принесут пользу сайтам в других поисковых системах, и в большинстве случаев это подтверждалось. Это было не случайностью; это был результат значительного общего фундамента, который такие крупные поисковые системы, как Google и Bing, тщательно создавали вместе на протяжении двух десятилетий.

Купил акции на все деньги, а они упали? А Илон Маск снова написал твит? Знакомо. У нас тут клуб тех, кто пытается понять этот цирк и не сойти с ума.

Купить на падении (нет)

Большие языковые модели (LLM) от разных компаний — такие как Google, OpenAI и другие — все работают по-разному. Они учатся из разных источников информации, используют уникальные методы поиска данных и имеют свои собственные способы уточнения ответов. Из-за этого, советы от любого отдельного поставщика, даже Google о своей модели Gemini, — это лишь одна часть головоломки. SEO-специалистам, которые продолжают сосредотачиваться исключительно на рекомендациях одной платформы, есть риск упустить возможности с другими. Важно помнить, что каждая LLM работает независимо, поэтому оптимизация для одной не гарантирует успеха на всех из них.

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

Общие стандарты, которые сделали рекомендации по SEO переносимыми.

Разработка инструментов, помогающих людям ориентироваться в интернете, была не случайной – она произошла благодаря реальной командной работе. В 2006 году Google, Yahoo и Microsoft объединились для создания протокола Sitemaps, согласившись поддерживать стандартный формат информации о веб-сайтах. Пять лет спустя, в 2011 году, эти же компании, вместе с Yandex, запустили Schema.org – общий язык для организации данных на веб-страницах. Я помню, как присутствовал на объявлении, и то, что впечатлило меня тогда – и до сих пор впечатляет – это то, что эти конкурирующие поисковые системы поняли, что все они выиграют от единой, унифицированной системы. Это означало, что веб-разработчикам нужно было следовать только одному набору правил, веб стал более организованным, а поисковые системы получали более точную информацию. Это была победа для всех.

Похожая закономерность проявилась с robots.txt, набором рекомендаций, впервые установленных в 1994 году и формально задокументированных как RFC 9309 в 2022 году. Большинство хорошо ведущих себя веб-краулеров уже следовали этим рекомендациям. В последнее время Microsoft Bing и Yandex представили IndexNow в октябре 2021 года, и теперь он поддерживается несколькими поисковыми системами, включая Naver, Seznam и Yep. В то время как Google тестирует IndexNow с 2021 года, они еще не внедрили его полностью.

Причина, по которой советы Google казались надёжными, даже для тех, кто беспокоился о рейтингах Bing, заключалась в этом общем фундаменте. Хотя Google и Bing не использовали абсолютно одинаковые факторы ранжирования, они оба принимали один и тот же тип входных данных, следовали одним и тем же правилам и поддерживали одни и те же стандарты. Это означало, что оптимизация для одной поисковой системы создавала прочную основу для другой.

Где LLM на самом деле расходятся

Большие языковые модели не работают в рамках единой, унифицированной основы. Это не просто незначительные или краткосрочные различия; они фундаментальны для того, как эти системы проектируются и создаются.

Большие языковые модели обучаются с использованием огромных объёмов данных, и такие компании, как OpenAI и Google, выплачивают издателям за право использовать их контент. OpenAI заключила сделки с такими компаниями, как News Corp, Axel Springer и Reddit, на общую сумму в сотни миллионов долларов в течение нескольких лет. Google также заключила значительную сделку с Reddit для доступа к данным в режиме реального времени. Хотя эти сделки находятся в открытом доступе, Anthropic не раскрыла аналогичных соглашений. Отсутствие прозрачности означает, что те, кто разрабатывает приложения с использованием этих моделей, не могут быть уверены, за какие источники данных их поставщик действительно заплатил, а за какие нет. Важно отметить, что конкретные данные, используемые для обучения этих моделей, не являются статичными и постоянно обновляются.

AI-компании используют несколько веб-краулеров, также известных как боты, с разными целями. OpenAI управляет тремя: один для обучения своих моделей, один для поисковой индексации и один для ответа на запросы пользователей. Anthropic имеет аналогичную настройку с тремя ботами для обучения, поиска и взаимодействия с пользователями. Perplexity использует два. Google недавно представила нового бота, Google-Extended, специально для определения того, может ли Google использовать контент веб-сайтов для улучшения своей AI-модели Gemini – это отдельный от своего традиционного поискового бота, Googlebot. Поскольку боты каждой компании выполняют разные задачи, нет единого правила, которое владельцы веб-сайтов могли бы использовать для управления ими всеми. Правила для одного провайдера не обязательно работают для другого.

После обучения модели, решающий слой выравнивания формирует её поведение – то, что SEO не учитывает. Поставщики используют методы постобработки для контроля таких вещей, как тон модели, обработка чувствительных запросов, формат вывода, меры безопасности и то, что она считает полезным ответом. OpenAI использует обучение с подкреплением на основе обратной связи от человека (RLHF), где люди оценивают ответы модели, и модель учится улучшаться. Anthropic использует Constitutional AI, который обучает модели самооценке и совершенствованию их ответов на основе набора руководящих принципов. Эти различные методы приводят к заметно отличающимся результатам; даже с одной и той же информацией, две модели, выровненные с использованием этих методов, могут предоставить существенно разные ответы об одной и той же теме.

Когда рекомендации одного поставщика явно не удаются перенести.

Ярким примером руководства, которое пока не взлетело, является файл ‘llms.txt’. Предложенный в сентябре 2024 года Джереми Ховардом из Answer.AI, это простой текстовый файл, размещенный на веб-сайте, чтобы помочь моделям ИИ найти наиболее важную информацию. Идея быстро набрала популярность в мире SEO, такие компании, как Yoast, создали инструменты для создания файла, а агентства предлагают его как услугу. Это даже стало горячей темой на SEO-конференциях.

По состоянию на середину 2026 года, крупные компании, занимающиеся разработкой ИИ, такие как OpenAI, Anthropic и Google, не заявили о том, что используют файл /llms.txt. Фактически, анализ журналов веб-серверов сотен тысяч веб-сайтов показывает, что эти ИИ-системы вообще даже не запрашивают его. Джон Мюллер из Google сравнил этот файл с устаревшим мета-тегом keywords, а Гари Ильес подтвердил в июле 2025 года, что Google не поддерживает его и не планирует этого делать.

Я уже обсуждал детали этого ранее, поэтому не буду повторяться здесь. Главный вывод таков: Schema.org процветал, потому что Google, Bing и Yahoo! сотрудничали при его создании и последовательно использовали его. В отличие от этого, предложение Llms.txt исходило от одного исследователя, было принято некоторыми производителями инструментов, но в значительной степени проигнорировано основными платформами, которым оно должно было помочь. В отличие от мира SEO, где общие стандарты обеспечивали последовательное руководство, разработчики LLM лишены такой же поддержки. Это связано с тем, что платформы не работают вместе над созданием общих стандартов; вместо этого они создают свои собственные уникальные системы.

The Gemini Inversion

Яркий пример того, насколько непоследовательными стали советы по поисковой оптимизации, можно увидеть в самой Google. В течение двадцати лет индустрия полагалась на собственную SEO-документацию Google в Search Central, которая фокусируется на таких вещах, как сильный контент, техническое здоровье веб-сайта и то, насколько легко поисковым системам получать доступ к информации. Хотя этот совет по-прежнему полезен для Google Search, он не всегда отражает то, как Google на самом деле ранжирует веб-сайты сейчас.

Google создала Gemini, технологию ИИ, лежащую в основе таких функций, как AI Overviews и AI Mode от Google. Однако, способ, которым эти функции отображают источники, похоже, не следует тем же рекомендациям, которые Google использует для обычных результатов поиска.

Разница между AI Overviews от Google и его AI Mode становится еще более очевидной, когда вы рассматриваете, как они приходят к ответам. Хотя оба часто приходят к одним и тем же выводам (примерно в 86% случаев, согласно данным Semrush), они редко используют одни и те же источники – только примерно в 13,7% случаев. И, что удивительно, только 14% источников, цитируемых AI Mode, фактически появляются в топ-10 результатах обычного поиска Google.

Изменилось то, как Google ранжирует контент. Хотя следование официальным рекомендациям Google по SEO все еще работает для традиционных результатов поиска, это больше не гарантирует, что ваш контент будет представлен в его функциях на основе искусственного интеллекта, таких как AI Overviews или AI Mode. Теперь ваш контент может хорошо ранжироваться в поиске, но не в этих функциях искусственного интеллекта – даже если он находится на одном и том же веб-сайте и соответствует всем правильным SEO-практикам. Простое следование старым правилам SEO Google больше не приносит тех же преимуществ, которые оно приносило на всех платформах Google.

Что всё ещё портируется, и почему это меньше, чем кажется.

В отличие от старых времен SEO, привлечь внимание ИИ теперь стало гораздо более фрагментированным. Анализ более 118 000 ответов ИИ с таких платформ, как ChatGPT, Perplexity, Google AI и Claude, показал, что только 11% веб-сайтов последовательно упоминались на нескольких платформах. Подавляющее большинство (89%) были уникальны для одной платформы. Это означает, что бренд, упомянутый на Perplexity, может вообще не появиться на Claude, и частое упоминание в качестве источника для ChatGPT не гарантирует включение в Google’s AI Overviews. По сути, то, что работает для одной AI-системы, может не работать для другой.

Что это значит для работы.

Не отказывайтесь от больших языковых моделей, но и не полагайтесь исключительно на советы какого-либо одного поставщика. Вместо этого рассматривайте рекомендации от всех основных поставщиков как лишь один элемент головоломки. Регулярно тестируйте, как ваши системы работают на разных платформах, а не только на предпочитаемой вами. Ожидайте увидеть различия между платформами и рассматривайте согласованные результаты как редкие и достойные внимания.

SEO значительно меняется, и важно понимать, как именно. Ранее оптимизация для Google означала, что вы, как правило, будете хорошо ранжироваться везде. Теперь сосредоточение исключительно на советах какой-либо одной AI-модели – даже Google Gemini – скорее всего, оптимизирует ваш контент только для ограниченной части онлайн-мира, и вы можете упустить возможности в других местах. Это приводит к новому подходу, когда контент необходимо адаптировать для каждой конкретной платформы, что не было необходимо в традиционном SEO. Те, кто поймет этот сдвиг сейчас, станут лидерами в этой развивающейся области в течение следующих нескольких лет.

Перекрытие уменьшилось. Теперь у вас больше работы, чем когда-либо, для выполнения.

Если вы заметили значительные различия между поставщиками услуг в вашем собственном опыте, пожалуйста, свяжитесь со мной напрямую. Мне действительно интересно узнать, что показывают ваши данные.

Смотрите также

2026-05-21 16:43