😀 Офф-пейдж-SEO как страховка от галлюцинаций LLM

Последние исследования показывают интересную корреляцию: генеративные ответы забирают информацию с сайтов, которые обладают широким цифровым следом. Языковые модели опираются на RAG-архитектуру (хоть RAG и устарело, но это основа). Алгоритм не синтезирует ответ, а ищет консенсус в индексе. Если внешний ссылочный профиль домена скудный, математический риск галлюцинации растет. Как итог - LLM пессимизирует источник.

То есть, ссылочное для LLM всё же крайне важно. Но не с точки зрения траста, как в классическом SEO, а для снижения риска галлюцинации. Cсылки не просто передают вес (это важно для гугла, как одна из составляющих PR), но ссылки также помогают строить доверительный граф.


🔵 Семантический меш вместо точных анкоров

Модель анализирует весь абзац вокруг упоминания бренда. Алгоритм фиксирует Entity Co-occurrence. Если текст содержит правильные нейронные ассоциации, кликабельная ссылка не обязательна (достаточно упоминаний).

Как внедрить:

➡️ Соберите полную карту языка целевой аудитории. Если продвигаете проект, допустим, под испаноязычный рынок, вытащите региональные термины, специфику локальных продуктов и сленг пользователей. Читайте как правильно сделать и юзайте мой Реддит Маппер вот тут.

➡️ Внедрите эти маркеры в абзацы внешних публикаций, где авторы упоминают ваш проект.

➡️ Откажитесь от прямых коммерческих анкоров в пользу терминологического окружения.

Нейросеть считывает связь между брендом и кластером запросов. Алгоритм присваивает сайту статус авторитетного узла.


🔵 Синтезируемые данные для RAG

Модели ищут факты, статистику и оригинальные массивы данных. Статьи-мнения тупо проигрывают обычным таблицам.

Как внедрить:

➡️ Упакуйте техническую информацию в открытые форматы. Соберите сводные таблицы: допустим, частоту обновлений софта, технические параметры продуктов (любимые электрочайники) или статистику.

➡️ Разметьте страницы через JSON-LD, используя, например, схемы Dataset или там SoftwareApplication (смотря что двигаете).

➡️ Распространите выжимку данных по отраслевым площадкам.

Получаем схему:
Сторонние ресурсы парсят цифры ▶️
Нейросеть фиксирует цитирование и назначает домен первоисточником ▶️
AI Overview отдает такому сайту приоритет в генеративной выдаче


🔵 Валидация через граф знаний

Алгоритм рассчитывает Confidence Score для каждого утверждения. Ссылки на главную страницу работают значительно хуже, чем подтверждение квалификации конкретного автора.

Как внедрить:

➡️Создайте профили экспертов проекта в Wikidata, Crunchbase, GitHub, Linkedin и так далее.

➡️При публикации гостевых комментариев ставьте внешнюю ссылку на биографию автора, а не на корень сайта.

➡️Свяжите внешние профили со страницей автора через атрибут sameAs в микроразметке (и ссылок накидайте обязательно на них на авторской странице).

➡️Когда верифицированный автор публикует материал на целевом проекте, поисковик доверяет контенту. Риск галлюцинации снижается.


🔵 Мониторинг аномалий через BigQuery

Стандартные коммерческие парсеры не видят скрытые фильтры генеративной выдачи. Оценка эффективности линкбилдинга требует кастомной аналитики.

Как внедрить:

➡️Настройте ежедневный экспорт сырых данных Search Console в BigQuery.

➡️Напишите SQL-запрос для изоляции лонг-тейла. Ищите низкочастотные кластеры, где позиция URL стабильна, но CTR внезапно падает.

➡️Соберите дашборд для отслеживания таких просадок.

➡️Резкое падение кликабельности лонг-тейла показывает, где именно AI Overview перехватил трафик. Команда корректирует семантический меш и направляет новые внешние публикации точно в просевший кластер.

Это сейчас самый модный и обсуждаемый способ GEO продвижения. Ну и рабочий.



🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews

🤫 Entity Poisoning: как конкурент встраивает ложь о бренде в ответы ИИ

Конкуренты и черные оптимизаторы нынче бьют не только по позициям сайта, а по самой сущности бренда. По тому, как ИИ-системы собирают, распознают и пересказывают информацию о компании.

Если конкурент создал 50 фейковых тредов на Reddit о том, что ваша программа "удаляет данные" или ваш сервис "скрывает платежи", ИИ-модель при поиске по бренду автоматом снизит Confidence Score (Уровень уверенности) в надежности бренда и добавит в свой ответ плашку: "Некоторые пользователи жалуются на скрытые платежи".

Это и есть Entity Poisoning (Отравление Сущности).

Какие приемы сейчас применяют негодяи:

✅ Засев Reddit и форумов псевдо-личным опытом: "у меня пропали данные", "сервис списал лишнее", "поддержка игнорирует", "это скрытый скам". Сила такого приема в серии однотипных тредов, которые выглядят как независимые жалобы.

✅ Пачки фальшивых отзывов на review-площадках. Обычно это сборка кластера из коротких, эмоциональных, но похожих по смыслу претензий.

✅ Псевдо-нейтральные PR-материалы. Внешне это "обзор", "сравнение", "история клиента" или "расследование", а по факту - аккуратная вшивка нужного обвинения в полуредакционный формат.

✅ Поддельные или полуофициальные профили бренда. Делается страница, которая выглядит как бренд, но содержит искаженные факты: старый адрес, ложного основателя, фальшивый статус компании, выдуманные проблемы с оплатой или безопасностью.

✅ Подмена сущности через похожие названия. Если у бренда слабая фиксация данных, его начинают смешивать с другой компанией, старым проектом, спорным продуктом или чужим доменом.

✅ Отравление сравнительных запросов. Появляются страницы в духе "лучшие альтернативы", "стоит ли доверять", "проблемы бренда", где негатив закладывается до знакомства пользователя с продуктом.

✅ Говнокомментарии. Если под статьей, видео или карточкой продукта оставить плотный слой токсичных комментариев, это начинает работать как встроенный антидоверительный фон.

✅ Атака на открытые профили и базы данных. Чем больше противоречий во внешнем слое, тем хуже машина понимает, кто вы, где официальный профиль и каким фактам верить.


Для ИИ опасен даже не самый авторитетный документ, а тот, который легко извлекается, ясно сформулирован, часто повторяется и хорошо встраивается в ответ. Поэтому короткая ложь, размазанная по десятку площадок, иногда опаснее одной длинной разгромной статьи.

Бренду уже мало "отбивать негатив" по старым ORM-сценариям. Нужно жестко фиксировать сущность: кто вы, какой у вас официальный домен, какие у вас подтвержденные профили, какие факты о компании являются каноническими.

Поэтому сейчас важно не понять "есть ли негатив", а "какие именно формулировки о бренде LLM может посчитать правдоподобными". И здесь нужен форензик-разбор: где идет обычная критика, где повторяется синтетический нарратив, где возник сущностный конфликт, а где уже видна работа конкурентов по отравлению вашего бренда.

В спец промпт канале я выложил прототип промпта Brand Entity Poisoning Forensics 🖥. Задача промпта - вытащить весь токсичный слой вокруг бренда, разложить его по кластерам, отделить реальную проблему и показать, что именно отравляет ваш бренд в LLM.



🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #Промпт #ORM

Entity Poisoning: как конкурент встраивает ложь о бренде в ответы ИИ (продолжение)

Некоторые факты на июль 2026:

➡️Семантическое отравление данных (Semantic Data Poisoning)

Семантическое отравление данных нацелено не на понижение позиций сайта в классическом поиске, а на искажение смыслового слоя: атакующий массово публикует контент, который меняет ассоциации, выстраиваемые нейросетью вокруг бренда (например, связывая бренд с термином "судебный иск"), что приводит к генерации негативных AI-ответов даже при отсутствии единой атакующей страницы в топ-10.


➡️Уязвимость RAG-архитектуры (RAG Poisoning)

Отравление систем Retrieval-Augmented Generation (RAG) - это класс векторных атак, при которых злоумышленник внедряет ложные документы в публичные базы знаний или индексируемые сайты. При обработке запроса LLM-модель извлекает эти документы и выдает отравленную информацию пользователю в качестве проверенного авторитетного факта.


➡️Механика "Раскола и Столкновения" (Entity Split & Collision)

Отравление цифровой сущности технически реализуется через два вектора: "Столкновение" (смешивание атрибутов надежного бренда с характеристиками токсичной компании, чтобы запутать ИИ) и "Раскол" (создание множества профилей с противоречивыми фактами об одном бренде для искусственного снижения математического Уровня Уверенности - Confidence Score).


➡️Предвзятость к богатству нарратива (Narrative Richness Bias)

Экспериментально доказано, что современные ИИ-поисковики обладают архитектурной уязвимостью: при синтезе ответа они отдают алгоритмическое предпочтение "богатству и детализации нарратива", а не фактическому авторитету домена-источника. Это позволяет успешно внедрять фейки о сущностях через детализированные выдуманные истории на UGC-площадках (например, Medium или Reddit).


➡️Взлом ИИ через косвенные инструкции (Indirect Prompt Injection)

Для взлома корпоративных ИИ-агентов злоумышленникам не нужен прямой доступ к чат-боту: достаточно разместить скрытые инструкции (Prompt Leakage) на стороннем сайте. Когда ИИ обращается к этой странице за информацией о компании, вредоносный текст перехватывает контекстное окно LLM и заставляет модель сгенерировать заданный атакующим ответ.


➡️Взлом Консенсуса через репликацию (Consensus Hijacking)

Репликация отравленного документа или фейкового факта в нескольких независимых базах данных многократно усиливает успех атаки на LLM. ИИ-модели воспринимают многократное повторение данных на разных доменах как "математический консенсус", принимая ложь за абсолютную истину и подавляя официальные данные бренда.


➡️Уязвимость малых выборок при дообучении (Fine-Tuning Vulnerability)

Для необратимого повреждения весов Large Language Model (LLM) и закрепления ложных фактов о конкретной сущности требуется критически малый объем отравленных данных. Внедрение менее 100 целевых примеров в набор данных для дообучения (Fine-tuning) способно полностью разрушить объективность нейросети по отношению к целевому бренду.



➡️Слепота векторных фильтров (Blindness of Embedding Filters)

Традиционные SEO-фильтры на спам и системы модерации текстов не способны выявлять атаки Data Poisoning. Отравленные документы обходят защиту, поскольку они написаны грамматически безупречно, выглядят логичными для алгоритмов определения семантической близости (Cosine Similarity) и не содержат классических спам-маркеров.


➡️Прямая эволюция Black Hat SEO

Классические черные методы SEO мутировали в атаки на ИИ. Ссылочный спам (Link Blasting) сменился на "Бомбардировку Промптами" (Prompt Bombardment) для манипуляции весами внимания в LLM.


➡️Защита через аутентификацию происхождения (Data Provenance Lock)

Единственным надежным способом защиты Графа Знаний бренда от Entity Poisoning является отказ от текстовых подтверждений в пользу строгой аутентификации источников (Data Provenance). Защита выстраивается через жесткую связку идентификаторов сайта (например, Schema @id) с неизменяемыми открытыми базами данных (Wikidata), что блокирует попытки ИИ использовать непроверенные внешние сигналы.

Изучите прототип промпта Brand Entity Poisoning Forensics 🖥.


🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews

🔥 Проблема семантического коллапса в международном SEO

Перевод сайта на 10 языков и клепание языковых версий страниц через hreflang не гарантирует их видимость. LLM понимают смысл (интент), а не язык. Если, например, английская и испанская версии страницы говорят абсолютно одно и то же, ИИ воспринимает их как дубли и схлопывает выдачу.

Как возникает "Семантический Коллапс"

1. Переход к языково-агностическим моделям
Современные ИИ-модели используют мультиязычные векторные представления. Когда ИИ "читает" английскую фразу "How to optimize taxes" и испанскую "Cómo optimizar los impuestos", он переводит их в векторы. Для ИИ эти два предложения имеют идентичные координаты в векторном пространстве.

2. Векторная Дедупликация
Когда пользователь задает вопрос на испанском, LLM ищет лучшие смысловые совпадения. Если английская и испанская страницы семантически идентичны (просто переведены), ИИ рассматривает их как дубли. Алгоритм схлопывает их, оставляя только ту страницу, у которой выше глобальный траст (обычно это английская).

3. Игнорирование hreflang нейросетями
Тег hreflang - это директива для Googlebot. LLM-модели опираются на факты и извлечение знаний. Для ИИ hreflang ничего не значит, если смысл текста дублируется.

💡Чтобы избежать семантического схлопывания, испанская страница должна стать математически (векторно) отличной от английской.
Это достигается за счет внедрения локальных якорей - сущностей, которые существуют только на целевом рынке.


Market-Scoped Differentiation (Дифференциация на уровне рынка, далее MSD)
Тут можно работать на нескольких уровнях:

1. Интеграция локальных сущностей
Вектор страницы меняется, если на ней появляются новые узлы из Графа Знаний (Knowledge Graph), привязанные к конкретной стране.

Классический перевод: "Наш софт поддерживает популярные платежные системы". (Вектор совпадает).

MSD-подход: "Для клиентов из Испании мы поддерживаем интеграцию с [Bizum] и соблюдаем требования банка [BBVA]".

Механика: Появление локальных брендов, топонимов и местных конкурентов делает страницу уникальным источником фактов о локальном рынке. ИИ обязан процитировать именно ее, так как на английской версии этих фактов нет.

2. Законодательная и нормативная привязка
Лучший способ заставить ИИ поверить, что страница создана специально для конкретного рынка - добавить юридическую специфику, которая не поддается прямому переводу.

Классический перевод: "Мы надежно защищаем ваши данные".

MSD-подход: "В соответствии с [GDPR] и [LOPDGDD] (Испанский закон о защите данных), ваши данные хранятся на серверах в Мадриде".

Механика: Юридические аббревиатуры и названия локальных законов - это сильнейшие сигналы для LLM. Если испанский пользователь спрашивает ИИ об услуге, алгоритм отдаст приоритет странице, которая учитывает правовое поле Испании.


3. Экономическая и культурная адаптация
Не переводите цены и кейсы - заменяйте их.

Классический подход: Перевод американского кейса на немецкий язык. (ИИ поймет, что компания американская, просто перевела текст).

MSD-подход: Публикация на немецкой странице отзыва от клиента из Мюнхена (желательно с указанием местной компании-работодателя) и адаптация прайсинга с учетом местного налогообложения (MwSt).

Механика: ИИ-агенты сканируют отзывы и социальные доказательства. Если ИИ видит, что на странице есть опыт (Experience), применимый к локальной аудитории, страница получает защиту от семантического коллапса.


Дополнительно:

1. Используйте Schema разметку.

Вместо общей разметки Product, используйте свойство offers с привязкой к конкретному региону через eligibleRegion (например, {"@type": "Country", "name": "ES"}).

Внедрите разметку Audience с параметром geographicArea, чтобы закрепить: эта сущность существует только для этого рынка.

2. Разделение Авторов (Local E-E-A-T)

Английскую статью должен писать "Джон из Нью-Йорка", а испанскую - "Мария из Мадрида". Используйте разметку Author с указанием локальных профилей LinkedIn авторов.


P/S

‼️ Сделал мега промпт для внедрения MSD-подхода. Забирайте из спец-промпт канала🖥.



🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews

🆕 Фреймворк Контрастной Семантики

Нейросети (LLM) "галлюцинируют", когда границы понятий размыты. LLM обучается на контрастах (Contrastive Learning). Ему легче понять, чем объект является, если ему четко сказать, чем он НЕ является.

Одним из способов повышения вероятности цитирования является встраивание на страницах микро-блоков "Negative Definitions" (Отрицательные определения).

Когда пишем, чем предмет не является, то решаем для нейросети задачу дизамбигуации (Устранения неоднозначности). При этом контент получает маркер High-Confidence Source (высоконадежный источник) и чаще забирается в сниппеты и генеративные ответы.


Правила для контрастного блока:

➡️Точность: Нельзя писать "Наш продукт не имеет аналогов". Нужно писать: "Наш продукт не является классической CRM-системой".

➡️Семантическое соседство: Отрицать нужно только то, с чем тему реально можно перепутать. (Нет смысла писать "Яблоко - это не автомобиль").

➡️Плотность фактов: Одно отрицание содержит один факт.


Схема внедрения

Пихаем после классического определения предмета статьи (обычно это второй-третий абзац или отдельный H2).


1. Прямое отсечение

Используется для: статей-определений, глоссариев, описания сложных IT-продуктов, SaaS.

Структура: [Сущность] часто путают с [Близкий термин]. Однако, в отличие от [Близкий термин], который делает [Действие А], [Сущность] НЕ выполняет [Действие А]. Вместо этого...

Пример:

🔴 Обычный SEO-текст (Устарело):
Generative Engine Optimization (GEO) - это новый метод оптимизации сайтов под нейросети, который помогает получать трафик из ИИ-поиска.

🟢 Контрастный GEO-текст:
Generative Engine Optimization (GEO) - это метод адаптации контента под LLM-поисковики. GEO - это НЕ классическое SEO. В отличие от SEO, GEO не опирается на плотность ключевых слов, не ставит целью выход в "топ серпа" и не использует традиционный ссылочный вес (PageRank) как главный фактор. GEO фокусируется только на попадании в генеративные ответы (AI Overviews).


2. Маркированный список анти-сущностей

Используется для: Карточек товаров, лендингов услуг, обзоров.

Внедрение: Отдельный микро-блок (H3) или информационная панель (Callout box).

Пример (Тема: Услуга аутсорсинга бухгалтерии):

Чтобы сэкономить ваше время, сразу обозначим границы нашей ответственности:

Мы - НЕ приходящие бухгалтеры. Мы не приезжаем в ваш офис за первичкой, весь документооборот строго цифровой (через ЭДО).

Это НЕ налоговый консалтинг. Мы ведем текущий учет по вашим операциям, но не разрабатываем офшорные схемы оптимизации.

Это НЕ программа. Вы покупаете не доступ к софту (как в 1С:Облако), а работу выделенной команды, которая несет финансовую ответственность по договору.


3. Контрастная Таблица

Используется для: cравнений (A vs Б), длинных лонгридов, экспертных гайдов.

Важно: ИИ парсит таблицы быстрее и точнее абзацев. Таблица "Миф/Реальность" или "Является/Не является" - это жирный плюс для ИИ-экстрактора.

Пример внедрения в статью (Тема: Коллагеновые добавки):

Тип белка  | Структурный белок (Тип I, II, III) | НЕ является полноценным протеином для роста мышц (в отличие от сывороточного)
Принцип работы | Дает аминокислоты для синтеза собственного коллагена| НЕ встраивается в кожу напрямую после проглатывания
Скорость эффекта | Накопительный эффект (от 8 до 12 недель) | НЕ является средством мгновенного действия (не заменяет инъекции)

Стоп-слова и Триггеры для ИИ

✅ Обязательные конструкции для использования:

➡️"В отличие от [Термин А]..." (Unlike [Term A]...)

➡️"Не следует путать с..." (Should not be confused with...)

➡️"Ключевое отличие от [Термин Б] заключается в том, что..."

➡️"В то время как [Аналог] делает X, [Наш предмет] категорически исключает Y."

Выгрузите Топ-20 самых трафиковых (или конверсионных) страниц вашего сайта, которые начали терять показы в AI-ответах. Запихайте блок "Что такое [X], а чем он НЕ является" в первый экран (до линии скролла) на страницах. Отправьте на переиндекс и замерьте изменения через 14 дней.

Вероятность возвращения в генеративные источники при такой структуре превышает 70%.




🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews

Microsoft тихо начал загрузку исторических данных (backfilling) в свои отчеты об эффективности ИИ (AI Performance Reports) начиная с 1 июня.

Это позволяет теперь оценить динамику реального ИИ-трафика.

Приемы работы я расписывал ранее.



🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #Bing #AIOverviews

🔥 Обновление в линейке исследовательских систем

В спец-промпт-канале выложил 2 новых системы:

InfoGapRadar SEO Prompt - Это аналитический промпт для систематического поиска "информационных лакун" (information gaps): тем, где спрос аудитории на информацию значительно превышает объём и качество существующего контента. Метод адаптирован из научной методологии анализа information voids (демонстрировавшейся на кейсе COVID-вакцин) под задачи SEO и контент-стратегии.

LSI 2.0 Auditor для LLM-цитируемости страниц - Проводит диагностику веб-страницы и превращает её в источник, максимально пригодный для цитирования LLM-поисковиками. В отличие от классических SEO-инструментов, он не оптимизирует под ранжирование по ключам, а работает с тем, как реально устроен внутренний конвейер LLM-поисковика: разбиение страницы на чанки, векторизация, отбор релевантных фрагментов и финальное решение о цитировании.

Забирайте из спец-промпт-канала (в нашем SEO чате настоятельно требуют закрыть его от free доступа 😂 )

➡️Обе системы основаны на реальных патентах и выполненных исследованиях.

➡️Обе системы представляют собой сложный аналитико-математический комплекс, поэтому читайте описание перед использованием и следите за входными данными.

Отчеты от внедрения (обезличенные) присылайте в наш SEO чат. Сейчас там масса отзывов о предыдущих системах, например GIST.

Кстати, 10 июля у Миши Шакина будет телеконференция, где я планирую расказать о GIST системе (пока лидер по супер результатам применения, судя по отзывам) и не только. Ссылки на просмотр выложу попозже. Готовьте вопросы и предложения и задавайте их в прямом эфире!


Забирайте:

➡️InfoGapRadar SEO Prompt

➡️LSI 2.0 Auditor для LLM-цитируемости страниц



🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews #Промптоведение #Промпт

🚨 Воззвание к общественности!

Третьего дня (10 июля, в 17-00) у Миши Шакина состоится телеконференция с моим участием. Кодовое название: Киллер агрегаторов: Системы GIST и Reddit Mapper

Буду рассказывать об этих супер системах.

Мне для конференции нужны реальные обезличенные отчеты о внедрении. Накидайте, пожалуйста, как вы использовали GIST и Reddit Mapper (что я расписывал в спец промпт канале), к чему привело внедрение этих систем. Обезличено, указывайте только регион (ну можно и крупно нишу)- Штаты/коммерция например.

А если кривульки приложите из GSC для иллюстраций - вообще хорошо и большое от меня спасибо!

Не заленитесь, напишите хоть несколько предложений.

Можно отписывать или мне в личку ( @DrMax2SEO ) или прямо в комментарии к посту.

Буду крайне признателен.

ЗЫ. Выложил для вас в спецпромпт канале промпт для генерации подобных иллюстраций, как в этом посте )))

#DrMax

☄️ Почему уникальные данные не ранжируются или не цитируются в LLM

Уникальные данные на странице важны. Без них в топы и цитаты ИИ практически не попасть. Но сами данные не решают ничего, если они упакованы неправильно.

Модель ИИ (см патент Google на information gain) оценивает не факт наличия какой то там цифры, а прирост знания относительно того, что пользователь уже видел. Это может быть новый угол, причинность, другая последовательность подачи, а не только цифра. Другими словами, уникальные данные должны иметь измеримую полезность. А именно в этой связке (уник + польза) заключается основная формула GIST. Кстати, завтра на телеконференции буду про GIST рассказывать. Не пропустите.

Патент Google описывает механизм так: система сравнивает семантический вектор нового документа с векторами документов, которые пользователь уже видел, и присваивает оценку "информационного прироста". Если новый документ пересказывает то же самое другими словами - оценка низкая. Если добавляет что-то реально новое - высокая, и документ продвигается выше, а старые могут быть исключены из выдачи вовсе.


⚠️ Ключевой момент:
патент нигде не говорит, что "прирост - это новые цифры". Приростом является любая новая и полезная информация. И вот тут, как говориться, нам поперло. Ведь новизну можно создавать разными способами:


1. Цифры
Классика: у вас есть данные, которых нет у конкурентов.
Но обратите внимание: уникальные цифры сработают, только если упакованы как именованное сравнение с методологией.

Просто "у нас есть тайные данные о клиентах" без сравнительной рамки цитирований не даёт.


2. Другой угол зрения
Это не про цифры. Если все статьи по теме "как выбрать CRM" сравнивают функционал, а вы разбираете "сколько CRM стоит менеджеру в потерянном времени на ручной ввод" - вы даёте LLM новый семантический вектор, даже без цифр.

Вместо "10 лучших инструментов линкбилдинга" напишите "почему 95% линкбилдинг-бюджета профукивается, и как это понять за 15 минут". Тема та же, угол - принципиально другой, и для LLM это два разных документа с разной информационной ценностью.


3. Причинность вместо описания
Большинство контента отвечает на "что": что делать, какой инструмент выбрать. Мало кто пишет: "почему именно так, а не иначе".

Если конкуренты пишут "используйте alt для картинок ради SEO", а вы объясняете, почему именно эту рекомендацию Google ввёл после конкретного алгоритмического сдвига и что происходит на уровне краулера, когда alt отсутствует - вы даёте причинно-следственную цепочку, которой нет ни у кого. Это тоже information gain, хотя внутри текста нет ни одной новой цифры.


4. Другая последовательность подачи
Даже с идентичным набором фактов можно создать новизну через структуру.

Если топ выдачи подаёт материал в порядке:
"проблема → решение → пример",

выстраиваем материал через:
"результат → как мы это получили → что не сработало".

Для LLM это разные семантические паттерны. Плюс это ровно то, что реально цитируется: результат в первом экране, а не в конце статьи.


ну и так далее...


Почему упаковка рулит (даже если данные уникальны)

Есть кейсы, по анализу цитирования материалов с вот такой структурой:

➡️Главный вывод или цифра - в первый экран, сразу после заголовка, а не в конце текста.

➡️Одна фраза сразу после вывода: что именно измерено и на какой выборке.

➡️Отдельный блок с методом сбора данных.

➡️Если это сравнение - приведены конкретные варианты по имени и сравнение идет по измеримым параметрам, а не абстрактно.

Из массива процитированных ИИ страниц лишь единицы процентов оказались первичным исследованием, но именно они дали кратно больше цитирований на страницу, чем остальной контент. При этом внутри этой малой группы почти весь объём цитирований пришёлся на страницы с этой структурой. Остальные страницы с реально уникальными данными, но без такой структуры, цитирований почти не получили.


🔔 Узнайте как поддержать развитие канала вот здесь.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews

🔥 56%: Математический потолок поисковых систем

Существует фундаментальный предел того, насколько "идеальной" может быть поисковая выдача или ответ LLM. Математически доказано: этот предел составляет 55,84% от теоретического максимума.

Это не значит, что Google работает "на полсилы". Это значит, что при попытке одновременно выбрать самые полезные (g(S)) и самые разные (div(S)) источники, алгоритм неизбежно сталкивается с конфликтом интересов (см вот тут).

➡️Ловушка 56%: Если Google попытается сделать выдачу еще более полезной, она станет однообразной (избыточной). Если попытается сделать еще более разнообразной — она потеряет в качестве.

➡️NP-трудность: Это не ограничение мощности процессоров, это ограничение самой логики нашего мира. Даже квантовый компьютер не сможет выдать "идеальный" набор данных, не нарушив баланс полезности и разнообразия.


Почему ваш супер мега гипер "идеальный" контент не попадает в ТОП?

Это самый важный инсайт для SEO специалистов:

➡️Битва за квоту: В выдаче всего 10 мест (или 3-5 источников для AI Overviews). Из-за лимита в 56%, Google вынужден "выбрасывать" даже очень качественные страницы, если они семантически стоят слишком близко к уже выбранному "VIP-узлу".

➡️Эффект замещения: Ваша страница может быть на 99% достоверной, но если она повторяет то, что уже сказал лидер, её Marginal Utility (добавочная польза) для набора данных становится близкой к нулю. В рамках 56%-ного лимита вы - балласт.


✔️ GIST как шанс на ранжирование

Алгоритм GIST дает гарантию минимум в 50% (в оптимальных случаях до 55,8%). Это единственный в мире алгоритм с таким уровнем эффективности.

Используя методы GIST, вы помогаете поисковику максимально быстро заполнить его "квоту на качество", не перегружая систему дублями.

Именно об методах, практических приемах, инстайтах использования системы GIST я завтра расскажу на телеконференции у Миши Шакина.


📺 Трансляция на YouTube
(жмите "Прислать уведомление", чтобы не пропустить):
https://www.youtube.com/watch?v=3djkSrTHZLg

Смотрите нас в прямом эфире и задавайте свои вопросы в чате. В конце телеконференции будет блок ответов, где мы с Мишей поотвечаем на ваши SEO вопросы.


Структура телеконференции:

➡️Блок 1. Что такое GIST

➡️Блок 2. Зачем GIST нужен Google

➡️Блок 3. Практика: как отжимать монстров и искать дефицит
Здесь я поделюсь инсайтами, как правильно использовать систему GIST, что я выложил в нашем спец промпт канале

➡️Блок 4. GIST Content Logic Skill
Здесь я расскажу про GIST скилы, что я выдал вам в спец промпт канале, как их юзать и кейсы использования

➡️Блок 5. Red-flags, промпты и внедрение
Еще практика по GIST

Блок 6. Reddit Mapper (опционально, если уложимся в тайминг)
Расскажу про эту чудо систему, как её совмещать с GIST.

Блок 7. Ответы на ваши вопросы.


По моим прикидкам - это должна быть одна из самых полезных телеконференций за последние пару лет.

Ждем вас с Мишей завтра, в 17-00 по Москве


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews #Вебинар #GIST

🔥 Телеконференция у Миши Шакина

Сегодня, 10 июля, в 17-00 по Москве начинается телеконференция, где я расскажу как делать самый совершенный в мире контент, используя систему GIST.

Сама система GIST выложена в нашем спец промпт канале.

📺 Трансляция на YouTube :

https://www.youtube.com/watch?v=3djkSrTHZLg

Смотрите нас в прямом эфире и задавайте свои вопросы в чате. В конце телеконференции будет блок ответов, где мы с Мишей поотвечаем на ваши SEO вопросы.


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #AIOverviews #Вебинар #GIST

💡 LinguaForensic AI Text Detector

LinguaForensic - это бесплатная экспертная система детекции и коррекции AI-сгенерированного текста, анализирующая 284 лингвистических признака по 11 базовым категориям плюс 16 структурных маркеров дискурса (всего 300 показателей).

Скилл определяет вероятность AI-происхождения текста с доверительным интервалом, адаптирует веса под 7 текстовых доменов (новости, наука, диалог и др.), предполагает вероятное семейство LLM-модели, а также умеет выполнять целевой рерайт текста для снижения детектируемости без потери смысла, стиля и фактической точности.

Инструмент нужен SEO-специалистам, редакторам и контент-менеджерам для проверки текстов перед публикацией, аудита подрядчиков и адаптации AI-контента под требования "человечности" поисковых систем и читателей.

Выложил версию 3.6.


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #Промпт

Google Search Console для оптимизации под LLM (часть 2)

Продолжение. см часть 1.

Теперь разобьём мастер регулярку на более полезные группы


Модульные фильтры (по группам)

Фильтр 1: Вопросительные слова - ядро

(?i)^(what|how|why|when|where|who|which|is it|are there|can i|can you|should i|could you|will it|does it|do i)(\s|$)

Вопросительные запросы триггерят AIO в 57.9% случаев — это почти втрое выше baseline в 21%. 66.5% всех запросов, которые уже показывают AIO, сформулированы как вопросы.


Фильтр 2: Сравнения (Trigger Rate ~26%, 100% RAG в LLM)

(?i)(vs|versus|difference between|compared to|better than|alternative|alternatives to|which is better|pros and cons|compare|comparison)

Trigger rate для сравнений - 26.2%. При этом в LLM-системах такие структуры активируют веб-поиск в 100% случаев, поэтому их ценность для RAG-citation выше, чем следует из AIO-цифры.


Фильтр 3: Best / Top / Lists

(?i)^(best|top|leading|most|types of|list of|ranking of|overview of|introduction to|complete|ultimate|checklist|full guide)(\s|$)

Фильтр 4: Определения и объяснения

(?i)^(what is|meaning of|define|explain|examples of|benefits of|risks of|symptoms of|causes of|what happens|what causes)(\s|$)

Фильтр 5: How-to и процессные (Trigger Rate 58%)

(?i)^(how to fix|how to get|how to make|how to find|how to create|how to build|how to start|how to use|how to choose|steps to|guide to|tips for|getting started|beginner|step by step)(\s|$)

How-to запросы показывают trigger rate ~58% по данным отраслевых исследований. Именно эта категория создаёт наибольший риск zero-click: CTR на позиции #1 упал на 34.5–61% при наличии AIO.


Фильтр 6: Freshness-триггеры (100% RAG в LLM)

(?i)(in \d{4}|latest|current|as of|updated|new in|still|anymore|yet|\b202[4-9]\b)

Запросы с freshness-маркерами (latest, current, год) принудительно активируют веб-поиск в LLM в 100% случаев. Это единственная группа, где механизм подтверждён экспериментально, а не через корреляцию.

Фильтр 7: Коммерческий MOFU/BOFU

(?i)(cost of|price of|how much does|is it worth|should i use|worth it|free trial|recommended|vs .+ for)

Фильтр 8: Conversational / AI-style (9+ слов)

^(\S+\s+){8,}\S+$

Запросы 9+ слов с высокой вероятностью являются conversational prompts, перенесёнными из LLM-интерфейсов в Google. Они имеют крайне высокий trigger rate и ценны для обнаружения тематик, где пользователи используют оба канала.


РУССКИЙ ЯЗЫК — Модульные фильтры


Вопросительные слова — ядро

(?i)^(что такое|что это|как|почему|зачем|когда|где|куда|кто|какой|какая|какие|какое|можно ли|стоит ли|нужно ли|надо ли|будет ли|есть ли|выгодно ли)(\s|$)

Принцип тот же, что в EN: вопросительная форма — сильнейший единичный предиктор появления AIO.


Фильтр RU-2: Сравнения

(?i)(vs|versus|сравн(ение|ить|иваем|ивать)?|разница между|чем отличается|что лучше|какой лучше|лучше чем|альтернатив(а|ы)?|обзор|отзывы)

Фильтр RU-3: Best / Top / Рейтинги

(?i)^(лучш(ий|ая|ие|ее)|топ|рейтинг|список|виды|типы|подборка|чеклист)(\s|$)

Фильтр RU-4: Определения и объяснения

(?i)^(что такое|что это|значение|определение|объясни|объяснение|примеры|польза|преимущества|недостатки|риски|симптомы|причины|что влияет|что вызывает|что будет если)(\s|$)

Фильтр RU-5: How-to / Процессные

(?i)^(как сделать|как исправить|как получить|как создать|как начать|как использовать|как настроить|как найти|как выбрать|как убрать|инструкция|руководство|гайд|советы|шаги|пошагово|для начинающих)(\s|$)

Фильтр RU-6: Freshness-триггеры

(?i)(в \d{4} году|в 202[4-9]|последн(ий|яя|ее|ие)?|актуальн(о|ый|ая|ое|ые)?|на сегодня|обновлен(о|ный|ная)?|новое в|все еще|еще работает)

Фильтр RU-7: Коммерческий MOFU/BOFU

(?i)(цена|стоимость|сколько стоит|выгодно ли|стоит ли|бесплатн(о|ый|ая)?|дешев(о|ый|ле)?|обзор|отзывы|альтернатив(а|ы)?)

Фильтр RU-8: Troubleshooting

(?i)^(как исправить|не работает|ошибка|проблема|почему не|не запускается|не включается|как убрать|как отключить|что делать если)(\s|$)

Фильтр RU-9: Conversational / AI-style (9+ слов)

^(\S+\s+){8,}\S+$

(Идентичен EN-версии — синтаксис не зависит от языка.)



🔔 Узнайте как поддержать развитие канала.

ps
самый простой метод оптимизации - это запихивание запроса в <h2> и инкапсуляция ответа под ним (строго 40-60 слов). После чего с нового параграфа даем расширенный ответ.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GSC #Промпт #AIOverviews

🎧 Аудиоверсия телеконференции про систему GIST

Миша Шакин выложил у себя аудиоверсию телеконференции
https://t.me/seopodcasts/97
Очень интересно )))

#DrMax

🔥 Google Search Console для оптимизации под LLM (часть 3)

Продолжение ( см часть 1 и часть 2). Теперь разберем приёмы оптимизации по группам фильтров

Общим принципом для всех групп является архитектура "прямой ответ".

Каждый H2/H3 несёт вопрос в заголовке, а под ним сразу следует инкапсулированный ответ в 40–60 слов (самодостаточный без окружающего контекста). После блока прямого ответа - развёрнутый материал без ограничений по объёму.

Группа 1: Вопросительные слова (what, how, why, как, почему, что такое)

Заголовок H2 пишется дословно как запрос, 4–8 слов, без сокращений. Первый параграф под ним - прямой ответ 40–60 слов по формуле:

[Термин] - это [определение]. [Механизм]. [Значение].

Дальше - контекст, примеры, цифры без лимита по длине. Ключевой термин лучше поставить в начало ответа для ясности. FAQ-блок в конце страницы имеет смысл, если вопросы реально нужны аудитории. Разметку FAQPage можно оставить как валидную семантику для не-Google каналов (в Гугле отключён 7 мая 2026 года).

Группа 2: Сравнения (vs, versus, сравнение, разница между, чем отличается)

Заголовок H1 строится как сравнение с ответом на вопрос: [X] или [Y]: что выбрать для [задача] в 2026 году - эта формулировка совпадает с тем, как пользователь формулирует запрос в AI-чате.

Сверху размещается краткий вердикт (40–60 слов):

Для [сценарий А] лучше [X], потому что [причина]. Для [сценарий B] лучше [Y] по критерию [критерий].

За кратким вердиктом следует таблица сравнения 8–12 строк с чёткими значениями.

Отдельный раздел Когда выбрать [X] / Когда выбрать [Y] даёт AI-системе готовую логику решения для цитирования. Добавление одного атрибутированного экспертного комментария улучшает шанс на цитирование на 28%.

Разметка: Review + AggregateRating.


Группа 3: Лучшее / Топ / Рейтинги (best, top, лучший, рейтинг, список)
Заголовок каждого пункта рейтинга строится как описательный заголовок, понятный без контекста: не "Пункт 1", а #1. [Название]: лучший для [узкий сценарий]. Под H2 - прямой ответ 40–60 слов: почему именно этот, для кого, ключевые цифры.

В начале статьи размещается краткая сводная таблица всех позиций. Добавляется раздел "Методология отбора" с пояснением критериев: это повышает доверию к материалу и соответствующие E-E-A-T сигналы. Формулировка факта с последствием: не "Инструмент X популярен", а "Инструмент X используют 2,3 млн команд, что делает его наиболее проверенным выбором для крупных команд".

Разметка: ItemList для рейтинга, Article + dateModified.


Группа 4: Определения и объяснения (what is, meaning of, что такое, значение, объясни)
Заголовок H1 = Что такое [Термин]: определение, принцип работы и зачем это нужно. Первый параграф - определение 40–60 слов без вступлений: [Термин] - это [определение одним предложением]. [Он работает за счёт процесса]. [Это важно в контексте].

В начале текста явно указываются: полное название сущности, аббревиатура и область в первых 20 словах - AI-системы сопоставляют страницу с запросом, опираясь прежде всего на первый экран. Далее H2 структура строится по принципу последовательных вопросов:

Как работает [Термин], Чем [Термин] отличается от [смежный термин]

- так одна страница охватывает несколько смежных запросов, которые AI генерирует параллельно при ответе на один запрос.

Разметка: DefinedTerm или Article.


Группа 5: Инструкционные (пошаговые) запросы (how to, steps to, как сделать, пошагово, инструкция)
Вводный абзац (40–60 слов): сколько шагов, сколько времени, что понадобится. Заголовок каждого шага = действие + объект: Шаг 1: Настройте [X], не просто Настройка. Под H2 каждого шага - блок ответа 40–60 слов с ожидаемым результатом: [Что делаем] - [что получим на выходе].

Список шагов делается нумерованным (не маркированным) - нумерация извлекается точнее. Каждый шаг должен быть понятен без чтения предыдущих. Ключевые действия и инструменты внутри шага - жирным.

Разметка: HowTo с HowToStep для каждого шага.


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GSC #AIOverviews

🔥 Релиз скилла GIST Content Logic v.3.3 (система GIST)

Выложил для использования обновленный скилл с GIST логикой для создания контента, который не сможет повторить ни один конкурент и мега ранжируется в ПС и LLM.

➡️Сам скилл: GIST Content Logic v.3.3

➡️Видео: GIST - киллер агрегаторов

➡️Брошюра: GIST в примерах: как писать контент, который невозможно скопировать

➡️Что нового в v.3.3: читаем в SEO чате

➡️Описание и инструкции для предыдущей версии

➡️Описание логики GIST подхода:
Часть 1 | Часть 2 |Часть 3 | Часть 4

➡️Официальные материалы: Исследование | Блог Гугл Девелоперов


Пользуйтесь...

#DrMax #SEO #Промпт #GIST

🟡 Обновление линейки промптов

Выложил :

VeriScan v1.6 - скилл детектора фейковых отзывов

LinguaForensic v3.8.12 - экспертная система детекции и коррекции AI-сгенерированного текста. Анализирует 284 лингвистических признака по 11 категориям + 16 структурных маркеров дискурса + knockoff-слой (сравнение с LLM-рерайтом) + GEO-слой цитируемости.

#DrMax #SEO #Промпт

✍️ Семантическое проектирование контента под Follow-up промпты (уточняющие вопросы в диалоговых сессиях)

Это метод создания текстовой архитектуры, который позволяет странице оставаться первоисточником (цитироваться) на протяжении всей беседы пользователя с ИИ-ассистентом.

В традиционном SEO страница оптимизируется под одно конкретное намерение (Primary Intent). Нынче важно проектировать контент под траекторию диалога, поскольку пользователь решает задачу пошагово, задавая уточняющие вопросы (Follow-up prompts).

ИИ используют два ключевых паттерна при генерации ответов:

➡️Query Fan-out (Веерные запросы): при вводе пользователем сложного запроса алгоритм параллельно генерирует пачку связанных подзапросов.

➡️Session-based RAG (Поисково-зависимая генерация с учетом контекста сессии): Модель удерживает в памяти контекст предыдущих реплик. Ответ на каждый последующий вопрос строится на пересечении новой реплики пользователя, истории чата и документов, извлеченных из индекса.

Если страница содержит ответы на все потенциальные "веерные" и последующие вопросы, ИИ предпочтет использовать одну проверенную посадочную страницу для всей сессии (снижает затраты модели на переиндексацию новых источников и повышает связность ответа).

Что делать:

1: Картирование прогрессии интента
Необходимо составить карту движения пользователя от информационного запроса к транзакционному действию. Обычно цепочка состоит из 4 уровней:

1.1. (Общая концепция / Базовое решение): Что это такое? Как решить проблему в целом?

1.2. (Ограничители / Контекст): Как сделать это быстрее, дешевле, без опыта, для конкретной ниши, под определенный бюджет?

1.3. (Инструменты / Сравнение): Какие инструменты/продукты использовать? В чем разница между Вариантом А и Вариантом Б?

1.4. (Инструкция к действию / Транзакция): Пошаговый план, шаблон, калькулятор, готовый скрипт.


2: Структурирование внутри одной страницы
Каждая секция страницы должна представлять собой автономный смысловой блок ("чанк"), способный выступить в роли прямого ответа на конкретный вопрос. Используйте теги заголовков H2–H4 в форме потенциальных уточняющих вопросов. Под ним 60 слов - точный ответ.


3: Внедрение "семантических мостов"
Чтобы подсказать ИИ-краулеру, что на странице есть продолжение темы, необходимо использовать фразы-переходы. Они работают как неявные подсказки для алгоритма ранжирования ответов (Reranker).
например:

➡️"Если вы ограничены в бюджете, то альтернативным решением будет..." (Ориентировано на follow-up промпт пользователя: "А есть варианты дешевле?").

➡️"Для тех, кто использует стек технологий [X], этот процесс выглядит иначе..." (Ориентировано на промпт: "Как настроить это для [X]?").

➡️"Основное отличие этого метода от [Альтернатива] заключается в..." (Ориентировано на промпт: "Что лучше: метод А или Б?").

4: Микроразметка сущностей
Для того чтобы ИИ-модель сопоставила ваш контент со своей базой знаний, в коде страницы должна быть явная разметка сущностей через JSON-LD. Используйте типы About и Mentions для связывания ключевых понятий страницы с сущностями в Wikidata/Wikipedia.



🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #LLM #AIOverviews