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

☄️ 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

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

🔥 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

✍️ 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

🕸 Google Search теперь использует Gemini 3.5 Flash-Lite (с 21 июля)

Google выпустил три новых модели Gemini - 3.6 Flash, 3.5 Flash-Lite и 3.5 Flash Cyber, при этом заявленная 3.5 Pro так и не вышла (там офигенская проблема с кодированием - т.е. с вайбкодингом, которую не смогли забороть).

3.5 Flash-Lite - самая быстрая и дешёвая модель класса, 350 output tokens/сек, значительно опережает предыдущие Flash-Lite поколения на агентных задачах, уже раскатывается в Google Search для агентного поиска.

Более быстрые и дешёвые модели в основе AI Mode/Overviews обычно ускоряют масштабирование агентных функций (booking, персональные ассистенты) - важно следить, не изменится ли качество выборки источников при переходе на новую модель для рутинных агентных сценариев.

Ну и конечно, в очередной раз обновились приемы оптимизации под AI Mode Гугла.

Подробнее о новых модельках читайте вот тут.

ЗЫ.
Чанкирование по прежнему рулит.



🔔 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 #Google #AIOverviews

✔️ Обновление LinguaForensic AI Text Detector до версии 3.8.12

На днях обновил и выложил детектор роботности (AI-risk). Самое главное - он теперь достоверно отлавливает RLHF сглаживание старших моделей LLM (т.е. маскировку под человека). Пересчитал веса и встроил дополнительные детекторы поверх прежней базы (284 признака + 16 маркеров + knockoff слой).

Как то это прошло мимо общественности )))

Для чего он вообще нужен этот детектор? Сразу скажу не ради снижения роботности (в скилл встроена такая функция, как обратная от детекта, но лучше её не использовать).

Детектор открывает безграничные возможности анализа выдачи и коррекции текстов.

1. Проверяем топ выдачи ниши (по нескольким интентам) на роботность и оцениваем возможность внедрения pSEO. Ищем ниши, где human-style контент - конкурентное преимущество, либо где AI-контент стал отраслевой нормой.

2. Сравниваем AI-профиль Top с профилем собственного URL. Сопоставляем паттерны детектора с контентными форматами лидеров.

Для своего контента можно:

3. Сравнивать результаты разных LLM на одном ТЗ / один промпт между версиями модели

4. Выявлять говнопромпты, которые стабильно производят легко детектируемую генеренку (например используя tricolon-риторику)

5. Сравнивать вводные/финальные абзацы всех страниц одного кластера

6. Если большая команда у вас - отлавливать ленивых редакторов и наказывать рублем, формировать карту сильных/слабых редакторов.

7. Контролировать качество массовых обновлений устаревших статей (если на автомате обновляете). Находить "переписанные без понимания" экспертные тексты.


Архитектура и pSEO:

8. Контролировать качество карточек товаров

9. Оценивать категории (не выглядит как просто каталог без мнения?)

10. Находить кластеры с одинаковой структурой при разных ключах

11. Оценивать риск запуска нового шаблона до генерации 100500 URL

12. В коконцах находить хабы, которые тупо пересказывают дочерние страницы


Аналитика:

13. Объединить AI-risk с GSC impressions, CTR и position. Проанализировать зависимость между роботностью и скоростью первой индексации, между роботностью и CTR, между роботностью и стабильностью позиций, между роботностью и поведенческим (например scroll depth, дочитываемостью, временем на странице и пр)

14. Искать порог роботности, после которого падает эффективность конкретного сайта/страницы/кластера/каталога и пр.


И еще 100500 разных способов использовать есть. Удивительно универсальный и полезный инструмент получился.


ВАЖНО:

1. Разные LLM дают разный % роботности. Это нормально. Оцените свой текст и сравните с роботностью, например, главы из "Капитанской дочки". ЧатГПТ на последних моделях наиболее суров, по сравнению с той же Клавдией.

2. Обязательно используйте стартовый промпт (приложил в описании). Без него LLM будет усиленно симулировать работу. Как минимум, в РЕЖИМ2 работе, LLM должна сгенерировать рерайт текста для knockoff-диагноза (один из слоев проверки роботности, когда LLM генереачит рерайт детектируемого текста и сравнивает его гладкость и роботность с исходным). Если рерайта нет или скажет что его эмулировала - перезапустите чат и заново вдолбите стартовый промпт. Иначе анализ будет абсолютно недостоверен.


Необходимо понимать:

1. Роботность - не прямая причина падения/роста в Google

2. Нельзя использовать роботность как автоматический повод удалить URL из индекса

3. Скилл не сможет восстанавливать точный исходный промпт конкурента. Много разных промптов и моделей дают похожие текстовые говнопаттерны.

4. Нельзя определять фальшивость автора исключительно по AI-score. Авторство - внешняя проверяемая сущность,а не лингвистическая метрика.


Смешно вышло:

Сгенерачил рабочий текст в Клавдии. Проверил скиллом на роботность. Клавдия аж распсиховалась - мол не доверяешь мне, говорит. Естественно, говорит, это робот сделал (то есть модель клода). Ну и никак я менее 50% роботности без потери качества контента не сделаю. И давай упрекать и ныть ))) Забавно


▶️ Качать вот тут.


🔔 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 #Google #AIOverviews #Промпт

🔥 Как Гугл гнобит контент и куда бечь

На днях вычитал исследование Daniel Stanica "The Great Blogging Collapse". Там расписано, что 100 блогов - миллионников, которые в 2022 году были эталоном заработка на контенте, к 2026 потеряли медианно 85% органического трафика. Выжили только те, чей контент нельзя пересказать AI-суммаризацией без потери ценности: рецепт, который реально готовили, схема вязания, протестированная стежок за стежком, а не простая генеренка "как сделать X".

Крайне интересное и поучительное чтиво.

Отсюда родилась идея: а что если проверять "полезность" контента не через классические SEO-метрики, а через прямой эксперимент - заставить LLM саммаризировать текст и посмотреть, что теряется при сжатии. Если summary полностью закрывает потребность читателя - контент заменяем, и AI Overview его просто сожрет без клика.

Быстренько накидал и протестил хитрую системку CVD (Content Value Detector).

Что делает скилл:

➡️разбивает текст на смысловые юниты (личный опыт, данные, выводы, факты, визуальные артефакты)

➡️генерирует реальное summary, а не эмуляцию

➡️сверяет, что выжило, что деградировало, что пропало

➡️считает Replaceability Score с калибровкой на нишу (Finance и Parenting ведут себя принципиально по-разному)

➡️учитывает size of owned audience - если у вас 50k подписчиков, даже высокая заменяемость текста менее опасна

➡️классифицирует архетип контента: демонстрирует действие или просто описывает

Совместимость:

➡️с GIST-логикой - GIST ищет, каких смысловых узлов не хватает, CVD проверяет, что написанные узлы не сводятся к обобщению

➡️с детектором роботности v3.8.12 - два независимых диагноза: похож ли текст на AI по форме, и заменяем ли он по содержанию, независимо от автора

Работает и в режиме одного чата (просто прикладываете текст и указываете режим), и в агентских системах - каждый режим отдаёт машиночитаемый JSON, который оркестратор может комбинировать с другими скиллами без ручного маппинга полей.

▶️ Скилл - качаем и тестим из спецпромпт канала.

Юзайте и делитесь наблюдениями в нашем SEO чате (комментариях).



🔔 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 #Google #AIOverviews #Промпт

🍎 Крах листиклов и новые возможности SEO/GEO продвижений

В прошлом году была крайне популярна (да что там говорить и крайне эффективна) тактика листиклов. Компании публиковали на собственном блоге статьи вида "Лучшие [категория]", где ставят себя на первое место, а иногда договариваются с конкурентами о взаимном упоминании - по принципу "ты упоминаешь меня, я упоминаю тебя".

Это была современная версия взаимных ссылок. Такие конструкции пихали бренд в ТОПы и Гугла и всяческих LLM. До поры, до времени.

Лили Рэй (Lily Ray) в течении года проводила исследование этого феномена. Вот реальные цифры из её датасета:

➡️184 самопродвигающих листикла у 146 брендов - таков был масштаб паттерна на момент первого анализа

➡️На одном отдельно взятом сайте она обнаружила 191 самопродвигающий листикл ("best", где компания ставит себя на #1) при общей просадке видимости блога после Google-обновления января 2026.

➡️На другом сайте - 267 из 2,790 проиндексированных статей блога оказались такими же self-promotional листиклами, причём 76 из них содержали "2026" в заголовке.

➡️Третий кейс - SaaS-продукт, потерявший -34% суммарной видимости после того же обновления.

Более поздний анализ Lily Ray (100 B2B-запросов "best [категория]" в Google AI Overviews, три замера с апреля по июнь 2026) показал: страница-листикл бренда цитируется, но сам бренд исключается из финальной рекомендации AI Overviews примерно в 69% случаев. Это означает, что Google фактически "отвязал" то, что он цитирует как источник, от того, кого он рекомендует пользователю - самопродвигающий листикл может формально попасть в источники, но конкурент, упомянутый на второй-третьей позиции того же листикла, получит рекомендацию вместо автора статьи.

Общие паттерны у пострадавших сайтов:

➡️Практически идентичные программатик-шаблоны контента

➡️Избыточное использование "2026" в заголовках при том, что год только начался

➡️Отсутствие реальных доказательств тестирования продуктов, которые ранжируются в листикле (Google явно требует свидетельств реального использования для review-контента)

➡️Блог составлял 77–90% всей видимости пострадавших сайтов - то есть удар по этому конкретному разделу контента обрушивал показатели всего домена

Более свежий разбор (июль 2026) подтверждает продолжение тренда: у SaaS/B2B-сайтов с self-promotional листиклами зафиксированы просадки видимости на 30–50% в течение нескольких недель, концентрированные именно в блоговых поддиректориях и сравнительных страницах - и этот эффект переносится не только на Google, но и на ChatGPT, Perplexity и другие системы, которые опираются на индекс Google при retrieval.

Google официально не подтвердил отдельный алгоритмический сигнал или именованное обновление против листиклов как формата - представитель Google заявил The Verge, что компания применяет общие защиты против манипуляций в Search и Gemini, без выделения листиклов в отдельную категорию наказания. Не каждый листикл страдает: объективные списки от третьих лиц без явного элемента самопродвижения сохраняют позиции стабильно.

Сама Lily Ray формулирует альтернативный подход: тактика листиклов может продолжать работать, но не должна размещаться на собственном домене - вместо этого стоит инвестировать в PR и маркетинг, чтобы о бренде писали независимые третьи стороны с реальными данными и исследованиями в подтверждение, поскольку LLM "доверчивы" и цитируют почти всё, что встречают, но именно независимость источника определяет, попадёт ли бренд в финальную рекомендацию, а не только в список цитирований.

Ценность этого исследования заключается не в разоблачении отдельной хитрой механики накрутки (их тысячи таких), а в подтверждении окончательного перехода Гугла к работе с паттернами (шаблонами). Если сайт попадает страницами в какой то негативный паттерн (выборка масштабов не отдельных страниц, а сотен сайтов из инета), то такому сайту приходить конец.

Я хочу на днях сделать самый важный пост года на эту тему.



🔔 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 #Google #AIOverviews

⏺️ Как увеличить трафик сайта за 5 минут кнопкой "Добавить в предпочитаемые источники"

Около года прошло с внедрения Гуглом механизма выбора "предпочтительных источников" (Preferred Sources). На днях Google выпустил встраиваемую версию кнопки, которая держит читателя на странице публикатора вместо отправки на страницу механизма.

Зачем Google это нужно:

Это ловкий ответ на ярую критику Гугла по поводу падения трафика издателей из-за AI-функций поиска.

Важно понимать механику сигнала: это персонализация, а не ранжирующий фактор. Механизм (Preferred Sources) меняет то, что видит конкретный пользователь, а не позиции сайта для всех остальных (хотя и не факт, небось переменную-счетчик какой-никакой вкрячили для ранжирования. Да и поведенческое - возвраты и дочтения нельзя сбрасывать со счета).

По данным Google, пользователи, выбравшие источник предпочитаемым, кликают по нему в два раза чаще. Больше 600 000 уникальных источников уже выбраны пользователями на нынешний день (рост на 200% с мая).

Крайне рекомендую прикрутить такую кнопку себе на сайт. Сейчас это проделывается крайне просто. Кнопка ставится двумя строками HTML, скрипт-тег и div с атрибутом google-add-preferred-source-btn. Клик показывает подтверждение "Add as a Preferred Source on Google", после "Add" читатель оказывается на той же странице, откуда начал. Языки (локализация) также настраивается.

Можно использовать и старый вариант (сейчас это прозывается deeplink-вариант) для CMS без поддержки JavaScript. Его можно вставлять везде, в том числе в email-рассылки и соцсети.

С мая метка "preferred" показывается не только в Top Stories, но и в AI Overviews и AI Mode.

Важно понимать, что механизм работает только на уровне корневого домена или поддомена. Подпапка вроде example.com/blog отдельным источником не считается.

Кому это нужно проделать в первую очередь:

Для информационных сайтов и медиа инструмент подходит практически идеально. Он изначально создан под Top Stories и Discover. При этом получаем хитрые эффекты:

1. прямой канал удержания уже лояльной аудитории одним кликом;

2. видимость в AI Overviews и AI Mode с явной меткой на фоне обезличенной AI-суммаризации;

3. частичная компенсация трафика, потерянного из-за AI-функций поиска.

Google рекомендует ставить кнопку в конце длинных статей и в футере, там, где читатель уже дочитал и вовлечён, а не в начале страницы. Но я бы поставил кнопку в самый вверх, под H1.


С коммерческими сайтами сложнее. Механика спроектирована под новостное потребление контента, а не под карточку товара или страницу услуги. Для чисто транзакционного интернет-магазина без контентного раздела эффект будет близок к нулю. Но тоже можно попробовать выкрутиться:

1. Корпоративный блог на поддомене вроде blog.company.com может претендовать на статус отдельного источника и получить метку в AI Overviews по информационным запросам категории.

2. B2B и нишевые издания с коммерческой моделью, например SaaS с сильным контент-маркетингом. Здесь граница между информационным и коммерческим контентом очень слабая, и кнопка работает как инструмент удержания читателей блога, которые потенциально конвертируются в лиды.


✔️ Что сделать прямо сейчас:

1. Зайдите на страницу механизма и проверьте там свой сайт. Нерегулярно обновляемые сайты могут быть недоступны для этой функции.

2. Если сайт виден, ставьте кнопку одним из способов, расписанных на Гугл Девелоперсе.

3. Для email-рассылок и соцсетей используйте deeplink-вариант. Там есть архив с локализованными картинками кнопок.

4. Через пару недель проверьте рост возвратов пользователей в Аналитиксе.

Не ждите прямого роста позиций от самой кнопки. Это персонализированный сигнал, а не ранжирующий фактор, поэтому метрика успеха здесь - повторные визиты и клики выбравших вас пользователей, а не позиции в выдаче (что, повторюсь, не факт. Ибо поведенческое - решает многое!).

Для чисто транзакционных страниц без контентного компонента механизм бесполезен. Механика построена вокруг привычки читать, а не вокруг разовой покупки.

Тестируйте!



🔔 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 #GEO #Google #AIOverviews #SEOштукенции

🎮 Google в AI Overview стал ссылаться на новые AI Overview

Вычитал на днях разбор SEJ о ссылках в AI Overview. И поражаюсь наглости и хитрожопости Гугла. Google теперь наращивает количество "ссылок" внутри своих ИИ-ответов, но заметная часть этих ссылок ведёт не на внешний сайт, а на новый запрос внутри самого Google.

В статье расписано, как некий исследователь записал на видео, как кликает по подчёркнутому тексту прямо в AI Overview - и вместо перехода на сайт открывается диалог в режиме AI. Пользователь остался внутри Google, а для вас этот переход не существует даже в статистике, даже если он обучился на ваших материалах, цитирует ваши исследования и т.д. То есть никакого трафика сайт не получит. Не для того Гугл развивает свою экосистему, чтобы делиться возможной прибылью с авторами.

Параллельно Peec AI опубликовали график: доля AI Overview с внешней ссылкой в тексте ответа выросла до 26,2% к 20 сентября, взлетев резко именно 11 сентября. Вроде бы наблюдаем рост видимости для сайтов. Но график показывает только наличие ссылки в тексте, а не то, кликнул ли по ней хоть кто-то и куда она вообще ведёт - на внешний сайт или в тот же самый AI Mode.

Теперь сложите это с заявлениями самого Google за последний год. Август 2025 - Google хочет показывать больше встроенных ссылок. Январь - можно "задать уточняющий вопрос прямо из обзора ИИ и перейти в диалог режима ИИ", это назвали "единым плавным интерфейсом". Май - добавили подсказки "куда перейти дальше" в конце ответов. Июнь - снова "увеличили количество встроенных ссылок". Формально ссылок больше на каждом шаге. Но трафика на сайты особо не наросло.

Я думаю так: модель, которая годами обучалась на контенте всего интернета, всё меньше нуждается в том, чтобы отправлять вас читать этот интернет заново. Ей выгоднее держать вас внутри собственного диалога, где показывается реклама, товарные карточки и подписки, а не отпускать на сторонний сайт, с которого Google не получает ни цента. "Больше ссылок" в такой логике - это метрика для пресс-релиза акционеров Гугла, а не показатель реального трафика на ваш сайт.

Отдельно раздражает GSC. Отчёт по генеративному ИИ в Search Console показывает только показы, без кликов и CTR. Обычный отчёт по эффективности включает клики из AI Overview в общую кучу кликов веб-поиска, но не помечает их отдельно. Поделить одно на другое и получить CTR по ИИ-функциям физически нельзя из тех данных, которые гугл нам подсовывает.

Так что всякое там GEO - это становиться профанацией.

Отписывайте в комментарии - обсудим этот пердимонокль.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

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

❄️Всяческая SEO халява

🎮 Реестр моих Free промптов из спецпромптканала

#DrMax #SEO #AIOverviews

🆕 Google выкатил мониторинг информации в AI Mode

Google последователен в своем нежелании делиться посетителями со всякими там сайтами из выдачи. Теперь они приделали и раздают функцию мониторинга, которая раньше была только у платных подписчиков Ultra и Pro.

Говоришь AI Mode, что именно отслеживать, и Гугл самостоятельно проверяет сайты, форумы, соцсети, источники реального времени и Shopping Graph из 60+ миллиардов товаров. После этого он присылает уведомление когда условие срабатывает.

Примеры приведенные в посте: новые рестораны рядом, локальные события для детей на праздники, возврат товара в наличие и падение цены.

Для SEO это тот же паттерн, что мы обсуждали в постах про AI Overview и zero-click - только теперь без промежуточного шага в виде повторного запроса. Раньше пользователь хотя бы возвращался в поиск снова и снова, чтобы проверить "появилось ли в продаже" или "открылось ли новое место рядом" - и у вашего сайта был шанс попасться на повторном заходе. Теперь Google сам следит за изменением и присылает результат в приложении, без нового запроса вообще.

Для e-commerce критичной становится не позиция в выдаче, а точность и свежесть фида в Merchant Center. Именно оттуда, судя по описанию, тянутся данные о наличии и цене для Shopping Graph.

Для локального бизнеса критична актуальность Google Business Profile и структурированных данных о мероприятиях, а не разовая SEO-оптимизация страницы.

Если вас нет в источнике, который Google мониторит напрямую, повторный визит пользователя больше не гарантирован никаким запросом.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

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

❄️Всяческая SEO халява

🎮 Реестр моих Free промптов из спецпромптканала

#DrMax #SEO #AIOverviews #Google

🔄 Интересный эксперимент от Шепарда

Недавно Гугл прикрутил в GSC отключение показа ссылок и контента в генеративном поиске (см GSC - настройки). Шепард решил посмотреть как это работает и что происходит. Результаты удивительны.

1. Количество показов с использованием ИИ мгновенно падает до 0.

2. Количество обычных органических кликов также рухнуло, когда функции ИИ были отключены

Шепард выдвинул концепцию "эффекта ореола в поисковой выдаче» (SERP) - чем больше мест, где ваш бренд появляется в результатах поиска, тем выше вероятность того, что пользователь кликнет хотя бы в одном из них".

Если припомнить, что в органике Гугл старается повысить позиции сайтов с высоким CTR и понизить с низким, то можно увидеть, что эта схема работает и с AI-овервью Гугла (шанс клика и роста CTR выше, если вы болтаетесь и в АИ-овервью и в органике, нежели просто присутствуете в органике).

Почитать исследование можно тут. Особо изучите комментарии к посту.

Похоже, что GEO тащит SEO в органике. Насколь долго это будет работать - неизвестно, но сегодня это неплохая фишка, дабы нарастить клики и из органики и из ИИ-овервью.

Тут же обновил и донастроил GEO Structure Optimizer - хитрый промпт, который за счет точечных преобразований контента повышает видимость на 17-20% в ИИ выдаче. Можете скачать его в спецпромпт канале.

Резюме: ответы с использованием ИИ могут не приводить к огромному количеству кликов, но появление в результатах поиска с использованием ИИ, похоже, имеет значение для органики.

📔 DrMax: SEO Монстр 2027

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

❄️Всяческая SEO халява

🎮 Реестр моих Free промптов из спецпромптканала

#DrMax #SEO #Google #AIOverviews