SEO раньше было сопоставлением ключевых слов. Теперь это сопоставление баз данных.

На протяжении примерно двух десятилетий поиск работал по модели сопоставления ключевых слов. Пользователь вводит ключевое слово. Сайт оптимизирован под это ключевое слово. Страница с самым сильным совпадением, подкреплённая обратными ссылками и on-page сигналами, получает верхнюю позицию.

Сейчас наблюдается постепенный переход к иной модели. Всё чаще поиск ведёт себя не как сопоставление ключевых слов, а как сопоставление баз данных. Последствия этого сдвига, особенно для локального бизнеса, индустрией пока осознаны не в полной мере.

У ищущего теперь есть собственная база данных

Один из менее обсуждаемых аспектов этого сдвига, это то, что изменилось на стороне пользователя. Когда человек обращается к AI-ассистенту, он больше не просто вводит ключевое слово в строку поиска. Он приходит с персональной базой контекста, которая формирует интерпретацию запроса.

ChatGPT memory хранит предпочтения пользователя, прошлые диалоги, сохранённые факты и повторяющиеся темы между сессиями. Когда пользователь задаёт вопрос, ChatGPT приоритизирует ответ на основе свежести, частоты и контекстного соответствия этой сохранённой памяти.

Perplexity AI Profiles идут дальше. Пользователи сами указывают свою локацию, интересы, диетические ограничения, предпочитаемый язык, стиль коммуникации и личный контекст. Perplexity подгружает этот контекст в каждый запрос ещё до того, как поисковая система начнёт работу.

ChatGPT теперь использует данные о локации в реальном времени для более точных локальных ответов. Gemini подключается к более широкой экосистеме пользовательских сигналов Google. Каждая AI-поисковая система с каждым взаимодействием наращивает более богатую и персональную базу данных о пользователе.

К моменту отправки запроса AI-ассистент уже работает со структурированным профилем: кто этот пользователь, где он находится и что он обычно ищет. На входе больше не ключевое слово. На входе контекстный датасет.

Сторона сайта в этом уравнении

Именно здесь возникает асимметрия. Многие сайты по-прежнему оптимизированы преимущественно вокруг keyword-сигналов: title-тегов, meta-описаний и обратных ссылок, которые продолжают играть роль в discovery и доверии. Что часто развито хуже, это слой структурированной базы данных, на который AI-системы теперь опираются при интерпретации и цитировании контента.

Ключевое слово говорит: «эта страница про парковку».

База данных говорит: «у этого объекта 40 парковочных мест на широте 41.9028, долготе 12.4964. Высотное ограничение 2.1 метра. Почасовой тариф 3 EUR. Ближайшая альтернатива в 200 метрах восточнее. От объекта пешком 12 ресторанов в радиусе 300 метров. Он расположен в районе Trastevere. До Metro Line B 4 минуты».

Та же тема. Совершенно разная сила сигнала.

AI-поисковые системы всё чаще полагаются на entity extraction, а не на чистое сопоставление текстовых паттернов. Они извлекают сущности из структурированных данных и сопоставляют их с контекстом пользователя. Только один Google Knowledge Graph содержит порядка 1.6 триллиона фактов о 54 миллиардах сущностей, что даёт представление о масштабе базы данных, с которой AI-системы проводят сопоставление.

Когда сайт не экспонирует свои данные в структурированном, машиночитаемом формате, AI становится сложно включить его в процесс сопоставления. Последствие здесь не столько снижение позиции, сколько снижение вероятности вообще быть рассмотренным.

Что показывают данные

Разница в производительности между контентом, ориентированным на ключевые слова, и контентом, ориентированным на сущности или структурированные данные, существенна. В одном из исследований точности GPT-4 на контенте со структурированными данными и без них доля корректных ответов выросла с 16% до 54%. Модель и вопрос были идентичны. Различалась инфраструктура данных.

Другие наблюдения указывают в том же направлении. Schema-разметка ассоциируется с ростом показов в featured snippet на 677%. Entity-оптимизированный контент примерно на 50% чаще появляется в featured snippets. Разговорный структурированный контент получает примерно в 4 раза больше AI-цитирований, чем традиционный keyword-оптимизированный контент.

Одна цифра заслуживает особого внимания: 83.3% цитирований AI Overview приходят со страниц за пределами традиционного топа органической выдачи.

Это говорит о том, что классический органический ранкинг и AI-цитирование становятся частично развязанными сигналами. Страницы, хорошо ранжирующиеся в классическом поиске, не обязательно те же, которые цитируются AI-системами. Структурированные данные, богатые сущностями, похоже, играют всё более значимую роль в том, какие страницы всплывают в ответах.

Кейсы entity-first стратегий фиксируют рост видимости до 1400% за шесть месяцев, хотя подобные цифры находятся на верхней границе диапазона.

Когда две базы данных совпадают

Когда контекст на стороне пользователя и структурированные данные на стороне сайта хорошо согласованы, у AI меньше потребности достраивать или восполнять пробелы. Он может извлечь структурированные факты с сайта, сравнить их с профилем и намерением пользователя и вернуть ответ с более высокой уверенностью и точностью.

Рассмотрим пользователя в Лиссабоне с Perplexity Profile, где указаны предпочтения к пешеходным городам и уличным кафе. Он спрашивает про тихий район для weekend-поездки.

Вместо того чтобы искать точное вхождение фразы «тихий район», ассистент может сопоставить сохранённые предпочтения (walkability, уличные посадочные места, контекст удалённой работы) со структурированными данными доступных объектов: изохронами пешей доступности, density-оценками, количеством ближайших кафе, уровнем шума, транспортной доступностью.

В таком сценарии всплывает не обязательно тот листинг, у которого самый сильный маркетинговый текст или больше всего отзывов. Это тот, чьи структурированные данные максимально близко совпадают с контекстом пользователя.

Практические соображения для бизнеса

1. Относиться к сайту как к базе данных. Полезно рассматривать каждую страницу не столько как маркетинговый документ, сколько как набор записей. В такой рамке каждый ответ из FAQ становится машиночитаемым фактом, а каждое поле соответствует структурированной точке данных. Location-specific FAQs хорошая отправная точка для такого сдвига в мышлении.

2. JSON-LD как стандартный формат. JSON-LD используется примерно на 70% сайтов, внедряющих структурированные данные, во многом потому, что это формат, который AI-системы извлекают с минимальным трением. Также показано, что JSON-LD примерно на 60% эффективнее microdata для распознавания AI. Ключевые сущности: бизнес, локация, сервис, FAQ, продукт, событие, выигрывают от оборачивания в подходящие схемы. См. наш гайд по JSON-LD schema для AI-цитирования локального бизнеса с разбором по полям.

3. Локационные сущности как приоритет. Для локального бизнеса поле geo в JSON-LD-схеме имеет особый вес. Координаты, зоны обслуживания, часы работы, транспортная доступность и контекст района превращают обычный адрес в машиночитаемую локационную сущность. MapAtlas GeoEnrich генерирует проверенные proximity-данные, заполняющие эти поля, а Geocoding преобразует сырые адреса в точные координаты в масштабе.

4. Консистентность данных между платформами. Расхождения между Google Business Profile, сайтом, Yelp и аналогичными источниками, по всей видимости, снижают confidence-оценки в AI-системах. Консистентные данные между платформами зачастую влияют сильнее, чем любой отдельный сигнал. NAP consistency для AI-поиска разбирает механику детальнее.

5. Аудит текущей экспозиции данных. Измерение того, что реально видно AI, часто является полезной отправной точкой. Бесплатный MapAtlas AEO Checker оценивает листинг по 29 структурированным сигналам и подсвечивает, какие из них в данный момент отсутствуют.

Более широкий сдвиг

Направление движения подкрепляется согласованным набором данных. AI-трафик в поиске вырос примерно на 721% год к году. По оценкам, к 2026 году около 30% поисковых взаимодействий будут происходить через AI. Gartner прогнозирует, что объём классических поисковых запросов может снизиться примерно на 25% по мере того, как пользователи переходят к AI-ассистентам.

Вместе эти тренды указывают на нечто более структурное, чем новая SEO-тактика или корректировка текущих практик со схемой. Механизм сопоставления пользователей и бизнеса, похоже, меняется на более фундаментальном уровне.

Там где keyword SEO стремилось выиграть конкретные запросы, entity-level оптимизация, как правило, покрывает более широкие темы. Сопоставление «база данных к базе данных», как формирующаяся рамка, касается всего диалога между контекстом пользователя и структурированными данными бизнеса.

Для бизнеса, привязанного к локации, экспонирование чистых, структурированных данных и выравнивание entity-информации с тем, как AI-системы читают веб, вероятно, станет всё более важной частью стратегии discovery в ближайшие годы.

По теме:

Часто задаваемые вопросы

Что означает SEO по принципу 'база данных к базе данных'?

Это описывает переход от сопоставления ключевых слов в классическом поиске к сопоставлению сущностей в AI-поиске. Пользователь приходит к AI-ассистенту со структурированным профилем предпочтений, локации и контекста. Сайту нужен соответствующий слой структурированных данных: координаты, ближайшие POI, часы работы, контекст района, чтобы AI уверенно включил его в ответ. Релевантность определяется тем, насколько хорошо согласуются два набора данных, а не тем, как часто ключевое слово встречается на странице.

Почему SEO, ориентированное только на ключевые слова, становится менее эффективным?

Keyword SEO оптимизируется под фразу, которую пользователь вводит. AI-ассистенты больше не работают с одной фразой. Они объединяют сохранённую память, данные профиля, общую локацию и историю диалога в контекстный датасет. Страница, повторяющая фразу 'тихий район', сообщает AI очень мало. Страница со структурированными оценками walkability, данными о шуме, транспортной доступности и близости к кафе соответствует контексту пользователя на уровне сущностей и имеет больше шансов быть процитированной.

Какие форматы структурированных данных важнее всего для AI-цитирования?

JSON-LD доминирует. Около 70% сайтов, внедряющих структурированные данные, используют JSON-LD, и он примерно на 60% эффективнее microdata для распознавания AI. Для бизнеса, привязанного к локации, наибольший вес имеют поля `geo`, `address`, `amenityFeature`, `nearbyAttraction` и `publicAccess` внутри типов Schema.org, таких как `LodgingBusiness`, `Hotel`, `Restaurant` и `LocalBusiness`.

Как провести аудит структурированных данных на сайте?

Запустите бесплатный MapAtlas AEO Checker по адресу mapatlas.eu/aeo-checker. Он оценивает листинг по 29 структурированным сигналам, которые AI-системы используют при решениях о цитировании, и показывает, какие поля отсутствуют, заполнены не полностью или расходятся с другими публичными источниками.

Какой первый шаг даёт наибольший эффект для локального бизнеса?

Сформировать проверенный инвентарь proximity-данных для каждой локации. Точные ближайшие POI, расстояния до транспорта и контекст района, это поля, которые AI-ассистенты чаще всего используют для сопоставления бизнеса с разговорным запросом, и именно они чаще всего отсутствуют на страницах листингов. MapAtlas GeoEnrich генерирует такие данные в масштабе, чтобы их можно было встраивать напрямую в Schema.org-разметку и текст страницы.