Получил вопрос о сущностях - в чем смысл подобных действий для ИИ чатботов? С Гуглом все понятно, продвижение сущности бренда или человека, получение Knowledge Graph Panel или попадание в Граф знаний (Knowledge Graph).

Если вы не в курсе, ИИ очень не любят давать ссылки на внешние сайты, бренды, людей.
Для этого к примеру ChatGPT внедрил сущности внутрь чатботов.

Как это выглядит на практике?
К примеру вы спрашиваете о конкретном человеке подробности.
Первый тип - расширенный вывод о сущности. В примере про сеошника Сергея Кокшарова (Devaka).

Минус - на данный момент алгоритм очень плохо работает с фото и часто тянет просто фото с страниц, где есть публикация о человеке и не различает сущности на фото.

В разделе ссылки он правильно распознает все, как и в видео.

Вот как ChatGPT видит меня. Для меня он создал именованную сущность, но как всегда не правильно выбрал фотографии. Что не удивительно, так как моих фото мало.

Эта проблема не только у меня, а к примеру у Rand Fishkin.

Именованные сущности распознаются не только Person, но и для брендов, пример.
Примечательно, что не только ChatGPT внедряет сущности в ИИ, но и к примеру Perplexity. У него панель сущности немного отличается, но он намного лучше определяет фото.

Вы спросите, зачем вся эта суета? В чем смысл?

Смысл в топ, что в будущем ИИ чатботы будут формировать списки по отраслям, профессиям, типам работ.
И попадать туда будут только популярные сущности, остальные - не будут ранжироваться.
Пример чата (в котором я есть).

Чатботы будут хранить данные о сущностях и ранжировать их не по подборкам "Лучший специалист в нише", а учитывать упоминания в СМИ, коллаборации, статьи, интервью, как это уже делает Гугл.

Из личного опыта🥹

Добавил сущность в Google Knowledge Graph, можете поздравить.
На весь процесс ушло около 90 дней. При этом я допустил несколько ошибок, которые не давали попасть мне в панель, так бы ушло возможно и месяц.

Чем интересен этот пример? Я попал без WikiData, мощных СМИ, без махинаций с IMDB и без добавления через музыкального исполнителя (самые распространённые дешевые методы) и без публикации книги.

Минус - получил самую простую именованную сущность, пока без фото и описания. Но я это решу :)

Кроме этого алгоритм не склеил меня с русскими "Евгений Молдовану" и украинским "Євген Молдовану", таким образом еще не учлось до 80% статей.

Если вам интересно, есть ли у вас вообще именованная панель (или у вашего бренда)
Идем и вбиваем вариации вашего имени и фамилии demo API сюда.
Вот так. И если она есть получите KGMID.
Подставляете скопированные цифры и юрлы в запрос
https://www.google.com/search?kgmid=/g/11z004p72k
Переходите и увидите свою сущность.

Если захотите повторить - присмотритесь к списку сайтов.

🟢 Патент Google: Как поисковик выявляет скопированный контент (US8909628B1)

Технология создана для автоматического обнаружения ворованного контента в интернете.

На основе анализа вычисляется показатель оригинальности сайта.
Эта оценка используется алгоритмами ранжирования для формирования честной поисковой выдачи: ресурсы, создающие собственный контент, получают приоритет и поднимаются выше, в то время как сайты с ворованным текстом теряют позиции.

🟢Как это работает

Система оценивает уникальность, делая выборку небольших текстовых фрагментов (n gram) со страниц сайта.
Алгоритм подсчитывает два значения: сколько фрагментов было отобрано для проверки в целом и сколько из них были впервые опубликованы именно на этом ресурсе.

Итоговая оценка оригинальности рассчитывается как математическое отношение этих показателей (формула F/T, где F — агрегированное количество уникальных фрагментов сайта, а T — общее число проверенных фрагментов). Базовая формула может дополняться специальными константами для финальной корректировки балла.

🟢Какие методы используются:

Разбиение на n-граммы: Весь текст делится на короткие последовательности слов, называемые n-граммами (например, от 1 до 10 слов в каждой).

Хеширование ( MinHash): Для обеспечения стабильности проверки система переводит каждую n-грамму в уникальное числовое значение (хеш). Благодаря этому алгоритм находит плагиат даже в тех статьях, где вор частично изменил текст.

🟢Проверка по временной метке:
Первоисточником текста признается сайт с самой ранней меткой времени сканирования.
Если URL сайта совпадает с адресом, где поисковый робот увидел этот текст впервые, он сохраняется.

Важно отметить, что в документе есть гибкое определение того, что именно считать «сайтом».

🟢Система может вычислять эту общую оценку для:

🔘Всего домена целиком (например, example.com).
🔘Отдельного поддомена (например, www.example.com).
🔘Конкретного подкаталога/папки (например, example.com/subdirectory).


Наследование (Inheritance): Если оригинальный ресурс удаляет текст из сети, оригинальность контента не "сгорает". Право считаться первоисточником переходит по наследству к тому сайту, на котором поисковик зафиксировал следующую по старшинству раннюю метку времени.

Вот откуда берется проблема, когда во время жизни сайта его контент растягивают, потом домен дропается, вы покупаете домен, восстанавливаете контент, а он не хочет попадать в индекс и топ. А все потому что прошло время и первоисточником признался другой сайт.

Также на основе этой уникальности Гугл может приклеивать по каноникал к источнику. Таким образом скопировав какой то неуникальный текст, например пользовательское соглашение, можно получить клей на другую страницу, вот пример который описывал Евгений Калинский.

Бесплатные статейные линки для сайта: список

https://www.wikiful.com DR 46 dofollow
https://graph.org/ DR 75 dofollow
https://uberant.com/ DR 59 dofollow
https://webyourself.eu/ DR 60 dofollow
https://youdontneedwp.com/ DR 44 dofollow
https://theoldrat.com/ DR 23 dofollow
https://linkgeanie.com/ DR 37 dofollow
https://opensocialfactory.com/ DR 49 dofollow

Сохраняйте в избранное и получайте ссылочки на свои проекты.

Патент из 2025 года рассказывает о системе (Generative Navigation System), которая заключается в динамическом создании веб-страниц «на лету» по запросу пользователя (прямо в выдаче, не в ИИ чате).

Система опирается на три основных компонента:

Корпус исходного контента (Seed Content Corpus): Это хранилище «сырого», неокончательно оформленного контента (факты, черновики текстов, изображения, видео, аудио), который загружают создатели (журналисты, блогеры, авторы). Этот материал снабжается тегами, которые указывают системе, где и как его можно использовать (например, географические ограничения, желаемый визуальный стиль или аудитория).

Навигационная графовая модель (Navigational Graph Model): Модель, обученная на истории переходов пользователей. Она умеет анализировать контекст и предсказывать вероятные скрытые намерения (intents) пользователя и его следующие шаги.

Большие базовые модели (Large Foundational Models): Набор генеративных моделей (включая большие языковые модели — LLM и визуальные модели — LVM), которые собирают из исходного контента готовую веб-страницу

Пошаговый процесс работы выглядит следующим образом:

Шаг 1: Получение навигационного запроса. Система получает сигнал от устройства пользователя. Это может быть явный запрос или неявное намерение (inferred intent), которое система распознает с помощью навигационной графовой модели. Запрос может инициироваться даже при попытке перейти по несуществующему URL-адресу.

Шаг 2: Подбор контента. На основе выявленного намерения система ищет и отбирает релевантный исходный контент из базы (Seed Content Corpus), обязательно учитывая теги и заданные критерии использования.

Шаг 3: Генерация веб-страницы. Большие базовые модели генерируют полноценную страницу из отобранных фрагментов контента. При генерации учитывается множество контекстных факторов: тип используемого устройства (например, телефон или очки AR/VR), а также индивидуальные предпочтения пользователя. Например, для одного пользователя информация может быть подана в виде строгой статьи уровня колледжа, а для школьника этот же исходный контент будет преобразован в формат комикса или текста с простым словарным запасом.

Шаг 4: Интеграция ссылок для будущих шагов. Система предсказывает следующие вероятные намерения пользователя и автоматически генерирует в тексте или интерфейсе ссылки (с заголовками и сниппетами) для дальнейшего перехода.

Шаг 5: Непрерывный цикл. Если пользователь кликает по такой сгенерированной ссылке, система проверяет, ведет ли она на реально существующий сайт. Если такого сайта нет, цикл замыкается, и система моментально генерирует следующую уникальную страницу под новое намерение пользователя.

Примечательно, что генеральный директор Гугла топит за это, говорит что в будущем поиск будет представлять запуск агентов, которые будут искать и выводить данные в "удобном" для нас виде.
Примечательно что Гугл тестил это еще в 2023 году, но похоже результаты были не очень, так как ИИ не настолько был умным, поэтому тогда внедрение отложили.

Я уверен, что сейчас кто то подумает, что такое никогда не введут, это нереально и так далее. Напомню что когда так же думали что не убьют информационную нишу, не введут Ai overview и так далее.

Последнее время все чаще вижу сообщения в бурже о тесте Search Generative Experience не как части выдачи, а как полной замены.

Что это значит на практике? В один момент можно проснуться и окажется что нет никаких сайтов, они только поставщики данных в ИИ. И именно поэтому нужно качать сущности, пытаться разбираться в ранжировании в ИИ и так далее.
Решите что вы супер шарите в сеошке - а завтра ее может и не стать.

❗️ Анализ 6400+ SEO-вакансий из LinkedIn и наконец стало понятно, что AI реально изменил в SEO, а что — просто хайп из Twitter и конференций. Данные за 2025 год, поэтому все сейчас еще сильнее усилилось.

Самый показательный момент — GEO уже обгоняет AEO по упоминаниям в вакансиях почти в 3 раза. ChatGPT и LLM тоже начали массово появляться в требованиях работодателей. Но при этом Google Analytics упоминается более 1100 раз, а Semrush — почти 700.

То есть AI не заменил SEO. Он стал новым слоем поверх классического SEO.

Интересно другое: США уходят в AI SEO намного быстрее остальных стран.
❗️ Там уже 23.3% SEO-вакансий содержат требования по GEO/LLM/AI.
Для сравнения:
Германия — 11.4%,
UK и Канада — около 10%,
ОАЭ — всего 3.4%.

Но главный вывод вообще не про инструменты.

Компании пока не ищут “GEO-исполнителей”. Они ищут senior-специалистов и стратегов, которые понимают, как LLM меняют поиск, трафик и видимость брендов.

Это очень хорошо видно по уровням вакансий:

• Head/Director/VP — 20.7% вакансий требуют AI/GEO навыки
• Middle-management — 20.1%
• Обычные SEO-позиции — только 4.7%

Еще один важный момент — AI резко поднял ценность технического SEO.

❗️ В SEO-вакансиях с упоминанием AI почти в 30% случаев требуют Python, SQL или автоматизацию. В обычных SEO-вакансиях — только 14%.

То есть рынок постепенно двигается в сторону hybrid SEO:

ℹ️SEO + automation + data + понимание AI search.

ℹ️Schema, архитектура сайта, crawlability, обработка данных — становятся только важнее.

ℹ️А ChatGPT уже фактически стал стандартным SEO-инструментом, войдя в ТОП-3 самых востребованных tools в вакансиях.

Главная ошибка сейчас — думать, что “AI убьет SEO”.

Нет. AI просто меняет требования к сильным SEO-специалистам.

🤖 Как Google использует LLM для переранжирования выдачи: Разбор нового патента US20250124067A1 от 2025 года.

Google запатентовал метод под названием Pairwise Ranking Prompting (PRP), который описывает, как большие языковые модели (LLM) интегрируются напрямую в процесс ранжирования.

Вот самое главное из документа:

🔍 Как это работает? Существующие подходы требуют либо сложной оценки каждого сайта по отдельности, либо подачи нейросети сразу всего списка, что приводит к большому шансу галлюцинации.

Новый метод работает проще: LLM получает промпт с запросом и всего двумя документами (Документ А и Документ Б). Модель выступает в роли судьи и решает, какой из них лучше отвечает на запрос пользователя.

Фактически нейросеть заменяет работу ассесора Google.

⚖️ Борьба с галлюцинациями и предвзятостью У LLM есть слабость — «позиционное смещение» (модель может выбрать Документ А просто потому, что он стоит первым). Чтобы этого избежать, Google заставляет нейросеть делать это дважды, меняя документы местами (сначала А+Б, потом Б+А), проверяя логику решения.

⚡️ Как экономят ресурсы? Запускать LLM для сравнения всех сайтов в интернете было бы слишком дорого. Поэтому метод применяется на самом финальном этапе поиска (L3 Ranking / Переранжирование). Нейросеть может использовать этот метод не для всех url, а к примеру только в топ 10.

🔥 Что это значит для SEO?

Нейросеть буквально сравнивает ваш текст бок о бок с текстом конкурента.
LLM обучена на качественных данных и отдаст предпочтение структурированному, ясному и глубоко раскрывающему интент тексту.

Хотя в патенте ничего не сказано о конкретных методах сравнения, но он может работать в связке с другим патентом, к примеру US11354342B2.
Он посвящен Information Gain (прибавочная ценность информации), связка вполне может отсекать рерайтные статьи и генеренку, в которых не раскрывается интент или информация не несет дополнительной ценности.

Провел мини эксперимент с мироразметкой Schema.org в JSON-LD.

Задался полгода назад вопросом - действительно ли влияет микроразметка напрямую на ранжирование или опосредовано? С микроразметкой, которая дает rich сниппет все понятно - там прямое влияние на увеличение CTR в выдаче. А что с той которая визуально не отображается?

Для теста взял несколько убитых статейников по travel и провел эксперимент на 20 страницах. Добавлял разметку в статьи опубликованные в 2020-2022 годах, часть правилась еще старым начальным ChatGPT, поэтому они плохо ранжируются + у контента вышел срок жизни контента.

Результаты - в целом негативные. Большинство статей никак не отреагировали на изменения или рост был в пределах погрешности. Но из этих статей пару показали хороший рост позиций и их определяет общий смысл - там очень размыта основная сущность.

Для лучшего понимания - представьте что есть некая экскурсия, которая имеет одно название, но у разных компаний все основные атрибуты разные - длительность, языки проведения, цены и т.д. То есть у Google существует проблема с определением не только центральной сущности, но и атрибутов.

Научно это проблема разрешения неоднозначности (Entity Disambiguation) и оценки уверенности (Confidence Score) сущностей. Так вот во всех случаях похоже указание микроразметки (конкретного сайта кто проводит экскурсию, фото и др атрибутов) давало понимание Google что он не ошибся и усиливало позиции страницы.

Также паралельно на других сайтах проверял разные типы разметки - что лучше работает.

Вывод однозначный - не стоит использовать микроразметку которая не описана справке Google.

Оказалось что к примеру Schema Park, BusStation и другие редкие он тупо игнорит. Лучше использовать банальные LocalBusiness или Organization.
Там где казалось что лучше использовать TouristAttraction лучше старый добрый Product.
Также похоже что Google видит микроразметку для тех ситуаций, когда первоначально не увидел с помощью своего сервиса. Возможно проблема в том что сам сервис не обновляется, а вот ядро - да.
Тем не менее не перегружайте атрибуты микрораметки, размер описаний - не главное.