Dan Petrovic — чи не єдиний SEOшник, який дійсно розуміється на AI і має відповідний тривалий досвід і освіту. На відміну від 99% інших. Звісно, що він теж інколи помиляється або занурюється у щось зовсім не важливе, але він не пише явної нісенітниці. І також глибоко, з досвіду, розуміє, про ЩО він пише взагалі.
Ahrefs випустили з ним годинний подкаст про те, як потрапляти у відповіді AI-асистентів. Dan Petrovic — це засновник австралійської агенції Dejan, його методи ми вже розбирали в статтях про внутрішню перелінковку на 100 тисяч сторінок і про техніки контенту під AI-пошук. Головна теза розмови: асистенти не мають власного індексу вебу, вони беруть відповіді з класичного пошуку, тому для ChatGPT треба ранжуватися в Bing, для Claude у Brave, для Gemini у Google.
Звідки асистенти беруть відповіді
- Сама модель нічого не шукає, вона лише перетворює вхід на вихід. Пошук роблять інструменти навколо неї.
- Промпт розбивається на кілька пошукових підзапитів, у фоні йде 3-6 запитів до пошуковика, результати фільтруються, і модель переранжовує те, що їй дали. Це те саме розгалуження запитів, яке Google описували у своїх порадах для AI-пошуку.
- ChatGPT спирається здебільшого на Bing. Dan каже, що бачив і сліди скрейпінгу Google, і дані від сторонніх постачальників видачі, тож джерело не одне.
- Claude бере результати з Brave. Індекс Brave поповнюється через браузер користувачів, тому дає інший, свіжіший зріз вебу, і в нього є відкритий API. SEO-індустрія цей пошуковик поки що майже ігнорує.
- llms.txt Dan собі поставив, бо це нічого не коштує, але головні моделі його не читають. Сторінка приходить до моделі з пошуку або витягується інструментом за конкретним URL. Обходу всього сайту, як у краулерів, не відбувається.
Модель уже має думку про ваш бренд
Потрапити в рекомендації заважають або допомагають два упередження. Первинне — це те, що модель вивчила про бренд під час тренування. Вторинне — це те, що вона бачить у підкинутих пошукових результатах. Якщо бренд моделі відомий з хорошого боку, вона може взяти його з останнього місця у видачі і поставити першим у відповіді. Якщо бренд їй не подобається з тренування, присутність у видачі не рятує.
Dan перевіряв це на практиці: поставив Gemini мільйон запитань і отримав мільйон брендів з їхніми зв'язками і позиціями. Серед знахідок, наприклад, те, що китайські бренди Gemini недолюблює, BYD немає навіть у першій сотні.
Грати треба за згадку з посиланням
- Потрапити в контекст, бути процитованим і бути згаданим — це три різні речі. Спершу сторінку підкладають моделі як кандидата в джерела, потім модель може процитувати її під конкретним реченням, і окремо від цього у відповіді може прозвучати сам бренд. Згадка бренду буває текстом або посиланням, і посилання — це головний приз. Dan радить працювати саме на згадку з посиланням, цитування другорядні.
- Google підкладають пошукові результати під кожен запит без винятку, навіть під питання, чи блакитне небо. Пошук у них свій і безкоштовний, а після історій, де AI Overviews радили їсти каміння, вони страхуються від вигадок. Одне речення відповіді в них можуть підпирати три-чотири джерела. OpenAI економлять: одне речення, один URL.
- Reddit постійно потрапляє в підкладені джерела, і моделі відкидають його понад 90% разів. Це спостереження Dan з власних викликів API, і воно суперечить популярній пораді про Reddit як перепустку в AI-відповіді.
- Повна сторінка до Gemini не доходить. З неї вирізають дослівні шматки під кожен підзапит, з'єднують трикрапками, а решта губиться. Що виживає у вирізці, те і представляє бізнес перед моделлю. Це простір для оптимізації, а от самою нарізкою сторінки керувати не можна.
Чи можна залізти в навчальні дані
- У Google є кеш всього вебу, і Gemini тренується на ньому. Більше присутності на вебі дає більше точок зв'язку з брендом у нейромережі.
- Насипати сміттєвих сайтів зі згадками бренду не вийде. Сучасні моделі вже не вчаться мови з нуля, лабораторії витрачають мільярди на кураторські набори даних і відбирають найкраще.
- Відсіяти сміття дешево. Dan описує трюк без жодного машинного навчання: береш 100 статей зі сміттєвої сайтової мережі, 100 статей TechCrunch і класифікуєш новий текст через gzip-стиснення, порівнюючи, до якого корпусу він краще дотискається. Точність близько 99%.
- Впливати на тренування моделі, на думку Dan, це як вилити пляшку води в олімпійський басейн.
Що Dan робить замість цього
Точкові зміни на сторінках клієнта і перевірка, як модель на них реагує, знову і знову в автоматичному циклі. Реакції моделі збираються через баєсівське оновлення, метод, яким наука коригує впевненість у гіпотезі з кожним новим свідченням, і це прибирає плутанину між кореляцією і причиною. Мета циклу — версія сторінки, перед якою Gemini, Claude чи GPT не встоїть. Dan каже, що людям набридли дашборди видимості, які лише показують, що відбувається, а робота з самою сторінкою дає що робити руками, і перші результати в клієнтів багатообіцяючі.
Обсягів промптів не існує
- Шанс, що двоє людей наберуть однаковий промпт, мізерний. Додайте багатокрокові діалоги і персоналізацію, і частотність промптів, яку продають деякі сервіси, втрачає сенс. Кликстрім-панелі його теж не рятують.
- Порахувати можна інше: підзапити, на які пошуковик розбив промпт, мають звичайну частотність, її можна взяти і скласти.
- Для вимірювання видимості Dan промпти не трекає. Він формулює сутності, тобто те, що клієнт робить і за чим хоче бути видимим, просить модель з увімкненим пошуком порадити бренди у структурованому списку і день у день міряє позицію бренду в списку, частоту появи, частку цитувань і частку згадок. Зверху це зводиться в частку голосу.
- Промпти для перевірок генерує двома способами: показує моделі сторінку і питає, за якими промптами вона б її порадила, або розгортає промпти з сутностей і топ-запитів Search Console.
Куди дивитися далі
Dan ставить на Google через ринкову частку і в класичному пошуку, і в AI. Розклад, на його думку, можуть змінити дві речі: Microsoft вбудовують AI-агентів просто у Windows і десь до 2030 стануть важливим гравцем, а китайські моделі цілять в AGI без фокусу на комерції. Індекс пошуку при цьому нікуди не дінеться: моделі заморожені в часі і тренувалися рік тому, а веб продукує забагато інформації в реальному часі.
Що зробити для свого сайту
- Подивитися видачу Bing і Brave за своїми комерційними запитами і розібрати, які сторінки вже цитуються в AI-відповідях і чим вони схожі між собою.
- Потрапити на сторінки-списки, які вже ранжуються, або зробити власні сторінки того ж типу і з тим самим наміром.
- Моделі люблять порівнювати, тому порівняльні сторінки працюють на видимість у відповідях.
- Тримати сайт тематично цілісним. Те, що ви робите, має бути центральною темою сайту, без тисяч сторінок не по темі.
- Пошуковики оцінюють кліки і поведінку користувача на сторінці, але міряють не час. Людина, яка за 3 секунди заповнила форму чи оформила покупку в один клік, зарахується як задоволена. Що саме Google збирає з вашого браузера, видно на chrome://histograms.
- Не наздоганяти конкурентів вічно. Хто лише копіює чужі ходи з інструментів, той не веде.