Одна сімʼя моделей, три підходи до джерел
Три поверхні Google відповідають на те саме питання трьома різними способами. Якщо ви працюєте в пошуку, різниця між grounding і генерацією не є дрібницею. Вона визначає, що вам треба робити, щоб вас цитували.
Про «ранжування в AI» говорять так, ніби це щось одне. Це не так. Google використовує одну сімʼю моделей на трьох поверхнях, і кожна з них по-своєму вирішує, звідки береться відповідь.
І саме це корисно розуміти. Ви не будуєте другий сайт для роботів. Ви дбаєте про те, щоб один сайт був знаходимим, ранжованим і цитованим на кожному шляху, яким може піти відповідь, а не лише за головним запитом, який ви випадково відстежуєте.
Gemini (застосунок): спершу генерація
Як створюється відповідь. Відповіді за замовчуванням генеруються з тренувальних даних моделі. Grounding через Google Пошук вмикається вибірково, коли модель вирішує, що запит потребує свіжої або перевірюваної інформації.
Звідки беруться відповіді. Переважно з ваг моделі, тобто з параметричної памʼяті: з того, що модель уже вивчила. Коли grounding таки спрацьовує, вона підтягує живі результати Пошуку й показує підтвердні посилання. Але тут grounding опційний, а не типовий.
Чому це важливо. Згадки бренду в застосунку Gemini значною мірою залежать від присутності в тренувальних даних, а не від позицій цього тижня.
- Ваш бренд добре представлений у тренувальному корпусі: авторитетне висвітлення, присутність у Wikipedia, усталена сутність.
- Або для цього запиту спрацював grounding, і ви добре ранжуєтеся в живому Пошуку.
- Більшість відповідей походить із памʼяті моделі. Якщо ваш бренд новий, нішевий або слабко висвітлений до дати відсічення тренувальних даних, для моделі ви не існуєте.
- Чудові позиції не врятують вас на запитах, на які модель відповідає без grounding.
Що робити: будувати стійку присутність сутності. Стороннє висвітлення, узгоджені дані про сутність і контент, з якого модель реально мала змогу вчитися.
AI Overviews: спершу grounding
Як створюється відповідь. Спершу відбувається витягування. Кастомна модель Gemini синтезує підсумок із документів, які системи ранжування Google уже знайшли, і показує його лише за високої впевненості.
Звідки беруться відповіді. Живий індекс Пошуку, Knowledge Graph і Shopping Graph. Наведені посилання вказують на сторінки, з яких було зібрано підсумок.
Чому це важливо. Класична retrievability досі вирішує все. Якщо вас не можна знайти й проранжувати, вас не можна процитувати.
- Ви входите в набір знайдених і ранжованих документів за цим запитом.
- Фрагмент вашої сторінки прямо підтверджує твердження в синтезованій відповіді.
- Чистий видобувний текст і свіжість допомагають. Ahrefs виявив, що URL, які цитує AI, приблизно на 26% свіжіші за органічні результати.
- За словами Google, для придатності не потрібна жодна спеціальна схема розмітки.
- Вас не можна знайти:
noindex,nosnippet, блокування або просто слабке витягування. - Або жоден фрагмент вашої сторінки не підтверджує зроблене твердження.
- Цитування відбувається на рівні фрагмента. Висока позиція більше не гарантує цитати, хоча й суттєво підвищує шанси: перетин із топ-10 у різних дослідженнях коливається приблизно від 17% до 76%.
- Не розраховуйте на придушення в YMYL. Близько 88% запитів про здоровʼя вже викликають AI Overview.
Що робити: писати придатні до цитування фрагменти. Чіткі, самодостатні твердження, які самі по собі відповідають на підінтент, а не сторінки, що просто ранжуються.
AI Mode: grounding плюс fan-out
Як створюється відповідь. Query fan-out розбиває ваше питання на кілька підзапитів, які шукаються паралельно. Далі Gemini міркує над усім цим, щоб скласти одну розмовну відповідь.
Звідки беруться відповіді. Вебіндекс, Knowledge Graph і дані в реальному часі, як-от шопінг, локальні та фінансові, синтезовані з посиланнями назовні. Кожна відповідь спирається на витягнуті документи.
Чому це важливо. Ви більше не оптимізуєте під один запит. Ви оптимізуєте під десятки підзапитів, на які він розкладається.
- Ви ранжуєтеся за будь-яким із паралельних підзапитів, які породжує fan-out, а не лише за головним терміном.
- Сторінки, які ранжуються за fan-out запитами, приблизно на 161% частіше отримують цитування, за даними Ahrefs і Surfer.
- Глибоке тематичне покриття та якісні дані про сутність розширюють вашу площу контакту.
- Ви оптимізували під одне ключове слово, тоді як відповідь зібрано з десятка підзапитів, під які ви ніколи не працювали.
- Лише близько 20% цитувань в AI Mode походять із топ-20 органічних результатів, за даними seoClarity.
- Релевантність фрагмента слугує вхідним квитком, але авторитетність усе ще працює як фільтр, особливо в YMYL.
Що робити: скласти карту fan-out. Покривати кластер повʼязаних інтентів навколо кожного комерційного запиту, а не лише сам запит.
Що змінити насправді
Три поверхні, три режими провалу. Робота чітко ділиться на дві частини: одна для поверхонь із grounding, друга для генеративної.
Для генеративної поверхні будуйте сутність. Вам не вдасться оптимізацією потрапити в памʼять моделі за цей квартал. Її рухає стійке стороннє висвітлення, узгоджені дані про сутність у тих місцях, де Google звіряє ідентичність, і достатньо змістовного контенту, щоб моделі було чого вчитися. Це повільна робота, і вона накопичується.
Для поверхонь із grounding пишіть фрагменти, а не лише сторінки. Сторінка, яка ранжується, лише оплачує вхід. Цитують натомість фрагмент, що викладає твердження достатньо чисто, аби його можна було вийняти й воно все одно мало сенс. Самодостатній, конкретний і привʼязаний до підінтенту, який у когось справді є.
Перестаньте вимірювати один запит. Якщо AI Mode розкладає питання на десяток підзапитів, то відстеження головного терміна майже нічого не каже про те, чи присутні ви у відповіді. Складіть карту підінтентів навколо комерційно важливих запитів і покрийте їх.
Ніщо з цього не потребує окремої AI-стратегії, прикрученої до вашого сайту. Потрібно, щоб той самий сайт був зрозумілим для систем, які тепер складають відповіді, а не перелічують посилання. І потрібне вимірювання, здатне побачити, що ці системи справді зробили, а це вже інша задача, про яку ми писали в матеріалі три сигнали, які варто моніторити.
Дізнайтеся, які AI-поверхні справді вас цитують.
WISLR вимірює AI-канал на ваших власних first-party даних: які кравлери читають ваші сторінки, які відповіді їх цитують і що робить цей трафік після приходу. Правда на рівні сервера замість оцінки частки голосу.