Как работает AI-поиск в мае/июне 2026 года. Часть 1.
Вычитал интересную статью про развитие АИ поиска. Сейчас выдам вам краткий обзор самых важных моментов. Но всеж рекомендую пару раз перечитать оригинал.
Еще год назад модель была гораздо проще: запрос → поиск → топ-N фрагментов → ответ с источниками. Вы попали в топ-N - вас процитировали. Не попали - нет.
Эта схема больше не существует ни в одной крупной AI-системе.
Google AI Mode, ChatGPT, Perplexity, Gemini Deep Research - все они теперь работают по агентной RAG-архитектуре. Один запрос пользователя порождает внутри системы от 5 до 20 подзапросов. Каждый выполняется отдельно. Найденные фрагменты сравниваются попарно - буквально: "какой из двух отрывков лучше отвечает на этот подзапрос?". Затем критик-модуль проверяет качество черновика и решает, достаточно ли доказательств, чтобы ответ был надёжным.
Контент должен пройти пять последовательных фильтров при каждом подзапросе:
планировщик → маршрутизатор → поиск → попарное ранжирование → критик.
Только пройдя все пять - страница попадает в финальный ответ. При этом традиционное отслеживание цитирований видит только выживших. Оно не показывает, на каком именно этапе вы отсеялись.
Шесть изменений в контентной работе
- Одной "хорошей страницы" недостаточно - нужна топическая плотность (привет коконцы!)
Агент разбивает тему на 5–20 подзапросов. Страница, которая существует как изолированный материал без покрытия смежных подтем, попадает в цитирование один раз - и исчезает из следующих подзапросов. Страница, которая является узлом плотного связного топического кластера, цитируется в одном ответе по пять раз.
Действие: для каждой приоритетной темы проведите аудит покрытия. Какие смежные подвопросы задаёт ваша аудитория? Какие из них у вас не закрыты отдельным материалом?
- Атомарные самодостаточные абзацы бьют монолитные статьи (привет чанкирование!)
Система извлекает и сравнивает фрагменты, а не страницы. Абзац, который требует прокрутки двух параграфов вверх для понимания, проигрывает в попарном сравнении абзацу, который понятен без контекста.
Требования к "выживающему" абзацу:
➡️именованные сущности в самом начале ("Для магазинов с оборотом до 1 млн рублей...")
➡️явные условия применимости
➡️таблицы, списки, конкретные числа - всё, что LLM может процитировать без интерпретации
Действие: возьмите топ-3 страницы по приоритетным запросам. Пройдитесь по каждому абзацу с вопросом: "Понятен ли этот абзац без чтения предыдущих?"
- Контент с признанием ограничений проходит через критика (Привет мастер промпты из спец канала!)
Когда критик-модуль оценивает черновик, он ищет однобокость. Источник, который игнорирует исключения и не признаёт, когда его рекомендации не работают, классифицируется как потенциально ненадёжный и отфильтровывается. Рекламный текст без оговорок - прямой путь к отклонению на этапе рефлексии.
Действие: добавьте на экспертные страницы явный раздел: "Когда этот подход не работает" или "Ограничения и исключения".
- "Мостовые сущности" - крутейший приём (опять привет коконцам!)
Когда агент на первом подзапросе находит сущность A, второй подзапрос исследует связи A с другими сущностями. Если ваш контент является каноническим источником, связывающим тему A с темой B - вас цитируют в ответах, где пользователь вообще не упоминал ваш бренд или сайт.
Действие: определите, какие смежные темы в вашей нише слабо связаны в существующем контенте. Создайте страницы-мосты - они дают цитирования в "боковых" запросах.
- Инструментальный контент побеждает статьи там, где задача вычислима
Когда запрос требует расчёта (калькуляторы, сравнения, актуальные ставки, спецификации товаров) - маршрутизатор предпочтёт вызвать API или инструмент, а не цитировать статью. Компании, которые продолжают писать "полные руководства" по темам, где нужен калькулятор, будут заменены функциональным вызовом.
Действие: для каких тем в вашей нише вычислимый инструмент полезнее статьи? Калькулятор, сравнительная таблица с реальными данными, API-точка с актуальной информацией.
- Свежесть - это фильтр критика