Мари Хейнс разбирает TurboQuant.

Что означает TurboQuant для SEO?
В статье о TurboQuant говорится, что эта методика сокращает время индексации данных в векторное пространство практически до нуля [не теряя качество].

В ходе судебного разбирательства Панду Наяк говорил, что для первоначального ранжирования результатов используются традиционные поисковые системы, а затем RankBrain используется для переранжирования 20-30 лучших результатов. Они применяли его только к 20-30 лучшим результатам, поскольку это был дорогостоящий процесс.

Если TurboQuant сокращает время индексирования практически до нуля и значительно уменьшает объем памяти, необходимый для хранения огромных векторных баз данных, то исторические затраты на выполнение векторного поиска по более чем 20 или 30 документам полностью исчезнут.

TurboQuant позволит Google запустить масштабный семантический поиск.

Возможно, мы увидим больше ИИ-обзоров.
Персонализированный поиск станет еще более мощным.
Возможности агентных систем значительно улучшатся.
Поиск с использованием компьютерного зрения (скоро и в очках) станет еще более полезным.

JSON-файл с диапазонами IP краулеров Гугла переедет отсюда
https://developers.google.com/search/apis/ipranges/googlebot.json
сюда
https://developers.google.com/crawling/ipranges/common-crawlers.json

предупреждают гуглоиды.

Пока файлы будут по-прежнему доступны по старому пути, чтобы дать всем время обновить свои системы. Однако мы рекомендуем вам как можно скорее перейти на новый путь. В конечном итоге мы постепенно отключим старые местоположения и перенаправим пользователей на новые в течение 6 месяцев.

Google Discover — это не один алгоритм, а система из 20 конвейеров (пайплайнов), каждый из которых отвечает за свой тип контента, скорость подбора, охват и позицию в ленте. К такому выводу пришли Сильвен Доре и Дэмиен Анделл (1492.vision), проанализировав 42 млн карточек в лентах сотен устройств за 3 месяца (дек 2025 - фев 2026).

Пайплайны не только отбирают контент, но и определяют, где он появляется.
Например, срочные новости и связанный контент — позиции 2–4 (верх ленты).
Вовлекающий контент и шопинг — позиции 6–8 (ниже).
Это архитектурное решение: срочные новости захватывают внимание наверху, а вовлекающий контент поощряет скроллинг.

Структура пайплайнов в разных языках одинакова, но их распределение и значимость кардинально отличаются.

Более подробное объяснение про ограничение в 2 Мб для HTML-документов от Гэри Ийэша.

— Старайтесь максимально оптимизировать HTML-код: переносите ресурсоемкие CSS и JavaScript во внешние файлы
— Порядок имеет значение: размещайте наиболее важные элементы (title, canonical, структурированные данные) выше
— Отслеживайте логи сервера
Если ваш сервер испытывает трудности с обработкой данных, наши обработчики автоматически замедлят свою работу, чтобы избежать перегрузки вашей инфраструктуры, что приведет к снижению частоты сканирования.

10 ключевых характеристик брендов-победителей в ИИ-поиске от Алейды Солис
1. Доступность для сканирования (например, SSR для сайтов с большим кол-вом JS) — это база для всего остального
2. Полезность за рамками обычной релевантности ключевым словам, реальная ценность
3. Узнаваемость (четко определенная сущность, которую ИИ-модели могут обнаружить, понять и различить в своих семантических системах)
4. Извлекаемость (саммари, заголовки, структура текста)
5. Последовательность (единое позиционирование, терминология и информация о бренде) на вашем сайте и сторонних сайтах, соцсетях и СМИ
6. Подтверждение экспертизы в независимых источниках
7. Достоверность
8. Отличное от конкурентов позиционирование
9. Свежесть и актуальность (регулярное обновление контента)
10. Возможность совершения транзакций (для e-com: поиск, сравнение и, если применимо, процесс покупки с помощью ИИ)

В традиционном SEO качество бренда и продукта являются мощными мультипликаторами. В ИИ-поиске они всё больше приближаются к предварительным условиям, особенно для запросов, где система помогает пользователям оценивать варианты.

via Алейда Солис

2 цитаты из подкаста с А. Себрантом:

Личный бренд является тем активом, который очень сильно защищает от вытеснения, от покушения на твою работы этого самого ИИ.

Любопытство как копинг-стратегия в эпоху ИИ.

Смотрю на то, что Яндекс преодолел долю в 70% в рунете и думаю, что измерять доли поисковых систем на рынке через соотношение отдаваемого на сайты трафика — устаревший подход (причем еще до Алисы [Нейро] и AI Overviews).

Про рост видимости ютуба в Гугле на приборах.

Яндекс выпилит ряд моделей атрибуции, которые учитывают историю визитов только с одного устройства.

Гугл в ближайшие недели исправит давний баг в Search Console, который завышал кол-во показов с 13 мая 2025 года.

Ошибка в логах препятствует корректному отображению показов в Search Console начиная с 13 мая 2025 года. Эта проблема будет решена в течение следующих нескольких недель; в результате вы сможете заметить снижение количества показов в отчете о производительности Search Console. Клики и другие показатели не были затронуты ошибкой, и проблема затронула только логирование данных.

Посмотрим, как изменится CTR.

Гугл первый раз проведет конференцию Search Central Live в материковом Китае.

Реальность GEO: вероятностная выдача и база в виде SEO
Некоторые рабочие мысли по теме GEO/AEO/AI SEO/LLMO :)

Чтобы нейросеть уверенно порекомендовала ваш бренд, она должна увидеть согласие (консенсус) в источниках. Если 7 из 10 источников в поисковой выдаче говорят, что «компания X ненадежна», в выводе LLM будет что-то вроде: «существуют опасения относительно надежности компании X».

Ответы нейросети каждый раз разные (даже для одного и того же пользователя и устройства без учета персонализации): они не детерминированные (как поиск), а вероятностные. LLM по определению являются вероятностными системами. С распространением функций типа Google Personal Intelligence оценивать ситуацию будет еще сложнее (ответы станут гиперперсонализированными).

В ИИ-системах пользовательское поведение не такое, как в поиске: промпты длиннее и разнообразнее, содержат больше контекста (описания ситуации, условий и ограничений). Общение с ИИ — это диалоговая форма, а не одиночные запросы к поиску.

У издателей отсутствует статистика по пользовательским промптам и частоте появления сущностей в ответах ИИ-поиска и ИИ-помощников (кроме Bing Webmaster Tools, который выкатил отчет о grounding-запросах, но это тоже не исходные пользовательские запросы).

В рамках GEO мы можем повлиять на документы, использующиеся для обучающей выборки, а в большей степени — на результаты поиска Google, Bing и Яндекса, которые используются для заземления (grounding). Большинство современных ИИ-поисков работают по схеме: сначала запускается поиск (в Google, Bing или Яндексе), а затем LLM генерирует ответ на основе найденных документов.

Множество экспериментов указывает на то, что видимость в ChatGPT синхронно падает при падении видимости в обычном Google (не всегда, но часто), что еще раз подтверждает, что SEO — база.

У нас нет возможности оценить влияние на бизнес: по источникам кликают редко и мы видим только часть трафика из отдельных ИИ-помощников (alice.yandex.ru, gemini.google.com, chatgpt.com и т.д. и только веб-версии без приложений); мы не знаем долю переходов из генеративных ответов в Google и Яндексе, т.к. их реферер совпадает с поиском; чаще пользователь после этапа ресерча попадает на сайт из других источников, включая брендовые запросы.

В этой зарождающейся отрасли нет устоявшихся метрик и пока мы смотрим на долю упоминаний и тональность (Share of Voice / Share of Model). Иными словами, проводим бенчмаркинг для расчета вероятности присутствия в ответе. При этом довольно странно считать показатели по нескольким ИИ-системам без оглядки на то, что именно поисковые системы стали самыми посещаемыми ИИ-помощниками и их "удельный вес" в отчетах должен быть максимальным.

¯\_(ツ)_/¯

❗️В Яндекс Вебмастере появилась статистика по генеративным ответам (Показы сайта в Алисе AI)
Внутри:
— динамика Share of Voice (доля запросов с упоминаниями вашего сайта в списке источников)
— примеры запросов

MAU ответов Алисы AI на поиске — 46,5 млн пользователей.

Как рассчитывается SoV?
Отбираются все поисковые запросы, по которым ваш сайт показывается в Поиске.
Определяется, сколько всего ответов по этим запросам выдала Алиса AI.
Рассчитывается, в скольких ответах упоминался именно ваш сайт.
SoV рассчитывается как отношение количества запросов с упоминанием сайта в ответах Алисы AI к общему количеству запросов с ответом Алисы AI. Результат отображается в процентах.