ИИ для SEO: что можно отдать нейросети и где нужен человек

Нейросеть за минуты раскидает семантику по кластерам и набросает ТЗ по топу выдачи. На вопрос «почему просели позиции» она ответит так же быстро и уверенно — и назовёт причину, которой в данных нет. Поэтому разговор про ИИ для SEO я начинаю с того, что модель видит и чего не видит.

Я руковожу интернет-маркетингом hh.ru с мая 2024 года, а с 2025-го пишу инструменты для своей команды на Claude Code. Один из них — SEO-агент, которому в рабочем чате пишут вопрос словами, как коллеге, и получают разбор с таблицей замеров. Параллельно я меряю, как часто бренд появляется в ответах ChatGPT, Perplexity, Claude и Gemini, а Алису проверяю отчётом Вебмастера и вручную.

Что в SEO можно отдать нейросети

Нейросеть для SEO у нас работает только в связке с данными: выгрузками Яндекс Вебмастера и Google Search Console, частотностью Wordstat, снимком выдачи. Отключите источники, и модель продолжит писать уверенные рекомендации, только уже про средний сайт из обучающей выборки. Для меня AI SEO устроено так: модель подключена к данным, код проверяет каждый её ответ.

Главное правило я вывел из собственной ошибки. Любую метрику, по которой примут решение, считает формула в коде или SQL, а модель размечает входы и объясняет результат. Однажды мы дали модели самой «оценить» показатель: он красиво смотрелся на графике и гулял от прогона к прогону, при этом завышался. При проверке он оказался фейком. С тех пор работа поделена так:

Семантика и кластеры

Интент модель размечает хорошо. Условный запрос «купить робот-пылесос» она пометит коммерческим, «как выбрать робот-пылесос» — информационным, а кластеру даст внятное имя. Частотность она не знает и знать не может. Её приносит Wordstat.

Сами кластеры собирает код по механическому правилу: два запроса попадают в одну группу, если у них хотя бы три общих адреса в топ-10. Сбор ядра идёт фоновой задачей. У Wordstat квота на вызовы в час, снимок выдачи стоит денег, и ждать результат в чате бессмысленно. Сбор частотности под эту квоту я показывал в кейсе про поисковый спрос.

ТЗ на статью по топу выдачи

Под техническое задание код скачивает страницы из топа и вынимает из них цифры. Целевой объём — медиана по первой тройке. Подтема попадает в задание, если есть хотя бы у двух конкурентов: то, что встречается у одного, скорее личный приём автора. Обязательные вхождения идут с местом в структуре, а если наша страница уже в топ-3, в задании появляется блок «не трогать».

План H2 и формулировки пишет модель, тут она сильна. Готовое ТЗ передаётся в контент-завод, где редактор вычёркивает то, что перекочевало из топа по инерции, и дописывает опыт, которого у конкурентов нет.

Мета-теги

ChatGPT для SEO чаще всего зовут писать title и description, и для модели это честная задача: текст короткий, ошибку видно глазами. Проверяет всё равно код. Стоит ли главный запрос в title (сравниваются основы слов, подстрока не годится), укладывается ли description в ориентир 150–160 знаков (выдача режет и его по ширине), не появились ли числа, которых модели никто не давал. При нарушении модель получает перечень ошибок и одну попытку, дальше подставляется шаблон. Title в выдаче, кстати, режется по пиксельной ширине строки, так что «ровно 60 знаков» ничего не гарантирует.

Перед массовым прогоном по сотням страниц промт проходит пробу на трёх–пяти живых записях, и ответы я читаю сам. Привычка пришла с соседней задачи, где проба на четырёх постах нашла два дефекта. Модель вопреки прямому запрету разглядела нужную тему в посте про аренду квартир. А у половины источников в базе текста не было вовсе, лишь анонс на 130–300 знаков, и прогон по всей базе насочинял бы ответов по одним заголовкам.

Выгрузки Вебмастера и Search Console

Объяснить выгрузку модель может: где упали показы, где CTR ниже обычного для такой позиции. Границ данных она не видит. Наш агент однажды получил первую сотню строк и уверенно заключил, что детализации по запросам источник не даёт. С тех пор ответ каждого инструмента несёт паспорт выборки: сколько всего строк у источника, сколько из них показано, обрезано ли и почему, на какое число срез. Коротко — «показано N из M». Писать «данных нет» агенту разрешено только при пустой выборке.

Родственная грабля — база, которая через API отдаёт не больше 1000 строк на запрос, даже если попросить 10 000. Дашборды упирались в подозрительно круглые 1000 публикаций, пока мы не перешли на постраничную выборку и подсчёт на стороне базы. Похожих случаев с цифрами набралось на отдельную заметку — про нейросети для аналитики.

Перелинковка и технические ошибки

Перелинковку модель предлагает парой: анкор и страница-донор. Код проверяет две вещи: что такой ссылки на доноре ещё нет и что целевой адрес существует, потому что правдоподобные URL модель сочиняет легко. Утверждает человек, иначе одинаковые анкоры быстро расползаются по всему разделу.

SEO-аудит сайта с AI устроен так же. Код меряет robots.txt, canonical, alt, анкоры, прямую ссылку с главной, скорость загрузки (LCP, CLS, TTFB, FCP), смотрит, как выглядит первый экран на телефоне. Модель объясняет, чем грозит находка и кому ставить задачу. Одно правило строже остальных. Заглушку с капчей легко принять за страницу без H1, поэтому если сработала защита или браузер увидел пустой экран, делать выводы по такой странице агенту запрещено.

Что нейросети отдавать нельзя

Зон, где ИИ для SEO опасен, две: тексты на поток и выводы о причинах. В первой решают правила поисковиков, во второй — данные, которых у модели нет. ИИ-тексты как таковые ни Google, ни Яндекс не запрещают.

Что Google пишет про ИИ-тексты для SEO на поток

8 февраля 2023 года Google разъяснил в блоге Search Central, что системы ранжирования оценивают качество материала, как бы он ни был сделан, и уместное применение ИИ правилам не противоречит. Нарушением становится автоматизация ради манипуляции ранжированием: это уже спам.

5 марта 2024 года вместе с мартовским core update появилась политика scaled content abuse (пост в Search Central). Она заменила прежнее правило про автоматически сгенерированный контент и действует при любом авторе, человеке или программе. В правилах о спаме, обновлённых 28 августа 2026 года, это много страниц, сделанных ради позиций и без пользы для людей, независимо от способа создания. Первыми в примерах там идут страницы, которые пачками штампуют генеративным ИИ и ничего к ним не добавляют.

Для меня отсюда граница: если страницы плодятся, чтобы закрыть хвосты запросов, риск есть, даже когда каждый текст по отдельности читается нормально.

В руководстве по контенту от генеративного ИИ, обновлённом 10 декабря 2025 года, ИИ описан как помощник, чтобы изучить тему и выстроить структуру оригинального материала. Требования к точности там распространяются и на метаданные: title, description, микроразметку, alt. При автоматической генерации Google советует рассказать читателю, как сделан контент. Сгенерировали мета-теги для каталога — отвечаете за каждое число в них, как за абзац статьи.

Что пишет Яндекс про нейросети для SEO-текстов

Яндекс конкретнее. В справке Вебмастера «Малополезный контент» нейросети названы прямо: такие тексты часто получаются, когда нейросеть, машинный перевод или подстановку ключей пускают в ход, ничего не анализируя и не редактируя. Формально текст при этом может быть оригинальным. Даты на странице нет, я сверял её 26 сентября 2026 года. Признаки из справки держу рядом с любым промтом для текстов:

• текст уходит от темы и по кругу повторяет одни и те же рассуждения;
• предложения добавлены ради объёма;
• рассуждения поверхностные, по мотивам заголовка;
• факты придуманы или не проверены, но выданы за точные.

В справке про ЭПОС — экспертность, полезность, оригинальность, содержательность — Яндекс пишет, что одна лишь уникальность ценности текста не гарантирует и что нейросеть допустима как помощник автора. Подменять автора она, по формулировке Яндекса, не должна. А в блоге для вебмастеров 22 марта 2024 года Яндекс сообщил, что обновил алгоритм определения качественного контента: он входит в метрику Проксима, и после обновления сильнее весят экспертность и доверие пользователей.

Наказание в правилах обоих поисковиков привязано к бесполезности страниц и к их массовому выпуску. Только неотредактированный текст модели даёт как раз те признаки, что перечислены в справке Яндекса, и генерация без редактора быстро скатывается в малополезный контент.

Как это выглядит на живом сайте, рассказывал Олег Шестаков из Rush Agency на Optimization-2024 (пересказ доклада). После мартовского апдейта Google 2024 года контент-ферма агентства, наполненная ИИ-текстами, лишилась половины трафика. Вернули его редакторская вычитка и удаление слабых лонгридов. Их цифры про долю ИИ-текстов в топе я не беру: их считали детекторами, а у детекторов нет подтверждённой точности.

Выводы о причинах без данных

Вторая зона опаснее, потому что выглядит безобидно. Спросите модель, почему упал трафик, и через несколько секунд получите диагноз: апдейт, сезонность, сниппет, конкуренты. Ни одной строки данных она не видела. По гладкому диагнозу тем временем кто-то уже идёт править страницу. Наш агент в такой ситуации пишет «причина не установлена, предположение: …, не хватает: …». Скучно, и так задумано. Как встроить такие правила в работу всего отдела, я разбираю на странице про внедрение ИИ в маркетинг.

Сами мы тоже попадались: целые сутки были уверены, что Google не обращает внимания на параметр региона в запросе выдачи, и контрольная группа это «подтверждала». Потом нашлось: при кодировании ссылки «+» становился «%2B», и Google молча определял регион сам. Контрольная группа доказала только то, что не сработал запрос в том виде, в каком мы его отправили. Теперь, прежде чем объявлять чужую систему сломанной, я сверяю свой запрос с заведомо рабочим.

Бывает и обратное: всё сходится и всё равно неверно. Числа в отчёте мы сверили встречным счётом, сошлось. А источником был агрегат поставщика данных, и тот с другим срезом тех же данных расходился в 17 раз. Теперь к каждому источнику два вопроса: что доказывает сверка и полны ли данные.

Как устроен наш ИИ-агент для SEO

Автоматизация SEO у нас открывается сбором данных и закрывается проверкой выводов. Текст модели — середина хода, и не самая трудная. Агента я пишу на Claude Code, как и остальные разделы Marketing OS; про сам способ работы есть заметка Claude Code для маркетолога.

Что он собирает

Входов два — рабочий чат команды и веб-кабинет, логика хода общая. Вопрос пишут словами или командой через «/»: рост, разбор, ядро, ТЗ. Маршрут выбирает модель из каталога примерно на 33 навыка и вытаскивает из вопроса адрес страницы и регион. Дорогие развилки, например нужен ли сбор выдачи руками человека, решает код.

Данные агент берёт сам: понедельные срезы запросов и диагностику сайта в Яндекс Вебмастере, Google Search Console, позиции из сервиса съёма, частотность из Wordstat. Собственную страницу он загружает в настоящем браузере и снимает с неё title и description с длинами, H1–H6, alt, ссылки, Schema.org, метрики скорости, вид первого экрана на телефоне. На ход разрешено не больше восьми вызовов инструментов.

Снимать выдачу Яндекса и чужие страницы приходится человеку: на выдаче бывает капча, и обходить её мы не пытаемся. Агент присылает код задания из восьми символов без похожих букв, чтобы его можно было продиктовать, а сотрудник вводит код в расширении Chrome. Таких заданий за ход не больше двух, каждое стоит времени живого человека.

Ежедневный сбор позиций запускает системный cron на сервере. Раньше расписания жили в n8n, пока не выяснилось, что после перезапуска контейнера n8n снимает их со всех сценариев и обратно не ставит. Контейнер здоров, в логах чисто, данные стоят. Узнали через несколько дней от собственного сторожа свежести данных. Подробнее — в заметке про n8n для маркетинга.

Как проверяет гипотезы

Сначала агент смотрит, есть ли вообще за что бороться. Если в Wordstat по теме нет запросов с нужным интентом, правильный ответ — «оптимизировать не нужно». Если спрос снять не удалось, агент так и пишет и рекомендаций не даёт.

Дальше замеры делает код, а оценку даёт модель. 39 факторов ранжирования обоих поисковиков сгруппированы в шесть слоёв: порог индексации, релевантность, кликабельность сниппета, ценность страницы, авторитет сайта, гигиена. Сравнивать факторы можно только в пределах одного слоя. У каждого замера указан ориентир и откуда он взят — шкала CrUX или медиана по топу, снятому в этом же сборе. Нет ориентира — в таблице прочерк.

Яндекс и Google агент читает как две отдельные выдачи, и расхождение между ними уже подсказка. Слабо в обоих — дело в странице. Слабо в Яндексе и сильно в Google — ищем яндексовские причины вроде региона и коммерческих факторов, наоборот — ссылки, экспертность, техническое состояние. Вердикт ведётся по Яндексу. Усреднять позиции запрещено: средняя по двум выдачам описывает страницу, которой не существует.

Доказательства собирает код: это наблюдения из источников и его собственные расчёты. Модель ставит к каждому утверждению номер доказательства, без номера утверждение получает статус «не подтверждено». Чтобы назвать что-то причиной, агенту нужны шесть условий: подтверждающее доказательство, рассмотренные другие объяснения, способ проверки, поиск опровержения, связь во времени и названный сегмент. Не хватает одного — в ответе будет «причина не установлена» и список недостающего.

Что получает человек

Публикует правки человек, сам агент на сайте ничего не меняет. Ответ оформлен как задание разработчику или редактору: текущее состояние → в чём проблема → что поменять → какой эффект ждать. Страницу из топ-3 без сильной причины не трогаем: модель перепишет H1 за секунды, а позиция после неудачной правки возвращается куда дольше.

Очерёдность правок определяют клики: показы × (медианный CTR целевой позиции − CTR текущей). Целевую позицию агент берёт скромную: с 4–7 места на 2-е, с 8–12 на 5-е, с 13–20 на 8-е. Это ориентир для очерёдности правок, прогнозом позиций он не служит. Отставание по CTR агент учитывает, только когда оно выходит за два стандартных отклонения биномиального разброса. Всё, что меньше, — шум.

Полный разбор идёт отдельным файлом с таблицами замеров и двумя обязательными разделами: «не доказано данными» и «не проверялось». Второй кажется бюрократией, пока не вспомнишь, как читается молчание. Агент не смотрел ссылочное и промолчал — человек решит, что со ссылочным порядок.

Что ломалось

Несколько поломок, обобщённо:

• Агент ответил, что «инструменты не подключены», хотя в трассе был один вызов, отработавший без ошибок. Теперь до отправки такое заявление проверяется по трассе.
• Страницы конкурентов уехали в промт с пометкой «наша страница». Модель сочинила подпись, которой во входных данных не было. Роль страницы с тех пор определяет домен.
• Функция «было/стало» всегда возвращала ноль, потому что источник игнорировал даты, и на любое «почему просело» агент уверенно отвечал «изменений нет». Функцию я снял: молчаливый неверный ответ хуже отсутствующего.
• Разбор прозы модели ломался от двоеточия на месте тире. Ответ перевели в строгую структуру.

Тестов у агента были сотни, все зелёные, но текст, который в итоге читает человек, не проверял ни один. Теперь есть эталонный ответ и автопроверки до отправки. Они ловят, например, служебные названия в тексте для людей и крупные числа без источника.

На ревью код агента уходит моделям другой семьи — DeepSeek и Gemini: у автора и ревьюера из одной семьи ошибки совпадают. Из их замечаний мы приняли 12, в том числе про коды 401 и 403: агент записывал их в битые ссылки, хотя это закрытый доступ. Каждая грабля становится записью в проектной памяти — симптом, причина, правило в три строки, — и Claude Code читает эти записи в начале работы. Схема хода и пример отчёта — в кейсе SEO-агент в рабочем чате.

GEO как следующий шаг после SEO

GEO SEO-оптимизацией называют работу над тем, чтобы ChatGPT, Perplexity, Gemini, Claude и Алиса упоминали бренд и ссылались на его сайт. Про ChatGPT вместо поисковика я рассказывал ещё в 2025 году на «Ecom и Вино» у Agima, и для меня это продолжение темы ИИ для SEO: всё, что агент проверяет для поиска, — индексация, польза страницы, факты с источниками, доступ ботов — работает и на нейроответы. Как я провожу такой аудит для бренда, написано на странице GEO.

Как нейросети выбирают источники

Google в документации AI features and your website описывает приём query fan-out: собирая ответ для AI Overviews или AI Mode, система может разветвить вопрос на несколько связанных поисков по подтемам и источникам. Чтобы попасть в ответ ссылкой, странице нужно быть в индексе и иметь право на показ со сниппетом. Особых технических требований и отдельной оптимизации под ИИ Google не вводит, работают обычные основы SEO. По справке ЭПОС, и нейроответы в Поиске, и ответы Алисы AI в чате Яндекс собирает, опираясь на поисковую выдачу, так что отдельного набора требований к сайтам под них нет.

У OpenAI три бота, и для поиска важны два из них (Overview of OpenAI Crawlers). Третий, ChatGPT-User, приходит на страницу, когда пользователь сам просит модель её открыть. Сайт, закрытый от OAI-SearchBot, в поисковых ответах ChatGPT не показывается, разве что навигационной ссылкой. GPTBot собирает данные для обучения моделей, и его запрет на поиск ChatGPT не влияет.

Исследование GEO (Принстон и соавторы, arXiv, ноябрь 2023 года, принято на KDD 2024), судя по аннотации, показывает, что оптимизация контента поднимает видимость в ответах генеративных систем до 40%, причём эффект сильно зависит от тематики. Проценты по отдельным приёмам не привожу: сверял только аннотацию. Страницу, которую не видит поисковик, модель не процитирует. Бренд, о котором другие сайты не пишут в связке с темой, модель, скорее всего, не вспомнит.

Как мы меряем

С кейсом про подход к замеру я выступал на стратегической сессии «SEO vs GEO» у impulse.guru. Всё начинается с набора промтов-ситуаций — матрицы «намерение × кто спрашивает». Для условной сети клиник это пациент, который ищет стоматологию у дома, и родственник, выбирающий клинику для операции. Список утверждает человек до замера, иначе вопросы незаметно подгоняются под красивый результат.

Каждый промт уходит в несколько моделей и повторяется несколько раз: повтор того же вопроса выдаёт другой набор брендов, и один прогон ничего не доказывает. Метрики считает код: как часто бренд упомянут, как часто назван первым, какая у него доля голоса среди брендов тематики и насколько результат держится от прогона к прогону. Модели-судье остаётся разметка тональности и причин, и каждая пометка ссылается на фрагмент ответа. На старте упоминания тоже искала модель и умудрялась не заметить название бренда, стоящее в ответе открытым текстом. Поиск по словарю написаний так не ошибается.

С 7 апреля 2026 года похожая метрика есть у самого Яндекса: отчёт «Видимость сайта в Алисе AI» в Вебмастере (пост в блоге, справка, дата — по публикации Sostav). Он показывает, как часто сайт попадает в источники быстрых ответов, на каких запросах, как это меняется по месяцам и какие ещё сайты тематики стоят рядом. Обновление еженедельное, и на позиции в поиске отчёт никак не действует.

Замер — это сотни платных вызовов к моделям. Разовые скрипты у нас тратили деньги мимо учёта, поэтому теперь на все процессы разом стоит месячный лимит в рублях. Перед каждым платным вызовом сумма резервируется. На 80% и 100% лимита приходит алерт в Telegram, а при исчерпании вызовы останавливаются. Как устроены панель вопросов и две оси замера, рассказываю в кейсе GEO-видимость бренда.

SEO-оптимизация для ИИ по пунктам

Продвижение сайта в нейросетях стоит на той же гигиене, что и поисковое. Мой список:

1. Страница в индексе Яндекса и Google и может показываться со сниппетом, директивы nosnippet на ней нет.
2. В robots.txt открыты поисковые боты: YandexBot, Googlebot, OAI-SearchBot. GPTBot можно закрыть, поиск ChatGPT от этого не пострадает.
3. Ответ на главный вопрос страницы есть в тексте. Картинки и блоки, которые подгружает скрипт, только дополняют его.
4. Страница проходит четыре вопроса ЭПОС из справки Яндекса: кто автор и почему ему верить, решает ли страница задачу, есть ли на ней то, чего нет у других, сказано ли нужное коротко.
5. У фактов есть источники, у собственных данных — дата и способ сбора.
6. О бренде пишут отраслевые площадки, и пишут в связке с темой: в обзорах, в разборах кейсов.
7. До правок снята точка отсчёта: от 30 до 100 промтов, прогнанных по нескольким моделям не по одному разу. Диапазон — моя рекомендация, без точки отсчёта рост не с чем сравнить.
8. Раз в неделю кто-то открывает отчёт «Видимость сайта в Алисе AI».
9. Страницы «под нейросети» не штампуются: правило scaled content abuse действует и здесь.

Разобрать, какие SEO-задачи в вашей команде отдать модели и с чего начать замер по GEO, можно на консультации по AI SEO. Для старта хватает одного частого вопроса команды и выгрузок, которые уже лежат в Вебмастере.