SEO для AI поиска (ChatGPT, Perplexity, AI Overviews)

Оптимизируй сайт {{domain}} для AI search по теме {{topic_area}}.

Контекст: ChatGPT (с web), Perplexity, Google AI Overview, Claude (с web) — это новый канал. Они цитируют твой контент в ответе пользователю. Если ChatGPT отвечает по теме X и цитирует тебя — это новый трафик и mind-share.

Принцип: AI search ≠ Google. Логика ранжирования другая. Но базовый SEO (быстрый сайт, чистая семантика) всё равно нужен.

Этап 0. Как AI search работает (упрощённо)

Общая закономерность: AI читает многие документы и синтезирует ответ. Цитируются те которые:

• Содержат прямой ответ на вопрос
• Структурированы и сканируемы
• Имеют authority signal (бренд, backlinks)
• Свежие / релевантные
• Конкретные (числа, примеры, не вода)

Этап 1. Что отличается от классического SEO

Этап 2. Технические требования

Доступ для AI-краулеров

Проверь robots.txt. Не блокируй:

• GPTBot (OpenAI)
• ChatGPT-User (OpenAI на ходу)
• PerplexityBot
• Google-Extended (Google для AI обучения)
• ClaudeBot / anthropic-ai
• CCBot (Common Crawl — используется многими LLM)

Если хочешь контроль — разреши crawl, но используй noai / noimageai meta tag на чувствительных страницах.

Структурированные данные

Минимум:

• Article / BlogPosting schema
• FAQPage где есть FAQ
• HowTo для туториалов
• Product для продуктовых страниц
• Organization + sameAs (твои social) — помогает entity recognition

Скорость и accessibility

• Core Web Vitals в зелёной зоне (AI краулеры таймаут'ят слабые сайты)
• Server-side rendering или static (JS-only SPA плохо парсится)
• Чистый HTML5, без div-soup

Этап 3. Контент-структура для AI

Direct answer pattern

После каждого H2 с вопросом — прямой ответ в 40-100 слов:

## How does prompt caching reduce costs?

Prompt caching reduces API costs by 90% on cached input tokens. When you
send a long system prompt or context document, you can mark it as cacheable.
On subsequent calls within 5 minutes, Anthropic charges 10% of normal input
rate for those tokens. Typical savings for chat applications with persistent
context: 60-80% on total token spend.

Below — implementation details:
[длинный контент]

Это даёт LLM извлекаемый quote. Чем легче извлечь — тем больше шанс быть процитированным.

Question-driven outline

Outline по вопросам пользователя, не по подтемам:

Bad:
H2: Overview
H2: History
H2: Benefits
H2: Implementation

Good:
H2: What is prompt caching?
H2: How does prompt caching work technically?
H2: How much does prompt caching reduce costs?
H2: When should you NOT use prompt caching?
H2: How to implement prompt caching in 10 lines?

Используй "People Also Ask" из Google, AlsoAsked, AnswerThePublic — реальные вопросы людей.

Specifics > generalities

LLM выбирают конкретику:

• "Reduces cost by 90% on cached tokens"
• "$0.03 per 1K cached tokens vs $0.30 base rate"
• "Cache TTL is 5 minutes by default, extendable to 1 hour"

Не: "saves significant money" / "much cheaper" / "great benefits"

Tables и lists

LLM хорошо парсят таблицы. Используй для сравнений, спецификаций, опций.

Bad: "Plan A costs $20, includes 100 users, has API access. Plan B costs $50..."

Good:
| Plan | Price | Users | API |
|---|---|---|---|
| A | $20 | 100 | No |
| B | $50 | 500 | Yes |

Этап 4. Authority signals для AI

LLM учат на больших corpus'ах + используют entity graphs. Помоги им идентифицировать тебя как authority:

1. Consistent brand mentions на других сайтах (PR, podcasts, conferences, citations)
2. Wikipedia (если eligible) — major signal для LLM
3. Author bios — настоящие имена с credentials, sameAs ссылки на LinkedIn / Twitter
4. Citations of you — когда другие источники тебя ссылаются, LLM это видит
5. Data / research / unique insights — то что только ты говоришь

LLM ОЧЕНЬ любят источники с уникальными данными. "Мы провели опрос 2000 разработчиков" → цитируется.

Этап 5. Тактика per content type

How-to / tutorial

• Step-by-step с пронумерованными шагами
• Code блоки в code fences
• Expected output / результат
• Common errors + solutions

Comparison

• Таблица в начале
• Краткий вердикт ("If you need X, pick A. If you need Y, pick B.")
• Sections per criteria

Definition / explainer

• Direct definition в 1-2 предложения
• Examples (2-3 концеретных)
• Common misconceptions
• Related concepts

Listicle

• Каждый item имеет clear H3
• One paragraph summary
• Specific examples
• Не "10 ways" а "10 specific ways with examples"

Этап 6. Monitoring

Как узнать что цитируют:

Делай это раз в месяц по top-20 questions в твоей nichе.

Этап 7. План оптимизации

Приоритеты на квартал:

Месяц 1: Audit + foundation
- Allow AI crawlers в robots.txt
- Schema (Article, FAQ, HowTo, Organization)
- Author bios + sameAs
- Top-10 страницы — direct answer pattern

Месяц 2: Content rewrite
- Top-30 страниц переписать с question-driven outline
- Add tables / specifics
- Add unique data где возможно

Месяц 3: Authority + monitoring
- Outreach для mentions (podcasts, guest posts)
- Wikipedia (если eligible)
- Setup monitoring tools
- Iterate based on what's cited

Анти-паттерны

• ❌ Блокировать AI bots "потому что они crаdят контент" — теряешь канал
• ❌ Тонкий контент с лучше-чем-у-всех структурой — без depth не цитируется
• ❌ AI-generated контент в попытке игры с AI — LLM детектят и downrank
• ❌ Только classic SEO — пропускаешь growing channel
• ❌ Один answer везде — задают разные вопросы, нужны разные angles
• ❌ Игнорировать accessibility / performance — bot timeout, не индексируется

В конце дай

• Audit текущего состояния (что разрешено, что блокируется)
• Schema-план для top content
• Список top-20 вопросов в твоей nichе для оптимизации
• Direct answer template
• Authority-build план на квартал