Как с помощью ИИ ускорили SEO в 11 раз для топ-10 ecom-проекта

Скинули рутину на ИИ: сэкономили 8 млн ₽ на команду и ускорили выполнение задач на 2 года. Рассказываем, как с помощью нейросетей нашли новую планку рентабельности.

Клиент: топ-10 e-commerce проект в своей нише, другие детали — под NDA.

Крупные интернет-магазины объединяет проблема масштаба. У вас может быть миллион товаров, но если их никто не находит в поиске — они как будто и не существуют.

Классическое решение: нанять SEO-команду, которая будет вручную оптимизировать страницы. Только физически специалисты смогут обработать семантику для 30-40 страниц в месяц, когда нужно по 100-500. При таком темпе полноценная структура сайта растягивается на годы, а конкуренты обходят, рынок меняется, деньги утекают.

Умный маркетинг столкнулись с этим на реальном проекте. Клиент поставил задачу — обработать 500 000 кластеров запросов за полгода. Это как написать 500 тысяч уникальных объявлений, каждое со своей логикой и структурой.

Спойлер: сначала мы пытались сделать все руками, но провалились. Потом переосмыслили подход — и не только справились, но и сэкономили 8 миллионов с помощью ИИ-агентов.

Все это конвертируется — в органический трафик, позиции в топе, конверсию и выручку для магазина. Когда плохая структура — это как дырявый карман: деньги утекают на рекламу, клиенты уходят к конкурентам, потенциал сгорает.

Когда оптимизируешь крупный проект вручную, проблемы вылезают одна за другой.

Нужны десятки специалистов, Excel не справляется, инструменты не выгружают всё сразу. А впереди — дедлайн.

Нам пришлось искать другой путь.

К нам пришел крупный e-commerce клиент и мы начали работу:

Клиент пришел с конкретикой: полмиллиона кластеров, структура каталога, заголовки, анкоры, типизация страниц. Срок — шесть месяцев.

Сначала мы решили идти классическим путем — собрать команду профессионалов и сделать все максимально качественно. План выглядел железобетонно:

Собрали команду из 6 SEO-специалистов, работали как проклятые — по 15 часов в сутки. И через 3 месяца поняли, что выполнили лишь 10% от объема. С какими проблемами столкнулись:

Клиент нервничал. Мы нервничали. Стало очевидно: так дальше нельзя, нужно что-то менять радикально.

Половина времени потрачена, сделано 10%. Впереди маячит дедлайн. Варианта два:

Выбрали второе. И начали экспериментировать.

Первая проблема была в объемах. Excel просто не создан для миллионов строк — он зависает, тормозит, теряет данные.

Что сделали: перешли на нормальную базу данных и подключились к API напрямую. Теперь данные из Key.so летели в Excel автоматически, минуя ручное копирование и молитвы «только бы не упал».

В результате:

Это была наша первая маленькая победа. Одна зеленая зона на схеме процессов.

Написать один качественный заголовок H1 — дело пяти минут для хорошего специалиста. Написать 500 000 заголовков — это годы жизни.

Мы решили скормить эту задачу ChatGPT. Результаты первых экспериментов были интересными. GPT-4 то выдавал шедевры, то уходил в креатив там, где нужна была точность. За раз обрабатывал максимум 200-300 строк, иногда терял данные, периодически забывал требования. Стало понятно: просто так нейросеть не заработает. Нужна система.

Как улучшили:

1. Построили технологический конвейер: Python + API + CSV

И про интерфейс не забыли, собрали юзабельный MVP:

2. Протестировали все доступные модели:

3. Настроили параметры как у параноика:

Результат:

Простыми словами: мы превратили нейросеть из творческого писателя в дисциплинированного копирайтера, который четко следует техзаданию.

Когда поняли механику работы с нейросетями, начали масштабировать подход на все остальные задачи. По сути, мы создали конвейер из ИИ-агентов, каждый из которых отвечал за свой кусок работы.

Что передали искусственному интеллекту:

Схема процессов наконец приобрела единый цвет:

После автоматизации вышли на такие показатели:

Задачу, которая на старте казалась невыполнимой, закрыли точно в дедлайн.

Мы протестировали 9 разных моделей. Некоторые оказались быстрыми, но с посредственным качеством. Другие — шикарными по точности, но неоправданно дорогими. Делимся выводами.

1. Качество ответов. Чем точнее работает модель, тем меньше ручных правок. Один час работы специалиста стоит денег — экономия здесь критична.

2. Работа с объемами. Важны — поддержка batch-запросов (пакетная обработка), лимиты на токены, скорость при массовых операциях.

3. API и стабильность. Падающий API = остановка всего процесса. Хорошая документация = быстрая интеграция и меньше головной боли.

4. Поддержка языков. Для русского рынка критична качественная работа с кириллицей и смешанными англо-русскими запросами.

5. Стоимость. При миллионах запросов разница в $0.1 за 1000 токенов превращается в десятки тысяч долларов.

🥇 Gemini Flash 2 — 1 место

Идеальный баланс для большинства задач.

🥈 DeepSeek V3.1 — 2 место за качество

Лучший результат по точности. Подойдет в случае, когда качество важнее скорости, а бюджет позволяет.

🥉 Gemini 2.5 Flash — 3 место за скорость

Когда время критичнее денег, а качество не должно просесть.

GPT-4o показал 32% сбоев API. Премиум-модели вроде Claude Sonnet 4 дают отличное качество, но для массовых операций это просто дорого.

Короткий ответ: нет. Нейросети — это как экскаватор. Мощный инструмент, но сам по себе он не выкопает котлован под ваш дом. Нужен оператор, проект, понимание, что копать и зачем.

1. Стратегическое мышление. ИИ прекрасно выполняет чёткие инструкции, но не понимает контекста бизнеса. Вопрос «какие страницы создавать в первую очередь?» требует понимания рынка, конкурентов, маржинальности товаров, стратегии компании. Нейросеть на это не ответит.

2. Настройка под задачи. Каждый проект уникален. Промпты, параметры моделей, логика обработки данных — все это настраивается под конкретную ситуацию. Без опытного специалиста получится «генерация ради генерации» с сомнительным результатом.

3. Контроль качества. Нейросети ошибаются. Причем иногда незаметно. Специалист должен регулярно проверять выдачу, выявлять паттерны ошибок, корректировать процесс.

4. Постоянные итерации. Работа с ИИ — это цикл: тест → анализ → корректировка → новый тест. Находим косяк → понимаем причину → меняем промпт → проверяем снова. Без экспертизы это превращается в бесконечный цикл проб и ошибок.

Мы не заменили людей роботами, а переориентировали их на более ценные задачи.

При таких объемах разница в стоимости становится критичной. Ниже показываем пример расчета:

Закономерность — чем больше объем, тем выгоднее автоматизация.

1. ИИ усиливает экспертов, а не заменяет их

Нейросети берут рутину, освобождая мозги для сложных задач. Но без грамотной команды автоматизация превращается в дорогой хаос.

2. Масштаб решает

Чем больше проект, тем сильнее эффект. На маленьких сайтах выгода минимальна. На крупных — миллионы рублей экономии.

3. Выбор модели = выбор бюджета

Разница в $0.1 за 1000 токенов при больших объемах — это десятки тысяч долларов. Тестируйте на своих данных, считайте реальные расходы.

4. Процесс важнее инструмента

Не важно, какую нейросеть используете, если процесс работы с ней кривой. Сначала отладьте логику, потом масштабируйте.

5. Баланс — ключ к успеху

ИИ для рутины, люди для стратегии и контроля. Это работает. Все остальное — эксперименты с непредсказуемым результатом.

Рынок только начинает адаптировать ИИ-агентов под SEO и контент-маркетинг. У тех, кто начинает сейчас, есть серьезная фора перед конкурентами.

Мы продолжаем исследовать возможности автоматизации. Если у вас масштабный проект, а классические методы упираются в потолок — возможно, пора переосмыслить подход. Проведем питч-презентацию с расчетом окупаемости автоматизации для вашего проекта.

Главное помнить: технологии меняются быстро, но принципы остаются. Качество, скорость, экономика — три кита, на которых стоит любая оптимизация. ИИ просто помогает держать баланс между ними. И да, экономить миллионы в процессе. Больше полезного контента про SEO публикуем в Telegram-канале.