SEO для искусственного интеллекта: топ сайтов для LLM и как наплыв маркетологов бьет по качеству
Аналитики Semrush определили десятку самых популярных интернет-ресурсов, на которые ссылаются большие языковые модели (LLM) при формировании ответов. Однако высокая степень доверия алгоритмов к этим сайтам породила новую проблему: платформы массово заполняются искусственным контентом, что напрямую бьет по качеству выдачи самих нейросетей.
Согласно свежим данным, выбор источников информации у искусственного интеллекта не случаен и строго сегментирован. Безоговорочными лидерами по цитируемости в сносках LLM стали три крупные площадки. Wikipedia традиционно используется алгоритмами как базовая платформа для извлечения сухих фактов и энциклопедических справок. Reddit оказался незаменим для анализа живых человеческих дискуссий и неформальных мнений, а LinkedIn выступает главным поставщиком экспертного контента, к которому модели обращаются при генерации ответов в B2B-сегменте.
Помимо лидирующей тройки, в десятку наиболее часто упоминаемых доменов также вошли видеохостинг YouTube, блог-платформа Medium, издание Forbes, а также официальные ресурсы Google и Microsoft.
Обратная сторона популярности
Специалисты отмечают, что предсказуемость языковых моделей спровоцировала появление нового маркетингового тренда — GEO (Generative Engine Optimization, или поисковая оптимизация под нейросети).
Понимая, на какие именно площадки в первую очередь опирается ИИ, SEO-специалисты и бренды начали целенаправленно публиковать на этих ресурсах сотни текстов, сгенерированных самим же искусственным интеллектом. Главная цель таких действий – заставить языковую модель «проглотить» нужный рекламный материал и начать ссылаться на продвигаемый продукт в ответах реальным пользователям.
Несмотря на высокую коммерческую эффективность этого метода, эксперты бьют тревогу. Возникает замкнутый цикл: новые поколения нейросетей все чаще опираются на маркетинговый «спам», который был сгенерирован алгоритмами ранее. Из-за обучения на таких искусственных текстах общая глубина, объективность и качество ответов LLM стремительно снижаются
