SEO в эпоху AI-поиска: что изменилось в алгоритмах и как адаптировать стратегию

1. Введение: поисковики мутировали

Каждый раз, когда появляется новая технология, в индустрии начинается паника с предсказаниями конца старого мира. Так было с социальными сетями — «они убьют SEO». Так было с голосовым поиском — «никто больше не будет печатать». Сейчас то же самое происходит с AI: «ChatGPT убил Google».

Реальность, как всегда, сложнее.

Google обрабатывает порядка 8,5 миллиарда запросов в день в 2026 году. Это больше, чем в 2023-м. Люди не перестали гуглить — они изменили ожидания от результата. Пользователь всё ещё вводит запрос в строку поиска. Но он хочет получить ответ, а не список ссылок, из которых нужно самому собирать информацию.

Google ответил на это не заменой своего алгоритма, а добавлением нового слоя поверх него — AI Overview (ранее SGE). Это синтезированный ответ, который появляется над органической выдачей для определённых типов запросов. Под ним — та же классическая органика, те же десять синих ссылок.

Ключевое понимание здесь следующее: классический поисковый алгоритм никуда не делся — он стал фундаментом для AI-слоя. AI Overview не индексирует интернет самостоятельно с нуля. Он берёт страницы из топ-10 органической выдачи и синтезирует из них ответ. Это означает, что без сильных позиций в классическом SEO попасть в AI-цитату практически невозможно.

Что реально изменилось — это интерфейс потребления результатов и, как следствие, поведение пользователя. Часть аудитории получает ответ прямо на странице поиска и не переходит на сайт вообще. Это zero-click феномен, который существовал и раньше — с Featured Snippets, Knowledge Panel, Local Pack — но теперь масштабировался кратно. По данным ряда исследований, для информационных запросов click-through rate упал на 40–60% после появления AI Overview на конкретных страницах выдачи.

Но это не некролог для SEO. Это изменение точки входа пользователя в воронку. Сайт, который попадает в AI-цитату как источник, получает брендовое упоминание, рост branded search и часть трафика от пользователей, которые хотят углубиться. Сайт, которого нет ни в органике, ни в AI-слое — просто невидим.

Параллельно с Google развиваются независимые AI-поисковики: Perplexity, ChatGPT Search, Copilot. Их аудитория пока несопоставимо меньше, но она растёт и имеет характерный профиль — технически грамотные пользователи, исследователи, профессионалы. Для B2B и высококонкурентных ниш это уже значимый канал.

Итого: поисковая экосистема в 2026 — это не замена старого новым, а многослойная система, где классическое SEO остаётся фундаментом, AI-слой внутри Google — новым приоритетным интерфейсом, а независимые AI-движки — растущим дополнительным каналом.

2. Два параллельных мира: классический SERP vs AI-слой

Чтобы выстраивать стратегию, нужно чётко понимать механику — когда Google показывает AI Overview, а когда нет, и как эти два мира взаимодействуют.

Какие запросы триггерят AI-ответ

Google не показывает AI Overview на все запросы. Паттерн достаточно чёткий:

Триггерят AI Overview:

• Информационные запросы с вопросительной интенцией («как работает», «что такое», «почему», «сравнение X и Y»)
• Запросы с исследовательской интенцией («лучшие способы», «как выбрать»)
• Сложные многокомпонентные вопросы, где ответ требует синтеза из нескольких источников

Не триггерят или триггерят редко:

• Транзакционные запросы («купить», «цена», «заказать») — здесь Google показывает Shopping, карты, органику
• Навигационные запросы («сайт компании X», «войти в аккаунт»)
• Локальные запросы с явной коммерческой интенцией («ресторан рядом», «автосервис в районе»)
• Брендовые запросы

Это важно стратегически: если ваш бизнес живёт на транзакционном трафике — прямое влияние AI Overview на ваш CTR минимально. Если вы работаете с информационным контентом или верхом воронки — влияние существенное.

Механика AI Overview: откуда берётся контент

AI Overview не является отдельным индексом. Google использует существующий поисковый индекс, выбирает релевантные страницы из топ результатов и передаёт их своей языковой модели (Gemini) для синтеза ответа. Источники указываются в виде ссылок рядом с ответом.

Отсюда практический вывод: попасть в AI Overview без присутствия в классической органике по данному запросу — крайне маловероятно. Это не два независимых алгоритма, это один алгоритм с двумя интерфейсами отображения результатов.

При этом корреляция не линейная: страница на позиции №1 не гарантирует попадание в AI-цитату, а страница на позиции №7 может быть процитирована, если её контент лучше отвечает на конкретный аспект запроса. AI-модель оптимизирует под качество ответа, а не под позицию в ранжировании.

Позиция №1 vs AI-цитата: разные оптимизационные цели

Классическое SEO оптимизирует страницу так, чтобы алгоритм оценил её как наиболее релевантную документу запроса. Критерии — ссылочный профиль, E-E-A-T, технические факторы, поведенческие сигналы.

AI-цитирование оптимизирует контент так, чтобы языковая модель могла извлечь из него чёткий, верифицируемый ответ на конкретный вопрос. Это разные задачи.

Страница может иметь высокий авторитет домена, сильный ссылочный профиль и стоять на первой позиции — но если её контент написан в стиле «простыня без структуры», AI-модель не сможет вычленить из неё чёткий ответ и предпочтёт менее авторитетную, но структурно чистую страницу.

Практически это означает необходимость работать на двух уровнях одновременно: на уровне авторитетности документа (классическое SEO) и на уровне извлекаемости ответа (структура, прямые формулировки, фактическая плотность контента).

Независимые AI-поисковики: отдельная экосистема

Perplexity, ChatGPT Search и Copilot — это не надстройки над Google, а независимые системы с собственными краулерами и собственной логикой ранжирования источников. Их объединяет одно: они все оценивают авторитетность источника, но по-разному определяют, что авторитетность означает.

Perplexity делает акцент на свежести и цитируемости — он активно краулит новостные источники и академические публикации. ChatGPT Search использует Bing как базовый индекс с собственным слоем переранжирования. Это означает, что сайты с сильным присутствием в Bing-индексе имеют преимущество — исторически недооценённый канал для многих SEO-специалистов.

По аудитории эти платформы пока несопоставимы с Google, но демографически это высокоценный сегмент. Стратегически — единая техническая и контентная база закрывает требования всех платформ с необходимостью лишь небольших адаптаций под специфику каждой, что разберём в разделе 3.

3. Оптимизация под разные AI-движки — да, это уже реально

Аналогия с Яндекс/Google здесь уместна и точна. В своё время SEO-специалисты выстраивали раздельные стратегии под два поисковика с разной логикой ранжирования — разные веса ссылочного профиля, разное отношение к поведенческим факторам, разная скорость индексации. Сейчас ситуация структурно похожа, но с важным отличием: AI-движки различаются не столько алгоритмом ранжирования, сколько источниками данных и логикой выбора источника для цитирования.

Рассмотрим каждый движок отдельно.

Google AI Overview

Источник данных — собственный поисковый индекс Google. Это означает, что все классические сигналы ранжирования работают как входные данные: PageRank, E-E-A-T, технические факторы, поведенческие сигналы. Gemini получает на вход уже отфильтрованный пул релевантных страниц и выбирает из него источники для синтеза ответа.

Специфические факторы для AI Overview: структурированные данные Schema.org напрямую влияют на то, как Google идентифицирует сущности на странице. Страницы с чёткой разметкой Organization, Person, Article, FAQPage получают преимущество при выборе источника цитирования. Google Knowledge Graph — ключевой элемент: если ваш бренд или автор представлен как верифицированная сущность в графе знаний, это существенно повышает вероятность цитирования.

Практически: стратегия для Google AI Overview — это усиленное классическое SEO плюс работа с entity graph. Отдельного алгоритма нет, но есть дополнительный слой требований к структуре и извлекаемости контента.

Perplexity

Принципиально другая архитектура. Perplexity использует собственный краулер и не зависит от Google-индекса. Это означает, что сайт может стоять на первой позиции в Google — и при этом быть невидимым для Perplexity, если его краулер не добрался до страницы или счёл её недостаточно авторитетной по своим критериям.

Логика Perplexity — цитируемость и свежесть. Система отдаёт предпочтение источникам, на которые ссылаются другие авторитетные источники, и материалам с актуальной датой публикации или обновления. Академические источники, отраслевые издания, исследования с реальными данными — всё это попадает в приоритетную зону.

Для Perplexity критично: наличие PerplexityBot в разрешённых агентах в robots.txt, регулярное обновление контента с явной датой, ссылки с авторитетных отраслевых площадок, наличие оригинальных данных или исследований — это именно то, что система активно цитирует.

ChatGPT Search

Microsoft Bing является основным индексом для ChatGPT Search, поверх которого OpenAI применяет собственный слой переранжирования. Это создаёт специфическую ситуацию: Bing-индекс исторически менее конкурентен, чем Google, — многие сайты с сильными позициями в Google имеют слабое присутствие в Bing просто потому, что никогда не уделяли ему внимания.

Практически: верификация и оптимизация в Bing Webmaster Tools — это сейчас недооценённый рычаг для попадания в ChatGPT Search. Bing имеет свои нюансы — он лучше читает метаданные страниц, более консервативен в оценке ссылочного профиля, и активнее использует социальные сигналы (LinkedIn особенно значим для B2B тематик).

Собственный краулер OpenAI — GPTBot — также активен и используется для обучения моделей и обновления данных. Разрешение GPTBot в robots.txt и наличие качественного контента — это долгосрочная инвестиция в присутствие в экосистеме OpenAI.

Claude / Anthropic

Anthropic использует собственный краулер ClaudeBot для сбора данных. Claude традиционно показывает предпочтение к длинным, исчерпывающим материалам с высокой фактической плотностью — гайдам, техническим документациям, детальным аналитическим статьям. Контент, который отвечает на вопрос полностью в одном месте, без необходимости переходить по ссылкам для получения полной картины.

Единая база vs раздельные стратегии

Практический ответ на этот вопрос: единая техническая и контентная база закрывает 80% требований всех платформ. Быстрый сайт, структурированный контент, E-E-A-T сигналы, structured data, разрешения для всех краулеров — это работает везде.

Адаптации под специфику:

• Для Perplexity — акцент на свежести и оригинальных данных
• Для ChatGPT Search — работа с Bing Webmaster Tools
• Для Google AI Overview — работа с Knowledge Graph и entity schema
• Для Claude — длинный исчерпывающий формат

Это не четыре отдельные стратегии. Это одна стратегия с четырьмя точками настройки.

4. Технические критерии: что сканируют AI-краулеры

Технический SEO в 2026 добавил новое измерение — помимо классического Googlebot теперь существует экосистема AI-краулеров, каждый из которых имеет свою логику обхода и свои требования к доступности контента.

Краулеры и robots.txt

Актуальный список AI-агентов, которые нужно учитывать в robots.txt:

GPTBot          — OpenAI / ChatGPT Search

ClaudeBot       — Anthropic

PerplexityBot   — Perplexity

GoogleOther     — Google AI (отдельно от Googlebot)

Applebot        — Apple Intelligence

YouBot          — You.com

Критически важный момент: многие сайты, настроенные несколько лет назад, имеют в robots.txt строки вида Disallow: / для неизвестных агентов или используют whitelist-подход. В этом случае все AI-краулеры заблокированы по умолчанию — сайт существует для Google, но невидим для всей AI-экосистемы.

Проверка и явное разрешение каждого агента — это первый технический шаг аудита под AI-поиск.

JavaScript рендеринг — критическая точка

Классический Googlebot давно научился рендерить JavaScript, хотя и с задержкой. AI-краулеры — ситуация неоднородная. Perplexity Bot и ряд других агентов обрабатывают JS значительно хуже или не обрабатывают вовсе. Если контент страницы генерируется клиентским JavaScript — значительная часть AI-краулеров видит пустую страницу.

Для Next.js разработчиков это прямое требование к архитектуре: SSR (Server-Side Rendering) или SSG (Static Site Generation) не просто улучшает LCP — это требование доступности контента для AI-краулеров. Сайт на чистом клиентском React с контентом, подгружаемым через API после загрузки страницы, технически невидим для части AI-экосистемы.

Практическая проверка: отключить JavaScript в браузере и открыть страницу. Если основной контент исчез — у AI-краулеров с ним будут проблемы.

Structured Data как прямой фид для AI

Schema.org разметка в 2026 выполняет двойную функцию: классические rich snippets в SERP плюс прямой фид для entity recognition в AI-системах. Разница в том, как AI использует эти данные — не для отображения, а для построения семантических связей между сущностями.

Приоритетные типы разметки для AI-видимости:

Organization / LocalBusiness — sameAs-ссылки на верифицированные профили (Wikipedia, Wikidata, LinkedIn, Crunchbase) строят entity graph вашего бренда. Чем больше авторитетных точек подтверждают существование сущности — тем выше доверие AI-системы.

Person — для авторов контента. Author schema с sameAs на LinkedIn, Google Scholar, отраслевые профили. AI верифицирует экспертность автора через граф, а не через текст статьи.

Article / BlogPosting — с явными datePublished и dateModified. Свежесть контента — один из ключевых сигналов для Perplexity и ChatGPT Search. Страница без явной даты публикации теряет этот сигнал полностью.

FAQPage — структурированные вопросы и ответы напрямую извлекаются AI-моделями как готовые единицы ответа. Это один из самых эффективных форматов для попадания в AI-цитаты.

Core Web Vitals: холистический скоринг с марта 2026

До марта 2026 Google оценивал CWV на уровне отдельных URL. Стандартная практика — оптимизировать топ-50 посадочных страниц и не трогать остальное. С обновлением марта 2026 эта стратегия перестала работать.

Google перешёл на domain-level агрегацию: производительность всего домена формирует единый взвешенный показатель. Высокотрафиковые страницы имеют больший вес, но медленные страницы в любой части сайта вносят негативный сигнал в агрегат. Если 30% проиндексированных URL проваливают LCP — это тянет вниз весь домен, включая оптимизированные страницы.

Практическое следствие: аудит должен охватывать весь домен, а не выборку. Инструмент — CrUX данные в Google Search Console на уровне origin, не URL. Оптимизация должна идти на уровне шаблонов страниц: исправление одного шаблона блога исправляет тысячи URL одновременно.

Актуальные пороги и реальность:

Для Next.js стека конкретные точки оптимизации: priority prop на hero-изображениях (убирает lazy loading с LCP-элемента), font-display: swap в next/font, явные width/height на всех медиа-элементах для CLS, минимизация work в main thread для INP через Server Components.

llms.txt — новый стандарт или маркетинг?

В 2024-2025 появилась инициатива llms.txt — файл в корне сайта с структурированным описанием контента специально для AI-агентов, по аналогии с sitemap.xml. Google официально заявил, что не использует llms.txt как сигнал ранжирования. Perplexity и ряд других систем декларируют поддержку.

Практическая позиция: внедрение llms.txt — это минимальные трудозатраты при потенциальном upside для non-Google AI-движков. Не приоритет, но разумная гигиена.

5. On-Page в контексте AI: от keyword density к entity coverage

Это, пожалуй, самый радикальный сдвиг в on-page оптимизации за последние десять лет. Не эволюция — а смена парадигмы. Keyword density, LSI-ключевые слова, точное вхождение в заголовок — всё это не умерло, но отошло на второй план. На первый вышла концепция, которую можно сформулировать так: страница должна исчерпывающе покрывать тему как семантическую сущность, а не просто содержать целевые ключевые слова.

От ключевых слов к семантическим сущностям

Google Knowledge Graph содержит миллиарды сущностей — людей, мест, организаций, концепций, продуктов — и связи между ними. Когда пользователь вводит запрос, Google всё больше интерпретирует его через призму сущностей, а не строк текста. «Лучший кофе» — это не просто три слова, это запрос с сущностями: кофе как продукт, локальный контекст пользователя, намерение купить или найти место.

Страница, которая покрывает тему как сущность, явно связывает свой контент с этими сущностями — через terminology, через schema, через ссылки на авторитетные источники, через упоминание смежных концепций. AI-модели при анализе страницы строят внутренний граф сущностей и оценивают полноту покрытия темы.

Практически это означает: перед написанием контента нужно определить не только ключевые слова, но и семантическое поле темы — какие связанные сущности, концепции, вопросы должны быть покрыты на странице. Инструменты типа Google’s NLP API или аналоги позволяют проверить, как алгоритм интерпретирует сущности на существующих страницах.

Структура контента как навигация для AI-парсинга

Языковая модель при извлечении цитаты не читает страницу как человек — она ищет извлекаемые единицы ответа. Структура страницы определяет, насколько легко модели найти и вычленить нужный фрагмент.

Несколько конкретных принципов:

Прямой ответ в начале абзаца. Журналистская перевёрнутая пирамида — сначала главное, потом детали — идеально работает для AI-извлечения. Абзац, который начинается с контекста и подходит к ответу в конце, плохо извлекается. Абзац, который в первом предложении даёт чёткий ответ и в следующих его раскрывает — хорошо.

H2/H3 как вопросы или чёткие утверждения. Заголовок «Технические аспекты» — плохо. Заголовок «Как скорость загрузки влияет на ранжирование» или «Три технических фактора, критичных для AI-краулеров» — хорошо. Модель использует заголовок как метку для контента под ним.

Определения в явном формате. Когда страница даёт определение понятия — его лучше выделять структурно: жирный термин, двоеточие, определение. Это стандартный паттерн, который модели распознают как определение сущности.

Таблицы для сравнений. Табличный формат — один из лучших для AI-извлечения структурированных данных. Сравнение инструментов, метрик, характеристик в таблице извлекается значительно эффективнее, чем те же данные в виде текста.

Тонкий контент vs исчерпывающий: переломная точка

Существует распространённое заблуждение, что «длинный контент ранжируется лучше». Это не совсем верная формулировка. Точнее так: исчерпывающий контент ранжируется лучше поверхностного, а исчерпывающий контент по определению длиннее.

Разница между длинным и исчерпывающим контентом критична. Статья на 4000 слов, которая повторяет одни и те же тезисы с разными формулировками — это длинный поверхностный контент. Он не получает преимущества. Статья на 2500 слов, которая покрывает тему с разных сторон, отвечает на смежные вопросы и содержит оригинальные данные — это исчерпывающий контент. Он получает преимущество.

Метрика, которую стоит использовать вместо количества слов: topic coverage score — процент семантически связанных вопросов по теме, на которые отвечает страница. Инструменты типа Surfer SEO, Clearscope или ручной анализ через People Also Ask дают приближение к этой метрике.

Частота обновлений как сигнал

AI-системы, особенно Perplexity и ChatGPT Search, активно учитывают свежесть контента. Но «свежесть» в контексте AI — это не просто дата публикации, это верифицируемая актуальность информации.

Страница, опубликованная в 2022 году и не обновлявшаяся с тех пор, даже с хорошими позициями и сильным ссылочным профилем, проигрывает более свежей странице при выборе источника для цитирования в AI-ответе на актуальный вопрос. Особенно если тема подвержена изменениям — технологии, законодательство, рыночные данные.

Практика ведущих SEO-команд в 2026: ревизионный цикл для ключевых страниц раз в квартал. Не переписывание — а обновление данных, добавление актуальных примеров, корректировка устаревших утверждений с явным обновлением dateModified в schema. Это сигнализирует краулерам, что контент поддерживается активно.

Фактическая плотность vs информационная вода

Один из неочевидных сдвигов: AI-модели при оценке качества источника учитывают соотношение фактической информации к объёму текста. Контент с высокой долей вводных фраз, переходов, повторений — имеет низкую фактическую плотность. Контент, где каждый абзац несёт конкретную информацию — высокую.

Это не означает, что нужно писать телеграфным стилем. Это означает, что шаблонные вводные абзацы «В современном мире SEO играет важную роль…», повторяющиеся заключения и padding-контент активно вредят позиционированию как источника для AI-цитирования.

6. E-E-A-T как машинный сигнал

E-E-A-T — Experience, Expertise, Authoritativeness, Trustworthiness — существует в документации Google с 2018 года и регулярно трактуется как нечто абстрактное: «пишите качественно», «демонстрируйте экспертизу», «стройте доверие». Это бесполезные рекомендации, потому что не отвечают на вопрос: как алгоритм технически измеряет экспертность?

В 2026 понимание механики E-E-A-T стало значительно чище — во многом благодаря утечкам внутренней документации Google и патентам, которые позволяют реконструировать логику системы.

Как Google технически измеряет авторитетность

Google строит entity graph — граф сущностей, где каждая сущность (бренд, автор, сайт, концепция) имеет вес авторитетности, формируемый из внешних сигналов. Это не PageRank для страниц — это авторитетность сущности как таковой.

Для бренда/организации граф строится из:

• Количества и качества упоминаний на авторитетных доменах
• Наличия Wikipedia/Wikidata записи
• sameAs-связей в schema с верифицированными профилями
• Цитирований в новостных источниках с высоким авторитетом домена
• Consistency — насколько описание сущности последовательно на разных платформах

Для автора граф строится из:

• Профессиональных профилей (LinkedIn, Google Scholar, отраслевые ресурсы)
• Публикаций на авторитетных площадках отрасли
• Цитирований другими авторами
• Явной связи между автором и доменом через schema

Ключевое понимание: E-E-A-T — это не оценка текста, это оценка сущности. Алгоритм не читает статью и не оценивает, насколько убедительно звучит автор. Он проверяет, верифицирована ли сущность автора в графе знаний как авторитетная в данной теме.

Wikipedia и Wikidata: недооценённый рычаг

Наличие Wikipedia-статьи о бренде или персоне — один из сильнейших сигналов верификации сущности для Google Knowledge Graph. Это не прямой SEO-фактор в классическом понимании, но косвенное влияние существенно: Knowledge Panel в SERP, повышенное доверие при AI-цитировании, усиление всех sameAs-связей.

Wikidata — структурированная база данных, на которой частично строится Knowledge Graph, — доступна для редактирования и значительно менее известна в SEO-сообществе, чем Wikipedia. Создание и поддержание Wikidata-записи для бренда или ключевых персон компании — это прямая работа с entity graph с относительно низким порогом входа.

sameAs: технический механизм верификации

В schema разметки sameAs — это массив ссылок на внешние верифицированные профили сущности. Для Google это механизм подтверждения: «эта организация на нашем сайте — та же сущность, что и в LinkedIn, Crunchbase, Wikipedia, Google Business Profile».

Минимальный набор sameAs для организации:

json

{

  «@type»: «Organization»,

  «name»: «Название компании»,

  «sameAs»: [

    «https://www.linkedin.com/company/…»,

    «https://en.wikipedia.org/wiki/…»,

    «https://www.wikidata.org/wiki/…»,

    «https://www.crunchbase.com/organization/…»

  ]

}

Чем больше авторитетных точек подтверждения — тем выше вес сущности в графе. Это прямо влияет на вероятность цитирования в AI Overview.

Digital PR как E-E-A-T стратегия

Если entity authority строится из упоминаний на авторитетных доменах — Digital PR перестаёт быть просто инструментом линкбилдинга и становится стратегией построения авторитетности сущности. Разница в постановке задачи:

Классический линкбилдинг: получить ссылку с авторитетного домена для передачи PageRank.

Digital PR под E-E-A-T: получить верифицированное упоминание бренда или автора на авторитетном домене для усиления entity graph — ссылка желательна, но не обязательна.

Unlinked mentions на авторитетных доменах в 2026 несут реальный E-E-A-T сигнал. Упоминание бренда в материале Forbes без ссылки — это сигнал авторитетности сущности. Google умеет связывать упоминания с сущностями без anchor text.

Trust как технический слой

Trustworthiness — четвёртый компонент E-E-A-T — наиболее технически измерим:

HTTPS — базовый уровень, давно учитывается.

Transparency signals — наличие страниц About, Team с реальными биографиями и фотографиями, явное указание авторства на каждой статье, контактная информация. Это не просто UX — это технические сигналы, которые алгоритм использует для оценки transparency сущности.

Review signals — для YMYL (Your Money Your Life) тематик Google активно использует сигналы с независимых отзывных платформ: Google Reviews, Trustpilot, отраслевые агрегаторы. Это внешние верификаторы trustworthiness, неподконтрольные сайту.

Fact-check signals — для контента, который делает фактические утверждения, ClaimReview schema позволяет явно связать утверждение с его верификацией. Используется преимущественно в новостных и медицинских тематиках, но релевантен для любого контента с фактическими данными.

7. Локальное SEO + AI

Локальное SEO исторически было наиболее стабильным направлением — алгоритм Local Pack менялся медленнее, чем органика, и базовые факторы (близость, релевантность, авторитетность) оставались неизменными годами. AI изменил и здесь — не фундамент, но интерфейс и логику выбора источника.

Как AI обрабатывает локальные запросы

Классический Local Pack — три результата на карте с рейтингом и адресом — по-прежнему показывается для транзакционных локальных запросов («ресторан рядом», «автосервис в районе»). Но поверх него всё чаще появляется AI-слой для информационных локальных запросов — «лучший кофе в центре города», «где поесть с детьми».

Разница принципиальна: Local Pack ранжирует по близости и рейтингу. AI-слой выбирает источник, который наиболее полно и структурированно описывает релевантность бизнеса для запроса. Заведение с рейтингом 4.2 и детальным описанием услуг, меню, атмосферы может попасть в AI-рекомендацию раньше, чем заведение с рейтингом 4.7 и пустым профилем.

Google Business Profile как структурированный фид

GBP в контексте AI — это не просто визитка на карте. Это structured data feed, который Google напрямую передаёт Gemini для формирования локальных AI-ответов. Каждый элемент профиля — это поле в этом фиде.

Критические элементы GBP для AI-видимости:

Категории бизнеса — первичная и дополнительные. AI использует категории для определения релевантности запросу. Неточные или слишком широкие категории — это потеря релевантности для специфических запросов.

Описание бизнеса — не маркетинговый текст, а структурированное описание с явным упоминанием услуг, специализации, отличий. AI извлекает из него семантические сигналы для матчинга с запросами.

Атрибуты — доступность, парковка, способы оплаты, языки. Эти поля напрямую матчатся с фильтрами в AI-ответах («с парковкой», «принимают карты»).

Posts и обновления — регулярные публикации в GBP сигнализируют об активности бизнеса. Perplexity и ChatGPT при обработке локальных запросов частично опираются на свежесть данных — активный профиль имеет преимущество.

Q&A секция — часто игнорируемый элемент. AI-модели активно извлекают из неё структурированные пары вопрос-ответ. Заполненная Q&A с релевантными вопросами — это готовый контент для AI-цитирования.

Отзывы как NLP-корпус

Традиционный подход к отзывам: больше звёзд — лучше ранжирование. Это по-прежнему верно, но AI добавил второй уровень — семантический анализ текста отзывов.

Google’s NLP обрабатывает тексты отзывов и извлекает из них сущности — упомянутые услуги, продукты, характеристики. Если в отзывах клиенты регулярно упоминают «быстрое обслуживание», «вкусная паста», «хорошая детская площадка» — эти атрибуты становятся частью семантического профиля бизнеса в Knowledge Graph.

Практическое следствие: мотивация клиентов оставлять содержательные отзывы с упоминанием конкретных услуг — это не просто работа с репутацией, это формирование семантического профиля для AI. Отзыв «всё хорошо, рекомендую» имеет нулевую семантическую ценность. Отзыв «заказывали корпоративный торт с индивидуальным дизайном, получили точно в срок» — высокую.

Ответы на отзывы также анализируются. Шаблонные ответы «спасибо за ваш отзыв» — семантически пусты. Ответы, которые упоминают конкретные услуги и детали, усиливают семантический профиль.

NAP-консистентность в мире AI

Name, Address, Phone — консистентность этих данных на всех платформах была важна всегда. В контексте AI это приобрело новое измерение: AI-системы верифицируют сущность бизнеса через граф, сопоставляя данные из множества источников. Противоречия в данных — разные написания названия, разные номера телефонов на разных платформах — это сигналы ненадёжности сущности.

Актуальный список платформ для NAP-консистентности в 2026 расширился: помимо классических директорий (Yell, Yelp, TripAdvisor, отраслевые агрегаторы) теперь важны платформы, которые активно сканируют AI-краулеры — LinkedIn Company Page, Apple Maps, Bing Places. Последний особенно важен для ChatGPT Search.

Citations и локальный entity graph

Локальные citations — упоминания бизнеса на авторитетных платформах — работают для локального SEO как ссылки для органики: подтверждают существование и авторитетность сущности. В AI-контексте это прямой вклад в entity graph.

Приоритет в 2026: не максимальное количество директорий, а качество и тематическая релевантность платформ. Ресторан в TripAdvisor, отраслевом каталоге HoReCa и городском гиде — три сильных citation. Тот же ресторан в двухстах общих директориях с сомнительным авторитетом — слабый сигнал с риском спам-пенальти.

8. Off-page в AI-эпоху: ссылки vs упоминания

Классический PageRank — алгоритм, который Google запатентовал в 1998 году — по-прежнему работает. Это важно зафиксировать явно, потому что в индустрии периодически появляются заявления об «отмирании» ссылочного ранжирования. Утечки внутренней документации Google подтвердили: ссылки остаются одним из ключевых сигналов ранжирования. Но их роль эволюционировала.

Два слоя off-page в 2026

Слой 1: классический PageRank. Ссылки передают авторитет страницы и домена. Это по-прежнему работает и остаётся необходимым условием для высоких позиций в органике — а значит, и для попадания в AI Overview.

Слой 2: entity authority. AI-системы оценивают авторитетность сущности (бренда, автора, домена) отдельно от PageRank. Упоминания без ссылок, цитирования в авторитетных источниках, присутствие в медиа — всё это строит entity authority, который влияет на AI-цитирование независимо от ссылочного профиля.

Практически: можно иметь сильный ссылочный профиль и слабый entity authority — и наоборот. Полноценная off-page стратегия работает на оба слоя одновременно.

Качество vs количество: новая точка разрыва

Это утверждение существует в SEO давно, но в 2026 разрыв между качественными и некачественными ссылками стал критическим. Причина — усиление алгоритмов спам-детекции и переход к доменному скорингу.

Одна ссылка с авторитетного отраслевого издания с реальной аудиторией создаёт больше entity authority, чем сотня ссылок с директорий, сателлитов и бирж. При этом массовые некачественные ссылки несут риск Google Spam penalty — ранее это требовало значительного объёма токсичных ссылок, сейчас порог стал ниже.

Практический аудит ссылочного профиля должен включать: оценку реального трафика донора (не только DR/DA), релевантность тематики донора, естественность anchor text distribution, отсутствие признаков PBN или link scheme. Это не новые критерии — но их вес в алгоритме вырос.

Unlinked mentions: механика и измерение

Нессылочные упоминания бренда на авторитетных доменах несут реальный E-E-A-T сигнал. Это подтверждено патентами Google на «implied links» — механизм, который позволяет алгоритму идентифицировать упоминание сущности даже без anchor text и href.

Практически это означает: публикация в Forbes, где упоминается название компании без ссылки — это off-page сигнал. Слабее, чем с ссылкой, но не нулевой.

Мониторинг unlinked mentions — стандартная практика в 2026: инструменты типа Ahrefs Mentions, Brand24, Google Alerts отслеживают упоминания. Часть из них можно конвертировать в ссылки через outreach — это один из наиболее чистых и эффективных методов линкбилдинга, потому что редактор уже знает бренд и уже счёл его достойным упоминания.

Digital PR как системная стратегия

Digital PR в контексте off-page 2026 — это не разовые активности, а системная стратегия построения entity authority через медиа-присутствие.

Оригинальные исследования и данные — один из наиболее эффективных форматов для получения естественных ссылок и упоминаний. Отраслевое исследование с оригинальной статистикой становится первичным источником, на который ссылаются другие публикации. Это создаёт входящие ссылки без прямого outreach.

Expert commentary — регулярное участие в качестве эксперта в отраслевых материалах, подкастах, конференциях. Каждое такое появление строит entity authority автора и бренда. Инструменты типа HARO (Help a Reporter Out) и его аналоги систематизируют этот процесс.

Newsjacking — оперативная реакция на актуальные события отрасли с экспертным комментарием. Журналисты ищут источники быстро — быть первым авторитетным голосом по теме означает попасть в материалы с высоким DR.

Социальные платформы как off-page сигнал

Google официально не использует social signals как прямой фактор ранжирования — это позиция компании неизменна. Но косвенный механизм работает: контент, который получает высокий social engagement, органически привлекает ссылки и упоминания от других авторов, которые его нашли через социальные сети.

Для AI-движков ситуация другая. Perplexity краулит Twitter/X и Reddit как источники актуальной информации. ChatGPT Search использует Bing, который учитывает социальные сигналы. LinkedIn для B2B тематик — один из основных источников для Copilot.

Стратегически: социальные платформы — это дистрибуционный канал для контента, который затем генерирует реальные off-page сигналы. Не прямой SEO-фактор, но важное звено в цепочке.

9. Измерение результатов: новые метрики

Это направление, где индустрия находится в переходном состоянии. Классические метрики — позиции, органический трафик — по-прежнему необходимы, но становятся недостаточными для полной картины. Появились новые измеримые показатели, инструментарий для которых только формируется.

Проблема классических метрик

Позиции — позиция №1 по ключевому слову сказала бы вам всё в 2015 году. Сейчас SERP для одного и того же запроса выглядит по-разному в зависимости от устройства, локации, истории поиска, наличия или отсутствия AI Overview. «Средняя позиция» в Search Console — это усреднение по всем этим вариациям, что снижает её информативность.

Органический трафик — растущий zero-click феномен означает, что позиции могут расти при падающем трафике. Сайт, попавший в Featured Snippet или AI Overview, получает видимость без клика. Это не обязательно плохо — брендовая видимость имеет ценность — но трафик как единственная метрика успеха SEO даёт искажённую картину.

AI Visibility как новая метрика

Измерение присутствия в AI-ответах — это область, где инструментарий активно развивается. Несколько подходов:

Ручной мониторинг — регулярные проверки ключевых запросов в Google AI Overview, Perplexity, ChatGPT Search с фиксацией: цитируется ли домен, как именно формулируется цитата, какие конкуренты присутствуют. Трудозатратно, но даёт качественное понимание.

Специализированные инструменты — в 2025-2026 появился ряд инструментов для AI visibility tracking: Profound, Scrunch AI, Peec AI. Они автоматизируют мониторинг присутствия бренда в AI-ответах на заданный набор запросов. Рынок инструментов молодой, стандарты не устоялись.

Share of Voice в AI — аналог классического Share of Voice: из всех AI-ответов по тематическим запросам, в какой доле упоминается ваш домен/бренд. Это относительная метрика, которая позволяет сравнивать с конкурентами.

Branded Search как прокси-метрика

Branded search — количество поисковых запросов с названием бренда — один из наиболее надёжных косвенных показателей реального влияния. Логика: пользователь увидел упоминание бренда в AI-ответе, в медиа, в социальных сетях — и пошёл гуглить название напрямую.

Рост branded search при стабильном или снижающемся общем органическом трафике — это сигнал, что brand entity authority растёт, но zero-click забирает часть трафика. Это управляемая ситуация, а не провал стратегии.

Мониторинг branded search через Google Search Console — фильтр по брендовым запросам в Performance report — даёт чистую метрику без влияния алгоритмических изменений в небрендовой органике.

CTR в условиях zero-click: когда это нормально

Снижение CTR для информационных запросов при наличии AI Overview — это ожидаемое и нормальное явление. Пользователь получил ответ — задача контента выполнена на уровне верхней воронки. Измерять успех этих страниц через CTR некорректно.

Метрики для информационного контента в AI-эпоху: AI visibility (цитируется ли страница), branded search (растёт ли узнаваемость), assisted conversions (приходят ли пользователи, знакомые с брендом по AI-упоминаниям, к конверсии через другие каналы).

Для транзакционных страниц CTR по-прежнему первичная метрика — AI Overview редко перехватывает транзакционный трафик.

Search Console: недоиспользуемые данные

Google Search Console в 2026 содержит данные, которые большинство специалистов используют на 30% от возможного:

Core Web Vitals report на уровне origin — показывает агрегированные данные по всему домену, а не отдельным URL. Именно этот отчёт отражает новый холистический скоринг.

Crawl stats — детальная статистика обходов: какие типы страниц краулятся активно, где краулинг-бюджет тратится нерационально. Для крупных сайтов это прямой инструмент оптимизации индексации.

Index Coverage — разбивка по причинам неиндексации. «Discovered but not indexed» в 2026 — растущая проблема для сайтов с большим количеством страниц. Это сигнал проблем с краулинг-бюджетом или качеством контента на этих страницах.

Rich results report — показывает, какие structured data разметки обнаружены и валидны. Это прямая обратная связь по entity schema.

10. Стратегический вывод: единая база или раздельные стратегии

На протяжении всей статьи возникает один практический вопрос: насколько сложнее стало SEO с появлением AI-слоя? Нужно ли полностью пересматривать стратегию или достаточно адаптации?

Что работает напрямую без изменений

Значительная часть классического SEO работает в AI-эпохе без модификаций — просто потому, что AI-системы используют те же сигналы качества, которые Google отрабатывал годами:

Сильный ссылочный профиль с авторитетных тематических доменов — работает. Техническая чистота сайта — работает. Быстрая загрузка — работает. Структурированный контент с чёткой иерархией заголовков — работает. Консистентность NAP для локального бизнеса — работает.

Специалист с сильной классической базой не начинает с нуля — он расширяет существующую стратегию.

Что требует адаптации

От keyword-centric к entity-centric — это главная концептуальная адаптация. Не замена инструментов, а изменение фрейма: контент создаётся не вокруг ключевых слов, а вокруг семантических сущностей и полноты их покрытия.

Structured data — из опции в обязательный элемент. Разметка schema была полезной практикой, теперь это требование для AI-видимости.

robots.txt — расширение под AI-краулеры. Технически минимальное изменение, но часто игнорируется.

Метрики — расширение дашборда. AI visibility, branded search, Share of Voice в AI добавляются к классическим позициям и трафику.

Что устарело или потеряло эффективность

Тонкий контент под длиннохвостовые ключевые слова — страницы на 300-500 слов, закрывающие один узкий запрос, работали в эпоху keyword stuffing и теряют эффективность. Исчерпывающая страница бьёт десять тонких.

Манипулятивный линкбилдинг — PBN, ссылочные биржи, массовые директории. Это работало при менее зрелых алгоритмах. Риск/результат в 2026 отрицательный.

Оптимизация под Featured Snippets как отдельная тактика — Featured Snippets частично поглощены AI Overview, тактики остаются теми же, но целевой интерфейс изменился.

Финальный ответ: единая база с точечными адаптациями

Полноценная SEO-стратегия в 2026 строится на трёх уровнях:

Уровень 1 — техническая база: быстрый сайт, SSR/SSG рендеринг, structured data, robots.txt с AI-краулерами, консистентный entity graph. Это закрывает технические требования для всех платформ одновременно.

Уровень 2 — контентная база: исчерпывающий entity-centric контент, высокая фактическая плотность, структура под AI-извлечение, регулярные обновления. Это работает для Google, Perplexity, ChatGPT Search и остальных без раздельных стратегий.

Уровень 3 — платформенные адаптации: Bing Webmaster Tools для ChatGPT Search, акцент на свежести для Perplexity, Knowledge Graph работа для Google AI Overview. Это точечные настройки поверх единой базы, не отдельные стратегии.

Специалист с двадцатилетним опытом имеет здесь фундаментальное преимущество: понимание того, что меняется в интерфейсе и инструментах, но не меняется в принципах — релевантность, авторитетность, техническая доступность — это ценнее, чем знание любого конкретного алгоритмического обновления. AI изменил интерфейс поиска. Принципы — нет.

Maryan Polyak