Habr AI показал, как строить SEO-систему для ниши и готовить сайт к AI-поиску

В Habr AI разобрали, почему попытка «поручить SEO нейросети» чаще всего заканчивается шумом, дублями и галлюцинациями. Главная мысль статьи: захват ниши начинается не с генерации текста, а с инженерии спроса и точной архитектуры сайта.

Сначала спрос

Автор спорит с популярной идеей, что LLM могут сами собрать семантику, придумать структуру и заполнить сайт контентом. На практике такой подход дает сотни красивых, но бесполезных запросов, страницы с пересекающимся смыслом и заголовки, которые не отвечают реальным интентам пользователя. Проблема не в самой модели, а в том, что ей часто поручают хаос без правил.

Если бизнес не понимает, какие виды спроса есть в нише и какие страницы должны их закрывать, автоматизация только масштабирует ошибки. Вместо абстрактного «сделай хорошо» автор предлагает начинать с карты спроса: какие запросы относятся к коммерческому поиску, какие — к сравнению решений, какие — к навигации, а какие вообще не требуют отдельной страницы. Это меняет логику работы: сайт строится не вокруг набора ключей, а вокруг типов намерений и сценариев пользователя.

Так становится видно, где нужен отдельный URL, а где достаточно усилить уже существующую страницу.

«Хаос не становится системой только потому, что вы добавили к нему API-ключ.»

Пайплайн без магии Из статьи получается довольно приземленный, но рабочий пайплайн.

Сначала команда собирает сырые запросы и очищает их от дублей и мусора. Затем кластеры связываются с конкретными типами страниц: где нужна коммерческая посадочная, где фильтр каталога, где обзор, где сравнительная страница, а где публикацию лучше не делать вообще. Только после этого можно подключать LLM — не как замену стратегии, а как инструмент ускорения для анализа, черновиков и масштабирования уже принятой структуры.

• Сырые запросы и первичная очистка Кластеризация по интентам, а не только по словам Привязка кластеров к типам страниц План разработки, контента и внутренней перелинковки Подготовка страниц к видимости в AI-поиске Ключевой момент в том, что семантика здесь перестает быть «кладбищем таблиц». Она превращается в производственный процесс, где у каждого кластера есть владелец, формат страницы, набор требований и понятный приоритет. Такой подход удобен не только SEO-команде, но и продукту, разработке и редакции: всем становится ясно, какие страницы нужны бизнесу, какие можно объединить, а какие лучше не запускать, чтобы не размывать структуру сайта.

Где полезны LLM LLM в этой схеме не отменяют SEO, а занимают конкретное место внутри pipeline.

Они могут помочь с нормализацией формулировок, первичной группировкой запросов, генерацией вариантов структуры, черновиками метаданных и анализом пробелов в покрытии ниши. Но модель должна работать по заданным правилам и на проверяемых данных. Иначе получается знакомая картина: сотни дублирующих страниц, каннибализация поискового спроса и тексты, которые выглядят убедительно, но не решают задачу пользователя и не усиливают сайт как систему.

Отдельно важен сдвиг в сторону AI-поиска. Если раньше можно было мыслить только категориями классической выдачи, то теперь нужно учитывать, как материал будет читаться и извлекаться системами вроде AI Overviews и других LLM-интерфейсов. Для этого важны прозрачная структура, понятное соответствие интенту, отсутствие дублирования и логика страниц, которую машина может интерпретировать без догадок.

Иначе даже качественный текст окажется в слабой позиции, потому что вокруг него не выстроена ясная информационная модель.

Что это значит

Для редакций, маркетинга и продуктовых команд вывод простой: эпоха LLM не отменяет ручное проектирование спроса, а делает его еще важнее. Побеждать будут не те, кто быстрее заливает тысячи AI-текстов, а те, кто лучше понимает интенты, аккуратнее строит архитектуру и использует модели как слой автоматизации поверх уже продуманной системы. Именно такая дисциплина повышает шансы попасть не только в обычную выдачу, но и в AI-ответы.