Какое пересечение существует между оптимизацией для AI-поиска и традиционного поиска?
Чтобы наглядно показать основные отличия и точки соприкосновения, были подготовлена сравнительные таблицы, где рассматриваются поведение пользователей при поиске, направления оптимизации, форматы и подача результатов, также ключевые метрики (KPI) и цели, которых стоит добиваться.
Поведение пользователей при поиске (User behavior)
Поведение пользователей это один из аспектов сильнее всего отличающиеся при сравнении традиционных поисковых систем и LLM поиска.
| Критерия | Традиционный поиск | LLM | Степень различия |
| Длина и сложность ключевого запроса | — Обычно короткие, основанные на ключевых словах запросы (в среднем около 4 слов). — Пользователи часто используют лаконичные фразы, такие как “best coffee maker” и т.д. |
— Более длинные и детальные запросы (среднее число слов около 23). — Пользователи формируют их в основном в виде полных вопросов или детальных инструкций, как “find the best capuccino maker for under $200” |
Высокая |
| Темы и интент пользователей | — Охватывает привычные типы поискового интента, такие как информационные, навигационные, коммерческие, транзакционные и т.д. пользователи чаще ищут факты/информационные статьи, товары или конкретные сайты. | — Большое разнообразие типов поисковых запросов, от сложных задач до творческих запросов и брейсторминга. — Многие из запросов не вписываются в привычные категории интетов, примерно 70% запросов к ChatGPT уникальны и почти не встречаются в Гугле. |
Высокая |
| Стиль взаимодействия | В основном это одноразовые взаимодействия поисковиком. Пользователь вводит запрос, получает список результатов и если ответ ему не устраивает, формулирует запрос заново. Mежду отдельными поисками почти нет контекста (например, в Google пользователи меняют формулировку запроса примерно в 18-29% случаев на компьютере или мобильных устройствах). | В случае LLM у нас получается многошаговое взаимодействие в формате диалога. ИИ запоминает контекст предыдущих запросов в чатах, поэтому пользователь не начинает все заново, а продолжают разговор, задавая уточняющие вопросы. В итоге получается живое общение, где можно шаг за шагом уточнять детали или развивать тему. Из-за этого становится больше случаев, когда люди получают ответ прямо в чате, не переходя на поисковики и даже на сайты. | Высокая |
| Глубина сессии и его продолжительность (Session depth and session duration) | Сессии часто получаются короткими, пользователь вводит пару запросов, кликает по результату и быстро покидает страницу выдачи. Если не проводится глубокое/научное исследование, традиционный поиск в обычно занимает немного времени. | В случае LLM взаимодействие длится дольше: пользователи могут проводить несколько минут или больше в диалоге с LLM, раскрывая тему с помощью уточняющих запросов и с возможностью задавать вопросы по ходу разговора. Это делает сессию глубже и более продолжительными по сравнению с обычным поиском. | Высокая |
| Поиск и изучение информации | — В традиционном поиске анализ поведения пользователей и конкурентов строится на исследовании ключевых слов и конкуренции. Подбор ключевых слов это важный этап для SEO, чтобы понять, какие запросы люди действительно вводят, как часто, в какое время года, с какой целью и насколько по ним высокая конкуренция. На основе этого решают, какие запросы стоит продвигать. — Анализ конкурентов тоже важен, так как он показывает, кто уже занимает хорошие позиции и где есть шансы обойти их. Все это сильно упрощают бесплатные и платные инструменты поисковиков и сторонних сервисов. |
— Исследование запросов и тем в AI поиске больше похоже на “разведку”։ официальных данных о частоте или объемах запросов почти нет. SEO-специалисты вынуждены догадываться, какие запросы популярны, исходя из того, какие проблемы и вопросы чаще волнуют людей и пользоваться теми немногими данными, что есть. — Акцент делается не на точные ключевые слова, а на более широкие темы и намерения пользователей. Анализ конкурентов тоже отличается: важно понять, какие материалы ИИ чаще упоминает или на какие источники он ссылается по определенным темам. Этот этап сложнее, потому что прямых данных о запросах в AI поиске пока нет. |
Высокая |
| Источники данных и инструменты | — GSC отчеты — Bing Webmaster Tools — Аналитические платформы и инструменты подбора ключевых слов, такие как Semrush, Ahrefs, SE Ranking, Sistrix и другие |
AI-поиск пока отражается не напрямую: данные частично попадают в отчет Google Search Console, а также видны через инструменты Semrush, Ahrefs, SE Ranking, Sistrix если отфильтровать запросы, связанные с LLM. Платформа Similarweb, например показывает статистику по промптам. Но в целом все еще не хватает инструментов, которые помогали бы глубже изучать аудиторию именно через запросы в AI-поиске. | Средняя |
Области оптимизации
Принципы оптимизации во многом пересекаются для традиционного поиска и ИИ, хотя есть и заметные различия в некоторых ключевых моментах. Давайте разбираться:
| Область оптимизации | Традиционный поиск | ИИ поиск (GEO) | Степень различия |
| Понимание контекста и персонализация | В традиционном поиске персонализация довольно поверхностная, результаты подстраиваются под историю запросов и местоположение. | LLM поиск может учитывать контекст глубже: он запоминает, о чем шла речь раньше и подстраивается под ваш стиль, интересы и предпочтения на протяжении всего диалога. | Высокая |
| Семантическая релевантность и глубина контента | Поисковики используют семантическое понимание и обработку естественного языка, чтобы распознавать намерения пользователя. Добавление в текст связанных тем и синонимов (а не только таргет ключевых слов) помогает странице занимать более высокие позиции. | Генеративный ИИ определяет релевантность на основе контекста и понимания языка. Контент, который раскрывает тему естественным языком, а не нацелен на отдельные запросы будет использован LLM при формировании ответа с большей вероятностью. | Средняя |
| Оригинальность, экспертность и актуальность | Google оценивает контент по E-E-A-T (опыт, экспертность, авторитетность и надежность). Свежая и качественная информация обычно получает более высокие позиции, особенно если тема требует актуальности. | ИИ-модели отдают предпочтение контенту, в котором есть экспертность и авторитет. Если у модели есть доступ к актуальным данным (например, через индекс Bing или Google), свежая информация становится особенно ценной. Команда Bing отмечала, что генеративный ИИ ценит свежий контент, так как это способ проверки данных из обучения. Регулярное обновление материалов помогает, чтобы новая информация попадала в ответы ИИ. | Минимальная |
| Авторитет и популярность | В SEO ссылки с авторитетных сайтов это важный фактор для ранжирования. Чем больше качественных бэклинков, тем выше видимость. | LLM не используют ссылочную сеть (link graph) или PageRank в привычном виде. Но контент, который часто и последовательно упоминается в авторитетных источниках, с большей вероятностью попадет в обучающие данные модели или будет использован при формировании ответов. Если бренд или материалы регулярно упоминаются на надежных и популярных сайтах (у которых самих много ссылок), это повышает шанс, что ИИ увидел ваш контент и возможно учтет его в своих ответах. | Средняя |
| Структура и форматирование контента | Структура (заголовки, абзацы, списки и т.д.) помогает как поисковикам, так и пользователям. Хорошо организованный контент с информативными заголовками H1-H2, маркированными списками и таблицами может попасть в расширенные сниппеты и быстрее отвечать на запрос пользователя. | ИИ лучше работает со структурированным и легко читаемым контентом. Тексты, разбитые на логичные разделы с краткими выводами или списками, с большей вероятностью будут корректно распознаны и переформулированы моделью. Использование фраз вроде “in summary”, а также маркированные списки помогают ИИ быстрее находить и цитировать нужную информацию. | Средняя |
| Видео, изображения и т.д. | Поисковики могут ранжировать видео, изображения и другие форматы как в основной выдаче, так и в отдельных вертикалях, если они подходят под запрос. | Видео и изображения также могут появляться в ответах LLM, если система определяет, что они помогут лучше ответить на запрос пользователя. | Средняя |
| Структурированные данные (Schema) | Добавление структурированных данных (schema) помогает поисковикам лучше понимать содержание страницы и может привести к появлению расширенных сниппетов. Это важный технический аспект для повышения видимости. | Когда LLM поиск работает совместно с актуальным индексом или базой знаний (как в Bing Chat или Google AI Overviews), структурированные данные тоже могут оказаться полезными. Microsoft подтверждала, что разметка schema помогает Bing Copilot (AI) точнее интерпретировать контент. Отдельные LLM, у которых нет доступа к интернету не используют schema напрямую, но поскольку Bing/ SGE это делают, разметка все еще остается значимой. | Минимальная |
| Опыт пользователя/ Core Web Vitals | Высокая скорость загрузки, мобильная удобность (mobile-friendly) и понятные пользователю страницы (user-friendly pages) имеют больше шансов занять высокие позиции (при прочих равных). Гугл учитывает сигналы удобства страницы, такие как скорость загрузки, интерактивность, визуальную стабильность как дополнительные факторы при ранжировании. Плохой пользовательский опыт может негативно повлиять на SEO. | ИИ-модели с RAG системами тоже учитывают качество страницы. Серьезные проблемы с производительностью могут мешать сканированию сайта, из-за чего контент с таких страниц реже попадает в ответы AI, или совсем не попадает. | Средняя |
| Индексируемость и доступность контента | Контент должен быть доступен для сканирования и индексирования, чтобы ранжироваться в поиске. | Для LLM контент также должен быть доступен, либо через обучающие данные, либо через встроенные поисковые индексы, чтобы использоваться в ответах. Для Gemini / AI Mode Гугла это не проблема, но тесты показывают, что некоторые модели, например ChatGPT, не поддерживают рендеринг JavaScript при сканировании страниц, поэтому стоит учитывать эти ограничения. | Средняя |
| Инструменты и источники данных | — Техническая оптимизация: SEO-краулеры (Screaming Frog, Sitebulb и т.д.), а также SEO платформы с функциями технического аудита как проверка доступности страниц для сканирования и индексирования, разметка structured data, скорость загрузки и т.п. — Контент оптимизация: инструменты для работы с контентом (Keyword Insights, InLinks, Surfer, Clearscope, Frase и т.д.), а также SEO-платформы, которые помогают улучшать тексты с точки зрения релевантности и структуры. |
— Техническая оптимизация: SEO-краулеры (Screaming Frog, Sitebulb и т.д.), а также SEO платформы с функциями технического аудита как проверка доступности страниц для сканирования и индексирования, разметка structured data, скорость загрузки и т.п. — Контентная оптимизация: инструменты для работы с контентом (Keyword Insights, InLinks, Surfer, Clearscope, Frase и др.). Однако сейчас еще и ощущается потребность в новых инструментах, которые будут учитывать особенности техники “query fan-out”, когда ИИ одновременно генерирует и обрабатывает множество связанных запросов, а не один конкретный. |
Средняя |
Отображение и выдача результатов
Самые большие различия между традиционным и AI поиском наблюдаются в том, как показываются и доставляются результаты.
| Характеристики | Традиционный поиск | LLM | Степень различия |
| Формат результатов | Список ссылок с краткими описаниями, а также дополнительные элементы вроде расширенных сниппетов, информационных панелей, изображений и т.д. Пользователь видит несколько вариантов и сам выбирает источник, которому доверяет. | Сформированный ИИ ответ или обзор. Модель объединяет информацию из одного/ нескольких источников в единый связный текстовый ответ. Пользователь получает готовый текст в несколько абзацев, если это не короткий вопрос, прямо отвечающий на запрос. В некоторых случаях например в Bing Chat или Google AI Overview могут добавляться ссылки на источники, но основной акцент делается на общем ответе, а не на списке отдельных сайтов, если их не запросить отдельно. | Высокая |
| Упоминания и цитаты (Attribution and Citations) | В случае традиционного SEO привязка к источникам очевидна по самой структуре, т.е. каждый результат связан с конкретным сайтом, есть заголовок, URL и краткое описание. В расширенных сниппетах также показывается фрагмент текста с сайта и ссылка на него, поэтому пользователь всегда понимает, на какой ресурс он переходит. | В случае LLM система указания источников устроена иначе. Модель может ссылаться на источники через сноски или небольшие иконки, которые открывают список ссылок сбоку, как, например, в Google AI Overviews или отображение имени сайта как в случае ChatGPT. Однако такая атрибуция менее прозрачна, чем в классическом поиске. Пользователи не всегда замечают эти ссылки и реже на них кликают. Кроме того, сами LLM испытывают сложности с корректным цитированием без специального механизма «привязки к данным» (grounding). | Высокая |
| Разнообразие результатов, доверие и проверка информации (Results Diversity, Trust and Verification) | В традиционном поиске пользователи могут сравнивать несколько источников. Если информация на одном сайте вызывает сомнение, всегда можно открыть другой и посмотреть альтернативное мнение. Таким образом, происходит естественная перекрестная проверка фактов. | В случае с AI-поиском пользователи чаще принимают ответ ИИ на веру. Если модель ошибается или использует неверные данные, альтернативные версии обычно не видны (если только пользователь специально не откроет список источников или не задаст уточняющий вопрос). Поэтому здесь особенно важно качество и достоверность контента: если ваш материал авторитетный и точный, это увеличивает шанс, что именно его ИИ выберет для ответа и не распространит ошибочную информацию. | Высокая |
| Навигационный путь (Navigation Path) | В традиционном поиске, чтобы получить полный ответ или выполнить нужное действие, пользователь должен перейти по ссылке, и именно это и приводит трафик на сайт. Даже если сниппет сразу показывает краткий ответ, пользователи часто кликают, чтобы уточнить детали или убедиться в информации. Поэтому показатель кликабельности (CTR) остается ключевой метрикой: чем выше позиция сайта, тем больше переходов он получает. | В AI-поиске все иначе. Пользователь может полностью получить ответ прямо в интерфейсе, не переходя на сайты. Это так называемый сценарий (zero-click search. В результате количество переходов снижается: человек прочитал сводку от ИИ и на этом поиск закончен. Для SEO это меняет приоритеты: важно не только получать клики, но и попадать в сам ответ ИИ, чтобы сохранить видимость бренда. Понятие позиция номер 1 заменяется идеей быть одним из источников, на которые ссылается AI. | Высокая |
| Источники данных и инструменты | Трекеры позиций, аналитические платформы и SEO-сервисы для отслеживания видимости и трафика. | Инструменты для отслеживания видимости в AI интерфейсах (ProFound, Peec.ai и др.), аналитические платформы и SEOсервисы с функциями мониторинга AI поиска как Ahrefs, Similarweb, Semrush и т.д. | Высокая |
Цели и метрики (Goals and Metrics)
Когда речь идет о целях и метриках, различия связаны с тем, как пользователи ведут себя на этих двух типах платформ и как устроен их интерфейс. По сути, отслеживаются похожие KPI, но результаты и ожидания от них разные.
| KPI/ Цели | Традиционный поиск | LLM | Степень различия |
| Индексируемость и доступность контента сайта (Site content crawlability & indexability) | Чтобы сайт мог ранжироваться, он должен быть просканирован и проиндексирован поисковыми системами. Без этого невозможно быть видимым и ранжироваться в результатах поиска. | В AI-поиске это требование расширяется: контент должен быть доступен не только для обычных поисковых роботов, но и для систем ИИ тоже. Важно, чтобы и классические боты, и новые AI-краулеры могли находить и обрабатывать контент. Так как некоторые LLM не поддерживают рендеринг JavaScript на стороне клиента (CSR JS), как это делают традиционные поисковики, стоит проверить, Поэтому важно проверить, насколько ваш сайт доступен для таких AI-ботов. Основную информацию (тексты, заголовки, описание услуг и т.д.) лучше делать видимой в HTML, без подгрузки через скрипты. Так гарантируется, что контент смогут читать и поисковики, и ИИ-системы. Также. можно добавтить ИИ в роботах сайта, например: User-agent: GPTBot Allow: / User-agent: OAI-SearchBot Allow: / User-agent: PerplexityBot Allow: / |
Средняя |
| Видимость бренда (Brand visibility) | В традиционном поиске видимость бренда достигается за счет попадания сайта в топ позиции и специальные блоки (SERP features) по релевантным брендовым и небрендовым запросам на разных этапах пути пользователя. | В AI-поиске это выражается иначе. Бренд может быть упомянут или процитирован в ответах, созданных ИИ. Иногда он появляется в виде ссылки-источника. Даже если пользователь не переходит по ссылке, само упоминание уже повышает узнаваемость. И со временем частоту появления бренда в ответах ИИ можно будет рассматривать как показатель доли упоминаний бренда или доли присутствия в AI-поиске, то есть насколько часто именно бренд всплывает в ответах по сравнению с конкурентами. | Высокая |
| Авторитет и узнаваемость бренда (Brand authority / prominence) | Можно определять количеством и качеством обратных ссылок, а также упоминаниями бренда на сторонних сайтах. | Оценивается по числу и доле упоминаний бренда в источниках, которые цитируются в ответах ИИ. | Средняя |
| Репутация и восприятие бренда (Brand sentiment) | Анализируется настроение (sentiment) страниц в топе по тем или иным запросам, связанным с брендом. | Анализируется тон и настроение ответов ИИ и цитируемых им источников при упоминании бренда. | Средняя |
| Показатели показов (Impressions) | Используются в основном для анализа CTR (кликабельности), а не как основная цель. | Отслеживание частоты упоминаний бренда в ответах LLM даже без переходов становится важной метрикой для оценки видимости и охвата. | Средняя |
| Трафик | Органический трафик из поиска один из главных при составлении KPI. Рост сессий и просмотров напрямую связан с окупаемостью SEO. | Трафик из AI поиска может показаться в виде переходов по ссылкам в ответах и его будет меньше, чем из традиционного поиска, и все из-за 0-click феномена, но такой трафик более целевой и вовлеченный. | Средняя |
| Конверсия/ лиды | Конверсии и лиды из органического трафика (количество, доход, конверсия и т.д.). | Конверсии и лиды из трафика, пришедшего из AI ответов (количество, доход, конверсия и т.д.). | Средняя |
| Инструменты и источники данных | Трекеры позиций и аналитические платформы. | Инструменты для анализа видимости в AI поиске (ProFound, Peec.ai и др.), а также платформы с функциями мониторинга AI-результатов. | Высокая |
Итог
Между оптимизацией для LLM и традиционных поисковиков есть много чего общего, но при этом есть и важные отличия, которые нужно учитывать при построении стратегии. Например, в AI-поиске большую роль играет персонализация и работа с контекстом, а не с отдельными запросами и все из-за того, как LLM используют так называемое “распараллеливание запросов” (query fan-out).
Эти различия связаны не только с поведением пользователей, но и с тем, что пока у нас ограничен доступ к данным, например, к статистике популярности запросов в LLM. Плюс сильно отличаются формы представления результатов, а значит и тип контента, который стоит продвигать в каждой системе. То же самое касается целей: в AI-поиске они будут другими, чем в классическом SEO.
Ожидается, что по мере быстрого распространения LLM и появления AI Mode в поиске, а также с ростом доступности данных, возможно будет выстраивать отдельные, более точные стратегии, которые будут помогать повышать видимость и конверсии именно под формат каждой из платформ.
Оригинальный источник: SEO VS GEO: Optimizing for Traditional vs AI Search
