Через год мы будем оптимизировать не сайты, а память языковых моделей

Последние два года рынок обсуждает GEO, AI Search и поиск без кликов. Главный вопрос звучит примерно одинаково: как сделать так, чтобы ChatGPT, Gemini или Claude рекомендовали именно вашу компанию. На мой взгляд, это не самая интересная проблема.

Куда важнее то, что меняется сама архитектура работы языковых моделей. Если раньше их задача сводилась к поиску информации, то теперь разработчики учат их запоминать знания, использовать накопленный опыт и не начинать каждый новый диалог с чистого листа.

Именно вокруг памяти сегодня развивается значительная часть исследований OpenAI, Anthropic, Google DeepMind и академических лабораторий. Для SEO это может оказаться более серьезным изменением, чем очередное обновление поисковых алгоритмов.

Когда Retrieval-Augmented Generation стал стандартом корпоративных AI-систем, казалось, что проблема решена. Пользователь задает вопрос, система находит подходящие документы, передает их модели, модель формирует ответ.

Работает.

Но только пока каждый запрос существует отдельно от предыдущего.

Представьте двух специалистов, которые спрашивают модель, как увеличить органический трафик. Один работает с интернет-магазинами, другой — с промышленными предприятиями. RAG найдет похожие документы и построит близкие по смыслу ответы, хотя рекомендации должны отличаться кардинально.

Проблема не в поиске документов.

Проблема в отсутствии памяти.

Именно поэтому появились исследования вроде Mem0, HippoRAG, LongMem и Reflective Memory. Все они пытаются решить одну задачу — сохранить не документы, а знания, которые уже были извлечены во время предыдущей работы.

Если провести аналогию с человеком, разница очевидна. Мы не перечитываем учебник каждый раз, когда нужно вспомнить закон Ома. Мы запоминаем сам принцип. Языковые модели постепенно движутся в ту же сторону.

Классический поисковик работает с документами.

Есть запрос.

Есть индекс.

Есть список страниц, которые алгоритм считает наиболее релевантными.

LLM использует другие алгоритмы.

Для нее статья — лишь источник информации. После того как модель извлекла нужные факты, документ перестает быть конечной целью. Гораздо важнее знания, которые удалось получить, и связи между ними.

Отсюда постепенно меняется и объект продвижения.

Если раньше мы конкурировали страницами, то теперь все больше конкурируем качеством информации, которую компания производит.

Это хорошо заметно на примере исследований. Для поисковой системы авторское исследование — еще одна страница в индексе.

Для языковой модели — источник новых знаний, которые можно использовать при ответах на десятки разных вопросов. Отталкиваясь от этого, разработчики все активнее инвестируют в механизмы памяти. Без них повторно использовать накопленные знания невозможно.

Еще несколько лет назад SEO практически полностью строилось вокруг корпоративного сайта. Сегодня информация о компании распределена между десятками площадок: документацией, отраслевыми СМИ, каталогами, GitHub, маркетплейсами, исследованиями, конференциями, профессиональными форумами и отзывами.

Для поисковика это разные документы, а для языковой модели — описание одной и той же сущности.

Поэтому современные LLM все чаще сопоставляют сведения из нескольких источников. Если данные совпадают, уровень доверия растет. Если противоречат друг другу — модель становится менее уверенной в ответе.

По сути, она формирует собственную картину мира. Корпоративный цифровой след постепенно превращается из задачи PR в задачу продвижения.

Есть забавный парадокс. Маркетологи годами учили писать тексты, которые продают людям. Теперь появился читатель, которого невозможно убедить красивыми формулировками.

Языковой модели все равно, что продукт «инновационный», «уникальный» или «лидирующий на рынке». Зато ей очень интересны цифры, характеристики, исследования, спецификации и документация.

Поэтому API Reference, технические статьи и подробные инструкции нередко оказываются полезнее лендингов. Не потому, что они лучше написаны, а потому что содержат больше знаний. Похоже, впервые в истории SEO документация начинает конкурировать с продающим контентом за внимание алгоритмов.

Генеративный ИИ почти обнулил стоимость производства текста. Сегодня статья, описание товара или обзор появляются за несколько минут. Поэтому сам текст перестает быть конкурентным преимуществом.

Дефицитом становится информация, которую нельзя сгенерировать из уже существующих материалов: собственные исследования, статистика компании, результаты экспериментов, инженерные расчеты, реальные кейсы и накопленный опыт.

Если раньше выигрывал тот, кто быстрее публиковал контент, то теперь преимущество получает тот, кто производит новые знания. Именно они пополняют информационную среду, из которой затем учатся и строят ответы языковые модели.

Здесь важно не переоценивать возможности GEO.

Ни одна компания не может "обучить ChatGPT" публикацией нескольких статей. Большинство коммерческих моделей обновляют базовые знания не в режиме реального времени, а ответ строят сразу из нескольких источников: внутренних параметров модели, веб-поиска, RAG, памяти пользователя и подключенных инструментов.

Зато компания вполне может влиять на качество информации, которая попадет в этот контекст.

Последовательная документация, собственные исследования, экспертные статьи, независимые публикации и отсутствие противоречий между источниками значительно повышают вероятность того, что модель будет использовать именно ваши данные.

По сути, мы оптимизируем уже не память модели, а вероятность оказаться частью ее картины мира.

Последние двадцать лет SEO было дисциплиной о документах. Мы улучшали страницы, ускоряли сайты, собирали семантику, работали со ссылками и структурой. Теперь постепенно появляется новый уровень.

Работать приходится уже не только с сайтом, но и со всей информационной средой бренда. Важными становятся исследования, техническая документация, публикации сотрудников, выступления на конференциях, отраслевые материалы, открытые данные и даже то, насколько одинаково компания описывает свой продукт на разных площадках.

Можно сказать, что SEO начинает сближаться с управлением знаниями.

Скорее наоборот.

SEO никогда не было про страницы. Оно всегда было про то, как помочь пользователю найти нужную информацию.

Просто раньше эту задачу решал поисковый индекс. Теперь все чаще ее решают языковые модели.

Поэтому техническая оптимизация, качественный контент и сильный сайт никуда не исчезнут. Изменится лишь масштаб задачи. Если раньше было достаточно сделать лучшую страницу по запросу, то теперь придется строить целостную систему знаний о компании.

Возможно, через несколько лет словосочетание «оптимизация страницы» будет звучать так же архаично, как сегодня «регистрация сайта в каталогах».

Страницы останутся. Но конкурировать будут уже не они. Конкурировать будут знания, которыми располагает языковая модель о вашем бренде.

#ai #seo #seo_продвижение #ии #llm