ИИ может ускорить SEO-аудит, но это не обязательно означает, что ему стоит поручать весь процесс. Автор исходной статьи предлагает другой подход: программными проверками собирать технические факты, языковой моделью помогать специалисту их читать и объяснять, а окончательные выводы оставлять человеку.
Этот принцип автор применяет при разработке расширения Chrome, которое сочетает традиционные SEO-проверки, данные браузера, детерминированный анализ и языковые модели. По его мнению, агенты и MCP-серверы упрощают сбор результатов, но могут создать впечатление полноценного аудита без достаточного изучения самого сайта.
Технические факты лучше проверять детерминированно
Многие вопросы технического SEO допускают прямую проверку: вернул ли URL ошибку 404, указан ли canonical, изменился ли адрес ссылки между серверным HTML и отрисованным DOM, разрешает ли robots.txt доступ к пути для конкретного робота.
Для повторяемого сбора таких данных языковая модель не нужна. Обычная программная проверка дает специалисту более надежную отправную точку, чем запрос к модели с просьбой найти возможные проблемы на странице. При этом сами факты еще не заменяют профессиональную оценку их последствий.
Где языковая модель помогает с интерпретацией
Даже точные технические данные могут быть неудобны для чтения в виде JSON или таблицы. Модель способна сократить эту работу: кратко объяснить результаты, описать изменения, подготовить формулировку для задачи в Jira или консультанта, а также помочь разобраться в неоднозначном изменении смысла.
Автор отмечает, что такие задачи не требуют передавать модели право на окончательное решение. За выводы и рекомендации отвечает SEO-специалист, консультант или редактор CMS.
При тестировании локальной модели Gemini Nano на различиях между исходным и отрисованным HTML автор обнаружил, что она достаточно хорошо описывала изменения формулировок и их возможные последствия. Например, модель распознавала, что замена описательного текста ссылки на «Узнать больше» убирает полезный контекст.
По наблюдению автора, с объединением нескольких структурированных технических фактов в итоговое SEO-суждение модель справлялась заметно хуже: путала входные и выходные данные, придумывала объяснения и не всегда понимала связь между фактами и результатом. Он относит это наблюдение к протестированной им 4-битной версии Gemini Nano в Chrome на момент написания статьи, а не ко всем моделям или будущим версиям.
Вместо дальнейшего усложнения промпта автор изменил роль локальной модели: она помогает представить найденные данные и доказательства, но не выносит окончательное суждение.
Как сократить рутинную работу с доказательствами
При анализе различия в отрисованном DOM специалисту может понадобиться сопоставить два URL, их HTTP-статусы, данные о canonical и robots, изменения анкора, контекст страницы, сведения о преобразовании и степень уверенности при сопоставлении данных. Проверять все это вручную возможно, но при многократном повторении утомительно.
Модель может преобразовать набор данных в понятное описание: например, сообщить, что адрес ссылки меняется после отрисовки, серверный HTML уже содержит работающий URL, оба варианта в итоге ведут в одно место, а текст ссылки не меняется. Затем специалист решает, имеет ли это значение для аудита.
Для случаев, где нужны более сложные рассуждения или одновременная проверка множества областей, автор допускает использование более мощной модели. Это не отменяет необходимости понимать, на каких данных основан вывод.
Что делать, если модель и специалист не согласны
Разногласие с моделью может стать поводом проверить не только ее ответ, но и качество исходных данных и собственной логики. В процессе разработки автору такие случаи помогали обнаруживать зашумленные данные, неоднозначные термины, смешение разных понятий и слабые места в детерминированных проверках.
Причина расхождения также могла заключаться в недостатке контекста, ограничениях модели или в том, что личный опыт самого специалиста мешал оценке. Автор предполагает, что при полностью делегированном модели процессе заметить эти слабости было бы сложнее.
Полезность инструмента не сводится к автономности
Инструмент может приносить пользу без самостоятельного принятия решений: экономить время на повторяющихся действиях, последовательно собирать данные и делать их удобнее для анализа. В качестве примера автор приводит экономию 30 секунд двадцать раз в день — это иллюстрация принципа, а не измеренный результат работы расширения.
Такой подход также помогает специалисту сохранять понимание проблемы. Оно необходимо не только для рекомендации, но и для ответа на вопросы о том, что происходит, почему это происходит и требуется ли исправление. Основной принцип автора: устанавливать факты программными средствами, использовать ИИ для облегчения работы с ними и применять профессиональное суждение там, где оно необходимо.
Статья первоначально опубликована на Chris Green SEO.
Комментариев пока нет. Начните обсуждение.