Кого уже заменяет искусственный интеллект
Первыми под удар попали копирайтеры. Большинство SEO-специалистов сегодня успешно пишут тексты с помощью нейросетей — от простых промтов до сложных агентов с векторными базами знаний под конкретную область.
Следующие на очереди — аналитики. Главное преимущество ИИ перед человеком — способность быстро и точно обрабатывать огромные массивы данных.
Этим летом мы тестировали AI-агентов для анализа Яндекс Метрики и тепловых карт. Результат превзошёл ожидания: агент самостоятельно нажимал кнопки, выбирал даты, изучал статистику кликов по элементам. На выходе получился подробный отчёт с красивыми графиками и практичными рекомендациями.
Приведу ещё один пример анализа данных — попроще, но показательный.
Практический кейс: эксперимент в региональном продвижении
Задача: улучшить позиции интернет-магазина в регионах Яндекса, особенно в Санкт-Петербурге.
Исходные данные:
- 55% поискового трафика из Яндекса приходит из Москвы, остальное — из регионов
- Потенциал роста трафика: в регионах и СПб — в 2-5+ раз, в Москве — на 10-100%
Ранее мы тестировали продвижение через подпапки и поддомены, но ни одна стратегия не сработала. Конкуренты используют основные домены — решили применить аналогичный подход.
На всех страницах добавили функционал региональной доставки, в шапке сайта разместили блок с выбором региона и текстовым перечислением городов. Во всех заголовках Title использовался топоним «Москва».
Гипотеза эксперимента
Изменение топонима в Title улучшит региональную выдачу по двум параметрам:
- Позиции: ранжирование в регионах вырастет без ухудшения позиций в Москве.
- CTR: кликабельность сниппетов в регионах увеличится без потери кликов в Москве.
Методология тестирования
Для эксперимента выбрали Санкт-Петербург. Отобрали около 10% всех категорий, которые находятся в ТОП-15 и имеют достаточную статистику кликов в Яндекс Вебмастере. Страницы разделили на два кластера:
Группа А: убрали из заголовка топоним «Москва»
Группа Б: добавили к «Москве» ещё и «Санкт-Петербург»
Оценка результатов
Для первой части гипотезы зафиксировали позиции по Москве и СПб. Планировали оценивать изменение позиций.
Для второй части собрали данные по кликам из обоих регионов для оценки конверсии.
Ход эксперимента
В конце августа изменили заголовки на контрольной выборке. За неделю заголовки переиндексировались. В сентябре решили дать «отстояться» новым вариантам страниц.
В начале октября собрали позиции по обоим городам для оценки первой части гипотезы. Для второй части планируем подождать ещё месяц-полтора, чтобы накопить достаточную статистику кликов.
А при чём здесь ИИ?
Обычно такие эксперименты оценивают на платформах типа Сеоворк или Топвизор — смотрят на изменение процента запросов в ТОПе, среднюю позицию и подобные метрики.
Я поступил иначе: скормил «сырые данные» нейросети и попросил их проанализировать. Данные представляли собой таблицу с запросами, страницами и позициями по Москве и СПб на две даты.
Промт для анализа
Разумеется, промт для задачи я попросил написать нейросеть. Вот что получилось:
Промт для анализа результатов SEO-эксперимента с Title
Контекст эксперимента
Проведён A/B тест по изменению заголовков Title для оценки влияния на региональное ранжирование.
Группа A — "[Эксперимент]: сниппет А)-Москва"
Действие: из Title убрали упоминание "Москва"
Группа Б — "[Эксперимент]: сниппет Б) Москва+Спб"
Действие: в Title добавили Санкт-Петербург (при сохранении "Москвы")
Структура данных
Ключевые столбцы файла:
Эксперимент — принадлежность к группе А или Б
WSR — частотность запроса (WordStat Regional)
23.08.2025 М — позиция в Москве ДО эксперимента
23.08.2025 Спб — позиция в СПб ДО эксперимента
26.09.2025 М — позиция в Москве ПОСЛЕ эксперимента
26.09.2025 Спб — позиция в СПб ПОСЛЕ эксперимента
Период: ~33 дня (с 23.08.2025 по 26.09.2025)
Задачи для анализа
1. Предварительная обработка
Загрузить и очистить данные
Обработать пропущенные значения (отсутствие = позиция >100)
Сегментировать по группам А и Б
Проверить корректность дат
2. Расчёт ключевых метрик
Для каждой группы по каждому региону:
Изменение позиций:
Абсолютное изменение: Δ = Позиция_после - Позиция_до
% улучшений (позиция выросла, число уменьшилось)
% ухудшений (позиция упала, число увеличилось)
% без изменений
Средние показатели:
Средняя позиция до/после
Среднее изменение позиций
Взвешенные показатели (по WSR):
Средневзвешенное изменение с учётом частотности
Взвешенный % улучшений
Потенциальный прирост/потеря трафика
3. Сегментированный анализ
По диапазонам:
Частотность (ВЧ, СЧ, НЧ)
Начальные позиции (ТОП-3, ТОП-10, ТОП-30, ТОП-100)
Величина изменения
4. Статистическая значимость
Статистические тесты (t-test, Mann-Whitney U-test)
Доверительные интервалы
Значимость различий между группами
5. Сравнительный анализ
Группа А (убрали "Москва"):
Динамика позиций в Москве
Динамика позиций в СПб
Выявленные паттерны
Группа Б (добавили "Спб"):
Динамика позиций в Москве
Динамика позиций в СПб
Влияние второго региона на ранжирование
Межгрупповое сравнение:
Лучшая динамика в Москве
Лучшая динамика в СПб
Эффективная стратегия для мультирегионального продвижения
6. Визуализация
Распределение изменений позиций
Сравнение средних позиций до/после
Взвешенные изменения по WSR
Динамика по частотности
7. Выводы и рекомендации
Лучшая группа по каждому региону
Подтверждение гипотезы о влиянии региональных меток
Практические рекомендации
Риски и ограничения
План масштабирования
Формат ответа:
Executive Summary (3-5 предложений)
Детальный анализ с цифрами
Визуализации
Статистическая оценка
Выводы по гипотезам
Actionable рекомендации
Важные нюансы:
Учитывать вес запросов через WSR
Различать отсутствие данных и позиции >100
Малые изменения (±1-3 позиции) могут быть флуктуациями
Анализировать средние и медианы
Учитывать внешние факторы (обновления алгоритмов)
Результаты анализа
Этот промт уже выглядит так, будто к вам на помощь пришёл бог аналитики. Загружаем всё это в нейросеть с режимом глубокого исследования. Я использовал Perplexity. 5 минут — и отчёт готов.
Краткое резюме отчета
Группа B (добавление "СПб" к "Москва") показала значительно лучшие результаты для Москвы. Группа A (удаление "Москва") оказалась эффективнее для Санкт-Петербурга.
При взвешивании по частотности запросов стратегия добавления второго региона обеспечивает:
- В 2,1 раза больше улучшений трафика в Москве
- В 4,5 раза меньше потерь позиций по сравнению с удалением региональной метки
В отчёте — корректные цифры, наглядные визуализации и глубокая аналитика. Да, мой пример простой, с небольшим объёмом данных, для узкой задачи. Но я получил не просто интуитивное понимание «надо добавить СПб», а конкретные данные и аргументы для обоснования решения. А это порой важнее самой рекомендации.
Главная цель этой статьи — показать возможности ИИ для современного SEO и простоту его использования. Я отдал данные по двум срезам позиций, чтобы найти закономерности в группах URL. Возможности для SEO анализа ваших Excel данных - безграничные!
Что в итоге?
Для меня как SEO-специалиста такой отчёт был бы неподъёмной задачей. Я бы просто проанализировал пару метрик вроде средней позиции в ТОП-5 — выросла, значит хорошо, надо внедрять. Для SEO-аналитика подобный отчёт занял бы не один час работы. Но еще надо поискать этого аналитика...
Вывод простой: ИИ обогатило современного SEO-специалиста не только навыками копирайтера и редактора, но и специалиста в области анализа данных. Круто же ведь!
На этом всё. Не стесняйтесь комментировать и не забывайте подписываться и читать меня в на Дзене, группе VK, Youtube, Rutube, блоге VC и на моем ТГ канале "SEO PRO Деньги".