Пояснение к диаграмме:

Вертикальная шкала показывает долю пользовательского внимания – сколько кликов и взаимодействий получает каждый элемент выдачи. После появления AI-обзоров верхний блок забирает значительную часть внимания, и зависимость между позицией и трафиком перестаёт быть линейной.

Пять причин, почему позиции потеряли объяснительную силу

1. Пользовательский фокус сместился вверх

Традиционная выдача начинается после AI-обзора.

Пользователь видит готовое объяснение раньше, чем ссылки. Если ответ его устраивает, он не идёт дальше. Позиции становятся второстепенными: иногда четвёртая или пятая ссылка получают больше переходов, чем первая, если нейроответ побуждает открыть конкретный источник.

2. Позиции фиксируют старую логику, а AI-ответ работает по новой

Страница может оставаться в топ-3 классического поиска, но не попадать в нейроответы. В результате трафик падает, хотя позиции выглядят стабильными. Это не ошибка статистики – модель просто не использует ваш контент для объяснения.

3. AI выбирает фрагменты, а не страницы

Если в тексте нет удобного, чётко оформленного фрагмента, модель возьмёт смысл у конкурентов, даже если их страницы стоят ниже.

Позиция отражает ранжирование URL.

AI-ответ – ранжирование смыслов.

Это две независимые системы, которые всё чаще расходятся.

4. Запросы с AI-ответом и без AI-ответа дают разный трафик при одинаковых позициях

Два запроса могут вести на одну и ту же страницу с одинаковой классической позицией, но кликов будет меньше там, где включён нейроответ. Разница объясняется тем, что часть пути пользователя теперь закрыта AI-блоком.

5. Позиции не учитывают региональный контекст, который AI использует значительно активнее

Страница может быть стабильно видима в одном городе и потерять видимость в другом, хотя позиции формально совпадают. Причина – в разнице локальных сигналов, которые учитывает модель, но не учитывает классический алгоритм.

Итог

Позиции отражают то, что видит поисковик.

AI-ответ отражает то, что считает нужным модель.

Для маркетолога важен второй слой. Именно он определяет, кто получает реальный трафик, даже если формальные показатели выглядят благополучно.

Следующий шаг – понять, видит ли AI вашу страницу и какие признаки указывают на выпадение из новой логики выдачи.

Схема “Как AI-обзор собирает ответ (универсальная модель)”

Как понять, что ваш сайт “не виден”

Отсутствие позиций в AI-ответах редко проявляется явно.

Сайт может занимать стабильные места в классической выдаче, корректно индексироваться, принимать ссылочный трафик – и при этом оставаться за пределами того, что модели используют для формирования объяснений.

Есть несколько признаков, по которым можно определить, что сайт выпал из поля зрения AI.

1. Фрагменты вашего текста ни разу не появляются в нейроответах, даже по узким запросам

Проверяется просто: если тема узкая, конкурентов немного, но ни один запрос не вызывает появление ваших фрагментов – это сигнал.

Модель просматривает страницы, но не считает их удобной основой для объяснения.

2. AI-ответы используют материалы меньшего качества

Если модель предпочитает сайты, которые слабее по структуре или содержанию, дело не в «несправедливости».

Причина в том, что эти страницы дают фрагменты, которые легко встроить в объяснение.

Ваш текст – нет.

3. Позиции стабильны, а трафик падает

Характерный признак скрытой потери видимости.

Если позиции не изменились, а трафик уменьшился, значит, часть запросов обслуживается AI-ответом, и ваш контент не включён в структуру объяснения.

4. Сайт виден в одном регионе и исчезает в другом

Обычно это случается с проектами без оформленной геопривязки.

Если по одной теме в разных городах появляются разные AI-ответы, а ваш сайт присутствует только выборочно – модель не считает его локально пригодным.

5. Модель использует данные конкурентов, хотя у вас изложено лучше

Это происходит, когда текст:

– слабо структурирован,

– не содержит коротких чётких мыслей,

– лишён примеров,

– не соответствует формату объяснения.

Качественный, но сложный текст может быть непригодным для включения в ответ.

6. Запросы вашей тематики вызывают AI-ответы другого типа

Если модель даёт справки, списки или сравнения, но не использует ваши материалы, значит, страница не совпадает с тем intent, который AI считает оптимальным для темы.

Страница может быть сильной, но написанной вне той логики, в которой модели объясняют запрос.

7. Даже прямые запросы с уникальными формулировками не вызывают появления ваших фрагментов

Это самый жёсткий индикатор.

Если текст уникален, но модель не использует его как источник, сайт не проходит один из базовых фильтров доверия или структурной пригодности.

Что важно понимать

Невидимость – это не санкция и не ошибка.

Это отсутствие точки входа для модели: страницам не хватает структуры, чёткости фрагментов, локального контекста или подтверждающих сигналов доверия.

Как только эти элементы появляются, модель начинает рассматривать страницу как возможный источник.

Следующий шаг – разобраться, как AI считывает сам текст: какие элементы воспринимает как структуру, что выделяет, что игнорирует.

С этого начинается следующая глава.

Глава 2. Как AI анализирует содержание страницы

Когда мы говорим, что модель “читает” страницу, важно понимать: это не чтение в привычном смысле. Модель не движется сверху вниз и не анализирует каждый абзац одинаково. Она воспринимает страницу как набор смысловых блоков и пытается определить три вещи:

структуру – как организованы мысли;

намерение – какую задачу решает страница;

фрагменты, которые можно использовать в собственном объяснении.

Именно так формируется итоговое восприятие.

Поэтому первое, что важно освоить, – как модель измеряет смысловые единицы.

А уже после этого – какие элементы усиливают или ослабляют её внимание к тексту.

Таблица “Как читает человек / как читает модель”

1. Смысловое восприятие: заголовки, абзацы, структура

Нейросеть не выстраивает внутренний “индекс” страницы на основе ключевых слов. Она пытается понять:

– о чём речь;

– какая часть текста является объяснением;

– какая – уточнением;

– какая – примером;

– где находится смысловой центр темы.

Страница с хорошо оформленной структурой даёт модели несколько элементов, которые она считает значимыми.

H1 как формулировка темы

H1 – это не просто заголовок, а определение области, в которой модель ищет смысловые фрагменты.

Если H1 точный и прямой, нейросеть быстрее понимает тему и назначение страницы.

Если H1 размытый или оформлен как маркетинговая фраза, текст теряет смысловой вектор.

H2 как устройство содержания

H2-структура помогает модели “разложить” материал на смысловые блоки.

Правильно оформленный H2 указывает, где находится:

– объяснение,

– разбор,

– примеры,

– уточнения,

– выводы.

Для модели это важнее, чем объём текста.

Даже короткая секция с ясным H2 воспринимается лучше, чем длинный фрагмент из нескольких абзацев без чёткого обозначения.

Абзацы как единицы смысла

Модель извлекает абзацы, а не отдельные предложения.

Она ищет фрагменты, которые достаточно завершены, чтобы использовать их в AI-ответе.

Одна мысль – один абзац.

Если абзац слишком длинный, включает несколько логических шагов или перескакивает между идеями, модель не сможет применить его как единый смысловой блок.

Логическая последовательность

Страница, где мысли идут последовательно и без скачков, воспринимается значительно лучше.

Модель оценивает порядок не как визуальное оформление, а как структуру знания.

Если внутри раздела появляется неожиданный поворот, тема, не связанная с текущим объяснением, или лишний пассаж, модель “отбрасывает” этот участок как нерелевантный.

2. Attention: на что модели реально смотрят

Механизм attention – это распределение фокуса.

Модель не анализирует текст равномерно. Она усиливает одни зоны и ослабляет другие, формируя собственный приоритет смыслов.

Есть элементы, которые стабильно получают повышенное внимание (attention) модели:

1) Первые абзацы после заголовка

Это место, где модель ищет определение или главное объяснение темы.

Если там расположен риторический вопрос, маркетинговая фраза или «разгон» – модель получает слабую основу и смещает внимание на второстепенные части.

2) Чётко оформленные объяснения

Если абзац начинается с прямой формулировки (“Определение…”, “Причина…”, “Механика…”), attention растёт.

Модель видит структуру, которую можно встроить в объяснение.

3) Примеры

Примеры – сильный триггер внимания.

Модель использует их, чтобы проверять смысл.

Если пример оформлен ясно и нераздут, он может быть включён в AI-ответ как часть объяснения.

4) Краткие определения

Модель любит фрагменты, которые можно вынести в начало ответа.

Если определение короткое, точное и оформлено как самостоятельный абзац – внимание усиливается.

5) Списки с реальной смысловой пользой

Модель не использует декоративные списки (“пять причин выбрать нас”).

Но списки, в которых каждый пункт – логическая часть темы, усиливают attention, потому что представляют собой разложение информации по структуре.

2. Attention: на что модели реально смотрят

Механизм attention – это распределение фокуса.

Модель не анализирует текст равномерно: она усиливает одни зоны и ослабляет другие, формируя собственный приоритет смыслов.

Есть элементы, которые стабильно получают повышенное внимание модели.

1) Первые абзацы после заголовка

Это точка, где модель ищет определение темы или главное объяснение.

Если в начале стоит риторический вопрос, маркетинговый вводный текст или “разгон”, модель получает слабую опору и смещает внимание на второстепенные части страницы.

2) Чётко оформленные объяснения

Attention усиливается, когда абзац начинается с прямой формулировки: