Как с помощью AI писать статьи, которые выведут ваш сайт в ТОП Яндекса и Google

А, друзья, всем привет, спасибо, что сегодня собрались.

Буду вам сегодня рассказывать интересную тему про семантическое SEO.

Немножко обо мне, я фаундер Rush Agency и продукт SEO-Agents.io, с 2008 года в SEO, и сейчас лидирую направление AI-разработки в нашей компании.

И сегодня у меня для вас очень много интересной инфы, но времени очень мало, поэтому будет много визуала, следите за руками.

О чём вообще поговорим сегодня: это семантический поиск, почему он уходит от ключевых слов к сущностям, спойлер, ключевые слова больше не работают, можете забить на это.

Как вытаскивать сущности из Knowledge Graph, расскажу, будет много англицизмов, буду стараться переводить, entity — это сущность, по-английски, потому что во всей документации это entities.

Как автоматизировать Entity-анализ с помощью AI-агентов, то, что вы должны сегодня вынести из презентации, как делается ТЗ на тексты, аутлайны статей, полные планы статей, которые действительно будут ранжироваться потом.

Расскажу про AI-тексты, много интересной инфы привёз из своих поездок в Чиангмай и другие западные конференции, которые были там неделю назад, для вас нарезал.

И почему AI-тексты у одних в топе, а у других не совсем, ну и как попадать в рекомендации ChatGPT с помощью семантического SEO и других фишек.

Начнём с семантического поиска, семантического веба.

Почему эта эра пришла, как это работает?

То есть раньше можно было спамить ключами, там, пластиковые окна Москва и прочее.

Потому что главенствующие алгоритмы это были TF/IDF и BM25, которые многие из вас знают.

Теперь поисковики и LLM, LLM-ки это нейросети, извлекают сущности, смыслы и интенты, также строят граф знаний.

Сейчас это работает именно так, это не будущая технология какая-то, да?

У нас есть два основных понятия в семантическом вебе: это таксономия — это структура и иерархия, и онтология — это связь между сущностями.

Например, Стив Джобс — фаундер Apple.

iPhone был запущен в 2007 году.

Стив Джобс родился в Сан-Франциско.

Сан-Франциско находится в Калифорнии.

Вот он, в принципе, Knowledge Graph, граф связей, кому как удобно.

А почему это классная штука? Эта концепция делает информацию понятнее и для машин, и для людей.

Давайте посмотрим, что такое таксономия.

У нас есть животные, например.

Есть млекопитающие.

Кошки.

Домашняя кошка.

Сиамская кошка.

То есть таксономия описывает иерархию чего-либо от общего к частному.

То есть это сужает какое-либо понятие, да?

В Википедии, Wikidata, Knowledge Graph и, например, той же Investopedia, большом сайте, данные построены именно так, структурированы страницы именно так.

Давайте посмотрим теперь на онтологию.

Есть утверждение: кошка — это домашнее животное.

Кошка ест корм.

Думаю, всем очевидно, кошка — друг человека.

Кошка любит молоко.

Кошка имеет шерсть.

То есть вот так устроена связь сущностей.

На очень простом примере, по-русски, перейдём теперь к научным немножко понятиям, которые используются в поисковой математике и в поиске сейчас, что в Яндексе, что в Гугле.

Это самая важная штука в семантическом поиске — это триплеты.

Именно модель Subject-Predicate-Object.

Где у нас Subject — кошка, любит — это Predicate, а молоко — это Object.

Вот связь сущностей в Knowledge Graph устроена вот так вот.

Также это может быть Binance предоставляет услугу трейдинга.

Где Subject, Predicate, Object.

Как это выглядит в Knowledge Graph?

Binance работает с Европой.

Binance имеет лицензию, где Европа, лицензия — это сущности.

Binance конкурирует с Coinbase.

И Binance поддерживает Bitcoin.

Думаю, как бы всем это очевидно в таком формате.

Почему вообще поиск пришёл от ключевых слов на изучение смыслов, семантики, Knowledge Graph и прочего, да?

Да мы стали искать по-другому.

25% запросов в поиск в США сейчас выполняется с помощью голоса.

А зумеры вообще каждый день используют больше половины зумеров.

Как это выглядит?

Раньше мы искали итальянский ресторан Профсоюзная.

Сейчас мы берём что, мы берём мобилу, вот так вот зажимаем в Гугле либо в Алисе микрофон и говорим:

Найди мне ресторан итальянской кухни с высокой оценкой в районе метро Профсоюзная, который работает до 23:00.

Потому что до 22:00 мы хотим попить винишка.

Красиво, приятно.

То есть наши запросы — это теперь скоро промты, чем ключевые слова.

И без понимания смысла запроса поиск не сможет дать вам ответ.

Почему? Потому что такого вхождения не будет ни на одной странице.

Раньше мы искали вот так, потому что знали.

Мы ищем вхождение по факту на странице.

Как это выглядит внутри поиска?

Здесь лазер есть?

Пиу-пиу.

Да, есть.

Поиск раскалывает вот этот вот запрос, вот этот, который я, ну, про итальянский ресторан.

На такие штуки.

Интент, какой интент вообще, там, поиск либо запрос.

Там есть другие типы интентов, да, там, купить, например.

Там тип сущности — ресторан.

И атрибуты: итальянская кухня, рейтинг.

Есть локация и там атрибут закрытия после 23:00.

Переведём на русский.

Что поиск думает?

То есть как он работает: что ищем — ресторан, не магазин, не отель, ничего.

Какую итальянскую кухню должен он подавать, не китайскую, не русскую, именно итальянскую.

Ресторан имеет рейтинг выше 4.0.

Ресторан находится в какой-то локации.

Ну и так далее.

И обязательно, что время его работы заканчивается в 23:00 либо позднее.

Вот так может выглядеть сущность, которая хранится в Knowledge Graph в поиске Гугла.

Я говорю про Google, в Яндексе работает пока обычно примитивнее, но примерно так же.

Есть сущность Trattoria Giovanni.

У неё есть тип — ресторан, название, кухня, рейтинг.

Вся вот такая интересная информация, там, закрывается он в 23:00.

Средний чек и прочее.

Вот так это может выглядеть в Гугле.

Далее происходит ранжирование, когда мы такой запрос задаём.

Поиск проверяет полноту соответствия, что атрибуты совпали.

Близость к локации, которую мы выбрали.

Рейтинг он проверяет.

Актуальность данных, дата последнего обновления, например.

Отзывы.

Ну и коммерческие сигналы.

Он может много параметров таких проверять, это так, к примеру, упрощённый.

Дальше мы видим знакомые ответы совершенно.

Это Google AI-Mode, который, замечательно.

В августе, сентябре, октябре раскатали в России.

И он говорит: по твоим критериям есть там два рестика.

Trattoria Da Chicco и Il Pittore.

Я живу, и действительно они все совпадают, это два хороших ресторана по всем этим параметрам.

То есть поиск его.

Ну и также поиск с Алисой.

Почему я показываю нейроответы? Потому что с обычным поиском оно действительно так же всё работает.

Просто ещё хочется нейроответы показать.

Он нашёл опять же Trattoria Da Chicco, Il Borgo, там, Il Pittore.

Всё это всё, да, рестораны в этом районе, они все действительно подходят.

А как это работает в поисковых системах?

Изначально весь этот алгоритм, как он сейчас устроен.

Вот здесь идёт загрузка, то есть краулинг, поисковик Яндекс, Google скачивает урлы, JSON-ы, PDF-ки, там, просто там тексты откуда-то, всё, что угодно.

Он мультимодальный, он может всё скачивать, даже видосы распознавать.

Дальше он делит это на чанки.

То есть он каждый кусок нарезает, каждый документ нарезает на куски.

Потом каждый этот кусочек векторизирует.

Переводит в векторный формат.

Сейчас мы поговорим про векторный формат, мы не будем касаться многомерных векторных пространств, это нам не интересно, потому что на этом деньги не заработать.

Но они там есть.

И в результате вот эти документы превращаются в базу векторов, в векторную базу данных.

Как поиск понимает, что какие-то слова лежат в Knowledge Graph близко, а какие-то далеко?

Используя косинусную близость.

И у нас есть два близких слова — это кошка и котёнок.

У них маленький угол между ними.

Соответственно, результирующий вектор будет вот такой.

А есть кошка и кирпич.

Совершенно разные вещи.

Поэтому результирующий вектор будет маленький.

То есть всё очень простой математикой считается, и он в векторном формате умеет это определять.

Вот модель из документации, есть патент Google DeepMind.

Здесь совершенно так же, как я рассказал, работает.

Что есть краулер, который там внутри режет, вот тут на эмбеддинге это режется.

То есть делать эмбеддинги — это как раз векторизировать информацию.

Сохранить в базу данных.

Он лежит на эмбеддинг-сервере.

И потом, когда вы выполняете поиск, он вот тупо с помощью Machine Learning-а вам всё это, как я показал выше, считает.

Вот это из документации Гугла.

Как применить на практике? Наша задача — сделать крутые аутлайны статей, которые залетают в топ в момент индексации.

Что нам нужно сделать?

Нам нужно взять тексты конкурентов.

Разбить на чанки, порезать.

Выделить оттуда сущности.

Посчитать, какие сущности ближе всего к нашему основному ключевому слову.

Как посчитать? С помощью косинусной близости, как я показывал.

Построить два списка: это Primary Entity, то есть выделить главную сущность.

И какие сущности поддерживают, лежат рядом, Supporting Entity Network.

Посмотреть, как это всё связано.

И найти реальные интенты пользователей.

И только потом сделать план статьи.

Заметьте, здесь нигде не говорю про какие-то ключевые слова, там, частотки.

Где брать сущности?

Можно брать из Википедии.

Можно брать API Knowledge Graph.

К сожалению, мой дизайнер удалил здесь звёздочку, думал, что она лишняя.

Есть API Knowledge Graph, который доступен просто так, а есть API Knowledge Graph для учёных, Scientific.

Домашнее задание: если сможете его достать, у вас в 100 раз увеличится эффективность.

Мы используем Scientific API.

Было бы слишком просто, если бы я рассказал, в какой стране надо открыть ключ, чтобы его получить.

Как понять, какие сущности нужны на странице?

Мы берём, как бы, тексты конкурентов, режем на чанки.

Кстати, можно использовать и другие источники дополнительно, например, мы иногда ещё идём в Reddit, идём в YouTube.

Процессим видео и пытаемся понять сущности вообще в тематике, какие есть.

Далее делаем экстракцию сущностей.

Превращаем это в векторный формат.

Вот там была вот эта вся там сложная магия векторизации в OpenAI, в чате, ну, API.

Есть модель эмбеддингов, Embedding Model.

Что, в принципе, вполне о'кей работает.

Можете использовать.

И с помощью косинусной близости делаем ранжирование.

Всё, что больше 0.89, нам подходит.

Всё остальное — мусор.

Вот так это может выглядеть, хоть в Excel-ке можете считать.

Вот есть главный запрос Car Finance.

И мы к нему считаем косинусную близость.

Вот Bad Credit Car Finance, да?

С плохой кредитной историей.

Guaranteed Car Finance No Credit Check.

Тоже довольно близко лежит.

А вот No Credit Check Car Finance ещё ближе.

Вот так выглядит.

У вас есть вполне классное ранжирование.

Какой результат всего этого?

Главная сущность, то есть у нас есть фундамент.

Я дальше буду показывать кейсы по фундаментам, да?

И мы видим, какие у него атрибуты.

Есть тип фундамента: ленточный, сплошной, такой-то.

Материалы фундамента бывают, да?

Это всё из Knowledge Graph вытягивается.

Глубина заложения есть.

Там несущая способность и прочее.

И вот как фундамент должен быть связан с другими сущностями.

Фундамент изготавливается из бетона, там, сила связи 10.

Фундамент поддерживает дом.

Фундамент зависит от типа грунта.

Фундамент требует гидроизоляции.

То есть, видите, примерно на кошечке работает уже совершенно по-другому раскрывается на реальных ключах.

Дальше.

Supporting Entity Network — это что? Это сущности, которые лежат как можно ближе к главной сущности.

А это сущность грунт, дом, климатические условия, там, строительные материалы.

То есть мы отсюда уже понимаем, что речь идёт о выборе фундамента.

Даже из этого маленького документа.

И у каждой сущности есть Relationship Primary.

То есть грунт влияет на выбор фундамента.

Мы помним, что фундамент — главная сущность.

Как это всё автоматизировать?

Потому что это выглядит сложно, куча математики.

С помощью AI-агентов.

AI-агенты, как вообще они могут выглядеть?

У меня есть отдельная лекция по агентам.

И вот мы посмотрим только, ну, кусочек этого.

Это может быть Claude Code.

Он работает в терминале.

Либо для кого-то это в консоли, либо в VS Code.

Выглядит это страшно, как бы, неприятно для юзера.

Но эта штука рабочая.

Агент может выглядеть вот так.

Это может быть, я выкладывал анализатор свежести.

Это просто веб-ресурс.

То есть веб-приложение.

Ты ключ вводишь, вводишь регион, и он тебе показывает, когда контент надо обновлять.

То есть он может жить просто в виде сайта.

Telegram-бот, например, у меня есть бот, который читает SEO-шные каналы.

Делает выжимку, вырезает оттуда рекламу и присылает всё самое интересное по моим критериям.

Я с утра просыпаюсь и пью уже под кофеёк дайджест.

Такой AI-агент, он живёт в Telegram.

Есть SaaS, целая огромная мультиагентная система, как вот, ну, SEO-Agents, например, наш, да?

Он, кстати, изначально был в первой версии построен как Lovable на фронте и N8N на бэке.

Сейчас, конечно, там уже посложнее всё стало.

Но можно делать вот таких агентов, которые как SaaS-сервис полноценные.

Давайте посмотрим, какая должна быть логика агента.

Чтобы сделать нормальный аутлайн статьи.

Что должен сделать SEO-шник?

Он должен взять топ-10, топ-20 SaaS.

Выбрать целевых конкурентов.

А вот дальше вступает в силу агент.

Как ещё раз объясню подход, да?

Агент берёт, обходит защиту сайта, вытаскивает оттуда контент, делает экстракцию.

Извлекает сущности.

Векторизирует их.

Считает косинусную близость, чтобы мусор отсеять, и прямо сейчас обсчитываем 600-700 сущностей и оставляем 4-8.

Всё остальное откидывается, потому что это нерелевантно.

Зачем кошку с кирпичом продвигать вместе, правильно?

Ну, анализируются все связи.

В результате выделяются суб-интенты, я покажу сейчас, как выглядят суб-интенты.

И ранжирование от простого к сложному.

Тоже очень важная вещь, чтобы выходить в топ.

Тоже сейчас расскажу.

И только потом создание H1, H3 заголовков, структур и распределение ключей.

Не надо вот здесь где-то ключи обсчитывать, это не работает.

Пока вы сущности не посчитали, не надо впихивать ключи.

У нас есть небольшая викторина.

Что имеет в виду пользователь, который ищет ключевое слово «Как выбрать фундамент для дома»?

Ну, накидывайте, что есть.

То есть из чего будет состоять выбор?

Тип фундамента.

Выбор.

Материал.

Тип дома.

Стоимость.

Тип дома.

Стоимость.

О'кей.

На самом деле, да, тип фундамента, нагрузка здания на фундамент.

Вот у вас векторная машина в голове, ребята.

Характеристики грунта, климатические условия.

Как это выглядит, что когда вводишь ключ «Как выбрать фундамент для дома».

Он извлекает сущности.

И тут видно, что юзер хочет практическое руководство по выбору фундамента.

Естественно, он видит вот такие сущности.

Здесь, кстати, довольно очевидно, это первая наша викторина.

Ответ Гугла может быть вообще не связан, ну, как бы, лексически.

То есть по вхождениям с тем, что мы задали.

Думаю, вот логика понятна.

Как мы вот у нас делаем, например, да?

Сейчас наша команда пришла от ключей к сущностям полностью, там, больше 150 человек.

Мы выбираем регион, язык, локацию, сколько топа проанализировать.

Потом видим урлы.

Агент идёт, вытаскивает со всех этих урлов, обходя защиту Cloudflare и прочие капчи, контент.

Считает среднее, там.

И в результате вот всё, что я рассказал, он делает.

Мы получаем такую штуку прикольную.

Я показывал уже про фундамент.

Relationship Triplets, ещё мы считаем, как Google, Яндекс считают.

Какими авторитетными документами надо поддержать эту статью.

Дальше.

Это Supporting Entity Network, я уже тоже показывал, просто вам ещё раз подсвечу, что нужно считать.

И вот тот этап, который мы хотим.

Ну, почти финальный — это суб-интенты.

Интент 1: какие бывают виды фундамента?

Как раз ты сказал, там, по-моему, да, про виды.

Нет.

Ты сказал про материал.

Ты сказал про виды фундамента.

Да.

Что необходимо учитывать при выборе фундамента?

Этих под-интентов в некоторых лонгридах может быть восемь.

И их всех надо закрыть.

И в результате мы получаем аутлайн.

То есть план статьи.

Это вот эта ТЗ-шечка всего на один из заголовков, которые вот здесь их там дофига.

Вот я себе вот здесь его уважают.

Здесь у вас должно быть для копирайтера либо для нейронки.

Какие сущности покрыть?

Summary, как именно писать этот абзац, что там указывать.

Какие визуальные элементы?

Например, вот для климатических особенностей и глубины промерзания агент предлагает сделать инфографику с картой глубины промерзания грунта в различных регионах России.

Релевантно, супер-релевантно.

Полезно, определённо.

Копирайтеры ещё не умеют работать с сущностями, и поэтому Copywriter Notes отдельно им показывают.

Как это можно, ну, агент сам даёт инструкцию, как это можно вписать.

Ну и Entity Connection.

Как правильно связывать сущности в этом абзаце.

Вот такие аутлайны, если по ним копирайтер пишет либо нейронка пишет, они залетают.

Я сейчас покажу, как.

Но у нас же здесь, я думаю, сидят хитрецы, которые занимаются гемблингом.

Поэтому ещё одна викторина.

Что имеет в виду пользователь, который ищет ключевое слово «Best Time to Play Online Slots»?

Когда лучше играть в онлайн-слоты?

Как вы думаете?

Что он ищет по запросу?

В какое время лучше процент выигрыша?

Процент выигрыша, возможно, да.

Ну, в целом, да, но какие там есть под-интенты?

Что именно?

Почему он думает, что есть какое-то время, процент выигрыша?

Счастливые часы.

Счастливые часы.

Ещё варианты?

Когда меньше пользователей.

Меньше пользователей.

Хорошо, почти всё отгадали.

Так вот, первое, он думает, что есть возврат какое-то время, RTP Rate лучше, да?

Вероятность выигрыша, когда-то есть.

Активность игроков, пик, офф-пик часы, да?

И оптимальные какие-то тайминги, когда надо там кликать.

А сейчас, как это выражается в сущностях?

То же самое.

Такой же разбор делается.

Примерно семантически это диаграмма показала.

Сейчас покажу, как на самом деле надо написать эту статью.

То же самое, берём, берём топ по США.

В новой версии тут уже DR есть и количество доменов, когда ты понимаешь, что вот этот вот сайт Reddit не надо исследовать, он тебе не нужен, например, да?

Хотя нет, Reddit можно.

А вот Talksport какой-то, ну, вопрос.

То есть сейчас агент уже все данные собирает.

И вот тут главная сущность — это онлайн-слоты.

И у неё есть главные атрибуты.

Что она, ну, онлайн-слоты работают с помощью генератора случайных чисел.

Мы к этому ещё вернёмся.

Регулируется там гемблинг-комиссиями.

Доступно 24 часа и так далее.

И вот тут триплеты есть.

Онлайн-слоты используют генератор случайных чисел.

Онлайн-слоты предлагают прогрессивные джекпоты.

Кстати, это важная штука, оказывается, из-за чего это ищут.

Я сам не лужу в слоты, поэтому не знал.

А статью надо было написать.

Онлайн-слоты оперируют независимо от времени дня.

То есть, ну, как бы, Google Knowledge Graph знает, как работают слоты.

И как про них правильно писать.

А вот Supporting Entity Network.

Random Number Generator, да?

То есть генератор случайных чисел — это такая специальная сущность, которую надо в этой статье использовать.

Дальше.

Прогрессивные джекпоты.

Casino Promotions.

Потому что, оказывается, казино дают в определённые дни скидки, фриспины и прочее.

И Player Traffic.

Как раз ты сказал, что от трафика может зависеть.

Почему-то, да?

Оказывается, зависит, там есть какие-то джекпоты, это влияет на прогрессивные джекпоты.

И вот какие есть суб-интенты.

Интент 1: они хотят понимать, влияет ли время, в которое ты играешь в слот, на доход.

Лучшее время, чтобы выигрывать прогрессивные джекпоты.

Я не знаю, что такое прогрессивный джекпот, почему, да?

Но агент мне сам говорит: посмотри.

Когда казино дают скидки, всякие фриспины.

И интент, там ещё есть, ещё несколько интентов.

Но офф-пик и пик-таймы, да, то есть, когда есть наплыв игроков, когда нет.

Как вести себя?

И вот прикольная штука, что он говорит: сделай H2.

Как слоты, как реально работают онлайн-слоты, горькая правда про генератор случайных чисел.

Он тут пишет: напиши, что нельзя обмануть генератор случайных чисел.

Он всегда отдаёт в одно и то же время одинаковые выигрыши.

То есть семантический анализ даёт тебе понимание, что тебе надо писать.

Потому что никак запрос «Best Time to Play Online Slots» не связан со словом «генератор случайных чисел».

Просто вот так вот, ну, по вхождениям.

Но если ты про это не напишешь, ты не выйдешь в топ, просто.

Дальше можно сгенерить текст.

То есть агент может сгенерить текст.

Как, ну, как мы делаем.

Можно, кто-то отдаёт копирайтеру.

Мы там у себя с помощью редакционных политик это генерим.

И получается вот такая замечательная статья.

Например, понимание волатильности и возврата денег в слотах.

То есть нейросеть табличку.

Потому что, потому что он знает всё, о чём ему надо сгенерить.

Ещё немножечко про генерацию текстов, ну, наверное, не будем останавливаться.

Я вам покажу вообще.

Вообще, кстати, да, вот, вот какой тезис здесь хотел закинуть.

Почему вам никогда не понравятся тексты, которые вы сгенерите?

Потому что у нейронки нет редакционной политики.

Вы не даёте редакционную политику нейронке.

А о вашей компании, о вашем авторе, о том, какая длина предложения должна быть.

H2, H3, зачитать с заглавной буквы или с маленькой?

Кто автор читателю: братан, либо там супер-эксперт, там, авторитетный профессор?

Сложность текста.

Поэтому, например, мы используем редакционные политики подробные, чтобы нейронка правильно генерила.

И плюс, у нас, так как у нас это мультиагентная система, у нас есть агент-фактчекер.

Он проверяет все факты, которые она нарыла.

Если он уверен больше, чем, ну, меньше, чем на 85%, он переписывает.

Вот такая штука.

А что по галлюцинациям?

Вот здесь представлена странная, на первый взгляд, табличка.

С уровнем галлюцинации моделей.

Если мы видим Claude Sonnet там галлюцинирует там 17%, а Claude Sonnet 4 — 40%.

Это чистые галлюцинации нейронок.

Если бы у них не было контекста и RAG-а, то есть Augmented интеллекта.

А вот данные компании Vectara.

Vectara — это векторные базы для построения RAG-ов, то есть Retrieval Augmented Generation.

Генерация с учётом данных по вашей компании, по вашей базе.

И мы видим, что Gemini уже галлюцинирует, сколько там у нас было?

38%.

А если дать правильный контекст?

1.3%.

Поэтому, если вы хотите убрать галлюцинации, давайте нейронке максимум информации.

А лучше используйте RAG-системы.

На чём построить RAG-систему, можете подойти, я расскажу.

Какой эффект вообще мы получили?

Когда внедряли агентов и пришли на семантический поиск.

То есть создание одной статьи — экономия от 2 до 3 часов.

Мы не говорим, если мы пишем какие-то говностатьи.

Которые там 20 минут у тебя есть на ТЗ, и как бы можно забить.

Дальше, 2-3 часа у SEO-шника экономия на одной статье.

Оптимизация страницы под GEO.

Под GEO вам нужно чанками делать вот такими кусками.

Типа вопрос-ответ, не вопрос-ответ, а такие ёмкие предложения.

Раньше 2 часа занимало, чтобы GPT тебя индексировал и выдавал в топ.

Но при этом не сломать логику.

Поиск упущенных сущностей — около 2 часов.

И, ну, как бы, экономия сейчас у наших ребят из западных отделов, из русских отделов.

Раньше у нас в среднем 23% статей залетало в топ в момент индексации, сейчас 48%.

Вот тут есть примеры ключей.

На разных языках, да, это на любом языке работает.

Кроме там зулусского.

Это аренда машин в Дубае.

Это на RAG-е, все эти кейсы — это на RAG-е EMD-домены.

То есть это зарегистрированные домены без истории.

И в момент индексации они получают вот такие результаты.

Это аренда в Марракеше на испанском.

Всё стоит там в топ-10 в момент индексации, просто.

Потому что семантически правильно сделано.

Это на испанском тоже Марракеш.

Тоже три статьи, они сразу лезут в топ.

Ну, вы знаете, надо добавить ссылочек, ПФ, и можно зарабатывать деньги.

Что делать с оптимизацией существующих страниц?

Мы агента дообучили на оптимизации существующих страниц.

Вы даёте свой урл, даёте конкурентов, он все вот эти вектора считает между топом и вашей страницей.

И даёт рекомендации.

Например, здесь он говорит: у нас есть проект по туризму в Антарктиду.

И тут статья Арктика против Антарктики.

В чём разница?

Он говорит: сделай новую секцию.

Она должна быть H2.

Поставь её после вот этой секции.

И вот так вот, как бы, вот тут вот напиши вот это вот так.

И такие сущности учти.

Тогда ты конкурента обойдёшь.

И он тебе даёт экшн-план, типа, что надо сделать.

Добавить новый H2.

Expand, он говорит: у тебя фигово вот этот абзац написан.

Там не хватает сущностей, там не хватает смыслов, там вода.

Что такое вода?

Вода — это использовать в вашем контенте слова, сущности и прочее, лежащие далеко от вашей основной темы по Knowledge Graph.

Вот что такое по-научному вода.

И он говорит: ещё новый H3 создай.

Там вот не хватает, типа, про туризм.

В заполярных регионах.

И вот у тебя есть план, как по семантическому поиску оптимизировать твою статью.

Чтобы обойти конкурентов в топе.

Ну и приоритет там до 0.5.

Ну, вот мы юзаем, закидываем просто текущую статью.

Выбираем конкурентов из топа.

И он сам всё это нарезает, разрезает.

Кстати, можете протестировать, мы выдадим всем сегодня.

Бесплатно 15 лимитов.

Но на самом деле мы решили сегодня с утра, что дадим 30 лимитов каждому.

Напишите в Telegram, там будет наш официальный аккаунт.

Напишите, желательно, дайте свою нишу, тогда мы вам дадим рекомендации.

Как лучше анализировать ваши ниши.

Кого выбирать, какие редакционные политики делать.

И ребята-инженеры помогут.

Кстати, тут у нас несколько инженеров наших есть в зале.

Можно будет к нам подойти, пообщаться.

Ну и ещё там на слайдике несколько таких штук.

Забанят ли вас за AI-контент?

Вот эти слайды с Чиангмая, 3 недели назад была конференция.

Это данные ребята из Graphite, погуглите, супер-аналитическое агентство.

И сейчас все эти показывают этот график.

Что AI-контента стало больше, чем живого контента.

Вот в 22 году GPT-шечка запустилась нормально, да?

Это 25 год.

То есть тут драматически количество выросло.

То есть сейчас в целом количество AI-контента уже превышает человеческий контент.

Люди не хотят писать.

Многие слышали про Brain Rot, что типа загнивание мозгов.

Что модели будут обучаться на моделях.

Об этом можно говорить отдельно целый доклад.

Вот, и почему Google борется с AI-контентом?

Только по причине того, чтобы не обучать свою модель на второсортном контенте, который был сгенерирован.

Это единственная причина.

Сколько же контента в топе?

Его много, как никогда.

Это данные Originality.

Кстати, презентацию я дам, там будет нормально видно, контрастно, на самом деле.

Проект так показывает.

Это Google мартовский апдейт 24 года.

Несмотря на это, контент в топ залетает массово.

Почему? Потому что появились вот, ну, как бы, различные методики генерации.

Которые, ну, практически не отличить.

Тоже Originality дали стату.

Вот эту дисперсию попадания в топ.

С 24 года количество AI-контента в топе, где вот это с блендингом, попадание на этот топ-10, да?

Драматически выросло.

То есть говорить о том, что не работает AI-контент.

Нельзя.

Почему один контент в топе, а один нет?

Это Surfer SEO на 10 миллионах ключей исследования, они выкачали все сайты в этом году.

И распределили по факторам, какие факторы больше всего влияют.

Самый неважный фактор — вхождение ключевых слов.

На выборке 10 миллионов.

Неважно вообще.

Самый важный фактор — Topical Coverage.

Раскрытие интентов пользователей.

Рецепт идеального текста, можете себе сфоткать.

Покрыты все интенты.

Сущности правильно расставлены.

Они с достаточной детализацией раскрыты.

В статье нет воды, слишком далеко лежащих терминов.

Проведён фактчекинг.

Мы суб-агенты используем.

Архитектура сделана от простого к сложному.

Не наоборот, не надо про фундаменты.

Арматуру М300 там писать в начале.

Напишите логику выбора фундамента.

Дайте человеку почитать сверху вниз, чтобы ещё поведенческие были хорошие.

Ответ на основной интент на первом экране.

До сгиба экрана.

Выбрана правильная модель.

Gemini использовать нельзя, он, насколько вы знаете, вас забанит Google.

И в ChatGPT.

То же самое, Topical Coverage — самый главный фактор.

Все те же факторы работают.

Что и для обычного текста, но.

Всё важное внутри первых 1500 слов.

Дальше ChatGPT не индексирует, не читает текст.

И важность упоминания на других ресурсах.

Вот у меня последний слайд есть для вас.

Это исследование Ahrefs.

Тоже этого года с конференции в Чиангмае.

Самый важный фактор — это когда на других ресурсах ваш бренд упоминается.

Желательно в положительных коннотациях.

И брендовые анкоры, брендовый Search Volume.

Всё.

Семантик, SEO-статьи, плюс упоминания, вы молодцы.

Вот.

У меня на этом всё.

Можно подписаться на мой Telegram.

И вот мой личный Telegram.