Часть работ по этому блогу мы делаем с нейросетью и видим обе стороны. На одних задачах она экономит часы, на других выдаёт текст, за который стыдно перед клиентом и опасно перед поиском. Разбираем по задачам, где проходит граница.
Разговор про ИИ в продвижении обычно скатывается в две крайности. Либо "всё, копирайтеры больше не нужны", либо "поиск всё видит и банит". Обе неверны, и обе стоят денег: первая приводит к сотне пустых страниц, вторая заставляет вручную делать работу, которая давно автоматизируется.
Задачи, где модель экономит часы
Общее правило простое: нейросеть хорошо справляется там, где нужна форма, и плохо там, где нужно знание. Форма - это структура, формулировка, перебор вариантов, приведение к единому виду. Знание - это цифры, законы, ваш опыт и то, что реально происходило на проектах.
| Задача | Кому отдать | Что делает человек |
|---|---|---|
| Черновая структура статьи | Модель | Убирает лишние разделы, добавляет свои |
| Расширение списка тем | Модель | Сверяет спрос в Вордстате |
| Метатеги пачкой | Модель | Правит длину и подставляет город |
| Идеи вопросов в FAQ | Модель | Отбирает те, что реально задают |
| Разметка Schema.org | Модель | Проверяет валидатором |
| Фактура и цифры | Человек | Полностью |
| Выводы и рекомендации | Человек | Полностью |
Структура текста. Это самая выгодная задача. Мы даём модели тему, список запросов кластера и требование не писать рубричных заголовков, получаем 9-12 разделов за минуту. Половину обычно выбрасываем, две-три идеи оказываются толковыми, а на пустой лист смотреть больше не приходится.
Метатеги. Когда на сайте 60 карточек товаров или 12 страниц услуг по районам, писать title и description руками скучно и долго. Модель делает это за один заход, человеку остаётся проверить длину и убрать повторы. На каталоге в 200 позиций это экономит два полных рабочих дня.
Техническая рутина. Микроразметка, alt-тексты по описаниям, переписывание списка в таблицу, перевод страницы на второй язык с сохранением тегов. Здесь ошибки видны сразу и проверяются валидатором, а не экспертизой.
Семантика: где помощь заканчивается
С запросами модель работает наполовину. Она хорошо подсказывает формулировки, о которых команда не подумала: синонимы, профессиональный жаргон, то, как задачу называет клиент, а не подрядчик. Для производственной ниши мы так вытащили десяток запросов, которых не было ни у одного конкурента.
Дальше начинается проблема. Частотность нейросеть не знает и при прямом вопросе спокойно называет число. Оно выглядит правдоподобно и не имеет отношения к реальности. Проверять всё равно придётся в Вордстате или платном сервисе, поэтому воспринимать выдачу модели стоит как список гипотез, а не как ядро. Методику сбора мы разбирали в статье про семантическое ядро с нуля.
То же с кластеризацией. Разложить сотню запросов по смыслу модель может, но группировку по общности выдачи она не сделает: для этого нужно смотреть, какие страницы реально стоят в топе по каждому запросу.
Где нейросеть приносит убыток
Выдуманные факты. Самая дорогая проблема. Модель уверенно называет несуществующие номера статей, приписывает сервисам функции, которых нет, и придумывает цены. Мы получали в черновике ссылку на "приказ Роскомнадзора" с правдоподобным номером, которого не существует. В статье про 152-ФЗ такая деталь стоила бы клиенту репутации.
Тексты без собственного опыта. Модель может пересказать, как настраивают цели в Метрике, но не расскажет, что у конкретного клиента счётчик стоял в двух экземплярах и цифры двоились полгода. Именно такие абзацы отличают полезную статью от пересказа справки, и именно их поиск учитывает при оценке экспертности. Подробнее об этом в разборе E-E-A-T факторов.
Массовая генерация страниц под ключи. Заманчиво: 300 страниц вида "услуга + район" за вечер. На практике это прямая дорога к фильтру за малополезный контент. Поиск сравнивает страницы между собой, и когда отличается только название района, ценность каждой стремится к нулю.
Переспам под видом оптимизации. Если попросить модель "оптимизировать текст под запрос", она начнёт вставлять его в каждый абзац. Получается ровно то, от чего мы отговариваем в статье про SEO-тексты без переспама.
Как поисковики относятся к ИИ-текстам по факту
Ни Яндекс, ни Google не запрещают использовать нейросети. Позиция обоих сводится к одному: оценивается польза страницы, а не инструмент, которым её написали. Санкции прилетают за бессодержательность, шаблонность и создание страниц ради поиска, а не ради читателя.
Практический вывод: определять "написано ли это машиной" поисковику не нужно и незачем. Ему достаточно посмотреть, отвечает ли страница на запрос лучше тех, что уже в выдаче, и как ведут себя посетители. Если человек открыл, пролистал за восемь секунд и вернулся в поиск, страница проиграет независимо от происхождения текста.
Однообразие: болезнь серийной генерации
Отдельный риск появляется, когда статей много. Модель тяготеет к одним и тем же ходам: одинаковая длина абзацев, всё перечислено ровно по три пункта, каждая статья заканчивается воодушевляющим абзацем про будущее.
На одной статье это незаметно. На двадцати блог начинает выглядеть штампованным, и читатель это чувствует раньше, чем поиск. Мы боремся двумя способами: задаём разные форматы (разбор, чек-лист, сравнение, антикейс) прямо в контент-плане и запрещаем в промпте набор оборотов, которые модель любит. Похожая история с картинками: если не задавать единый стиль осознанно, серия иллюстраций расползается, об этом есть отдельный разбор про нейросети в дизайне.
Наша схема работы над этим блогом
Порядок, к которому пришли за сотню статей:
- Тему, ключевой запрос и угол подачи выбирает человек по данным о спросе.
- Человек же пишет бриф: что раскрыть, какие цифры и случаи из практики вставить, какие внутренние ссылки поставить.
- Модель пишет черновик по брифу.
- Человек проверяет факты, добавляет свои цифры и убирает то, чего не было.
- Финальная вычитка на штампы, канцелярит и повторы.
Ключевое здесь пункт 2. Когда в брифе есть фактура, модель работает редактором, который собирает известное в связный текст. Когда брифа нет, она сочиняет, и дальше начинается проверка каждого предложения, которая дольше самостоятельного написания.
Что сделать после генерации: порядок проверок
- Цифры. Каждое число, цену, срок и процент сверить с источником. Если источника нет, число убрать или заменить формулировкой "в пределах".
- Названия и законы. Проверить, что сервис называется именно так, что тариф с таким названием существует, что номер статьи настоящий.
- Свой опыт. Добавить минимум два абзаца, которых нет ни у кого: случай с проекта, типичная ошибка клиента, цифра из вашей практики.
- Штампы. Вычистить "в современном мире", "играет ключевую роль", "комплексный подход". Модель их любит, читатель нет.
- Однообразие. Прочитать вслух первый абзац. Если он звучит как начало предыдущей статьи, переписать.
- Уникальность. Прогнать через сервис проверки. Обычно результат высокий, но пересказ чужой инструкции модель воспроизводит близко к тексту.
- Ссылки. Проверить каждую внутреннюю ссылку. Модель придумывает адреса по смыслу, и битые ссылки в черновиках встречаются постоянно.
На статью в 8 000 знаков весь цикл занимает около часа. Это всё равно втрое быстрее, чем писать с нуля, но не "нажал кнопку и опубликовал".
Кому стоит подключать ИИ, а кому рано
Нейросеть окупается там, где контента много и он однотипный: каталог с сотнями карточек, блог с регулярным графиком, метатеги для большого сайта. Если у вас пять страниц услуг и одна статья в квартал, возиться с промптами дольше, чем написать самому.
Главное не путать роли. Модель хорошо собирает известное в читаемый текст и плохо знает вашу отрасль, ваши цены и ваши проекты. Как только черновик уходит в публикацию без человека, экономия превращается в риск: сначала в однообразный блог, потом в фильтр за малополезные страницы.
Если хотите разобрать на своём сайте, какие тексты стоит обновить в первую очередь и что из этого можно ускорить моделью, посмотрите что входит в наше SEO-продвижение: работу с контентом мы начинаем именно с этого разбора.
