Последние полгода я провожу один и тот же эксперимент с разными текстами: прогоняю их через несколько AI-поисковиков и смотрю, что именно они извлекают. Результаты неожиданные и довольно последовательные.

Языковые модели не оценивают тексты по критериям, которые мы привыкли считать важными. Они извлекают структурированный смысл. И если этого смысла нет в форме, которую модель может обработать, ваш контент просто не используется — даже если формально он "ранжируется".

Я заметил закономерность: сайты, которые жалуются на потерю трафика при сохранении позиций, обычно пишут правильно с точки зрения классического SEO, но совершенно неправильно с точки зрения того, как работают современные LLM.

Как модели выбирают, что извлекать.

Я потратил время на изучение того, как именно трансформеры обрабатывают длинные тексты для поисковых задач. Процесс выглядит так:

Модель получает полный текст страницы и разбивает его на семантические блоки — фрагменты, объединённые общей мыслью. Это не механическое деление по длине, а анализ смысловой связности. Дальше модель ищет блоки, которые отвечают на конкретный вопрос, содержат законченное утверждение и логически самодостаточны — их можно вытащить без потери смысла.

Именно эти блоки попадают в ответ пользователю.

Важный момент: модель цитирует не статьи целиком, а отдельные мысли. Если ваш текст не разбивается на такие независимые смысловые единицы, он становится невидимым для извлечения.

Почему большинство текстов не подходят.

Я регулярно анализирую контент, который не попадает в AI-ответы, и вижу одну и ту же проблему: авторы пишут безопасно.

Тексты построены так, чтобы никого не задеть, ничего конкретного не утверждать, подойти любой аудитории. Для человека это читается нормально. Для языковой модели это означает, что извлекать нечего.

Фраза вроде "в целом можно сказать, что данный подход может быть полезен в определённых ситуациях" не несёт извлекаемого смысла. Это лингвистический шум — грамматически правильный, но семантически пустой.

Первый принцип: узкий фокус.

Я провёл небольшой эксперимент с двумя версиями одного и того же материала. Первая называлась "Полный гайд по контент-маркетингу, SEO и AI-продвижению". Вторая — "Почему языковые модели игнорируют большинство SEO-текстов". Вторая попала в ответы всех протестированных AI-поисковиков. Первая — ни в один.

Причина проста: модели лучше работают с материалами, которые отвечают на один чётко сформулированный вопрос. Широкие обзорные статьи размывают фокус, и модель не может определить, на какой конкретно запрос это подходит как ответ.

Каждый текст должен отвечать на вопрос, который можно сформулировать одной строкой. Если не получается — вы пишете не статью, а справочник.

Второй принцип: утверждения вместо рассуждений.

Языковые модели цитируют только то, что сформулировано утвердительно.

Разница между "Существует мнение, что SEO может измениться под влиянием AI" и "Классическое SEO перестало работать, потому что AI-поиск выдаёт ответы без переходов на сайты" — критическая.

Первое предложение описывает ситуацию. Второе утверждает факт. Модель может процитировать только второе, потому что только оно содержит конкретное утверждение, которое можно использовать как ответ.

Если предложение нельзя вытащить из контекста без потери смысла, оно бесполезно для извлечения.

Нейтральность делает текст безопасным для людей и бесполезным для AI.

Третий принцип: структура блоков.

Я заметил, что лучше всего цитируются тексты, разбитые на блоки из трёх-шести предложений, где каждый блок содержит одну логически завершённую мысль и заканчивается выводом.

Пример такого блока: "Языковые модели не оценивают эстетику текста. Они извлекают из него структуру смысла и причинно-следственные связи. Если эта структура размыта или отсутствует, текст не используется как источник."

Такой фрагмент можно процитировать целиком, и он останется понятным. Именно это делает его ценным для модели.

Если абзац нельзя процитировать без контекста, он не работает для AI-поиска.

Четвёртый принцип: убрать лингвистический балласт.

В процессе экспериментов я обнаружил, что модели игнорируют целые категории фраз: "в данной статье мы рассмотрим", "следует отметить", "на сегодняшний день", "можно предположить", "не вызывает сомнений".

Эти конструкции — наследие академического и делового письма, где они выполняют социальную функцию (смягчение категоричности, вежливость). Для языковой модели они не несут информационной нагрузки и фактически затрудняют извлечение смысла.

Сравните: "Можно предположить, что снижение трафика связано с внедрением AI в поиск" и "Трафик падает, потому что AI-поисковики показывают ответ без перехода на сайт". Второе короче, конкретнее и извлекаемо. Первое — нет.

Пятый принцип: плотность информации.

Один из устойчивых паттернов: модели предпочитают короткие плотные тексты длинным развёрнутым.

Это противоречит старой SEO-логике, где объём коррелировал с авторитетностью. Для трансформера важна не длина, а информационная плотность — количество извлекаемых утверждений на килобайт текста.

Пять сильных абзацев с чёткими утверждениями работают лучше, чем три тысячи слов с повторами и водой. Я проверял это на десятках примеров — закономерность стабильная.

Шестой принцип: позиция и контраст.

Интересное наблюдение: тексты с чёткой авторской позицией, которые допускают несогласие и противоречат мейнстриму, цитируются чаще нейтральных обзоров.

"Большинство SEO-текстов бесполезны для языковых моделей" — это утверждение, которое модель может извлечь и использовать. "Существуют разные точки зрения на эффективность современного SEO" — нет, потому что здесь нет конкретного тезиса.

Модели нужны утверждения, которые можно подтвердить или опровергнуть. Нейтральность делает текст не извлекаемым.

Седьмой принцип: тест на автономность.

Я использую простой критерий при редактуре: если языковая модель возьмёт один абзац из текста, будет ли это полноценным ответом на вопрос пользователя?

Если нет — абзац нужно переписывать. Добавить контекст, сформулировать вывод, убрать зависимость от предыдущих параграфов. Каждый смысловой блок должен быть самодостаточным.

Как выглядит цитируемый текст.

После нескольких месяцев экспериментов я вывел чёткий профиль материала, который попадает в AI-ответы:

Он отвечает на один конкретный вопрос. Он разбит на автономные смысловые блоки по три-шесть предложений. Он использует прямые утвердительные формулировки без оговорок. Он содержит авторскую позицию, а не пересказ чужих мнений. Он заканчивается выводом, а не общими фразами про "дальнейшее развитие темы".

Это практически противоположность тому, чему учили на курсах по копирайтингу пять лет назад.

Языковые модели не оценивают качество текста — они извлекают из него утверждения.

Что это означает для авторов.

AI-поиск не враждебен контенту. Он просто безжалостно эффективен в отсечении того, что не несёт извлекаемого смысла.

Если ваш текст что-то конкретно утверждает, объясняет причины и делает это ясными формулировками, модели начнут использовать его как источник. Если нет — не начнут, и никакие технические оптимизации не помогут.

Вопрос сместился. Раньше мы спрашивали: "Как попасть в топ выдачи?" Теперь вопрос другой: "Есть ли в моём тексте мысли, которые языковая модель сочтёт достойными цитирования?"

Тексты, которые цитируют языковые модели, — это не маркетинговые материалы. Это зафиксированные мысли. И именно таким становится интернет.