После добавления бизнес-контекста Claude изменил позиции 6 из 10 SEO-запросов. Что проверить перед распределением бюджета SEO
Приоритеты SEO-ядра, которые расставляет нейросеть, зависят от данных о бизнесе в задании. Мы в PRAGMATIX DIGITAL проверили, насколько сильно добавление бизнес-контекста изменит очередность запросов в ответах Claude.
Дважды передали модели один и тот же список из десяти поисковых запросов по заборам, воротам и навесам: сначала без единого слова о бизнесе, затем с описанием специализации и целевого клиента. Список не менялся. Но позиции изменились у 6 из 10 запросов, у трех сдвиг составил две позиции и больше.
Как проходил эксперимент
Для теста мы взяли десять реальных формулировок в нише «заборы, ворота, навесы под ключ для частных домов и дач»: от «забор из сетки рабицы» до «установка забора под ключ цена за метр».
Промпт с бизнес-контекстом, который Claude получил во втором запуске, выглядел так:
Компания работает в Москве и области. Специализация — комплексный монтаж под ключ: профнастил, евроштакетник, откатные ворота, навесы из поликарбоната. Целевой клиент уже готов заказать у исполнителя, а не подбирает материал для самостоятельной установки. Бюджетный сегмент (сетка-рабица, разговор о цене без готовности заказать монтаж) не является целевой аудиторией.
Мы не сталкивали лбами ИИ и Вордстат. Сравнивали, как меняется логика самой нейросети, если дать ей контекст о бизнесе. Тест проведен 27 июля 2026 года на Claude Sonnet 5, без обращения к Интернету. Каждое задание запускалось один раз, оба в рамках одной переписки. Второй ответ мог отчасти опираться на первый, и это стоит учитывать при анализе результатов.
Отдельно стоит оговорить результат по сетке-рабице. В втором запуске этот сегмент напрямую назвали нецелевым, и после этого запрос опустился с пятого места на последнее. Такой результат ожидаем и во многом задан самой формулировкой задания. Он показывает, что ИИ учитывает прямое ограничение, но не подтверждает, что тот способен самостоятельно определить бизнес-ценность запроса без такой подсказки.
Результаты эксперимента. Как контекст изменил очередность 6 из 10 запросов
Самый большой сдвиг у запроса «забор из сетки рабицы»: с пятого места он опустился на последнее, потому что этот сегмент напрямую исключили из целевой аудитории. В этих двух запусках формулировки с явными коммерческими маркерами «под ключ», «цена», «с установкой» сохранили свои позиции даже после добавления специализации компании.
Стоит присмотреться к двум запросам отдельно.
«Откатные ворота цена за метр» — формулировка, которая логичнее смотрелась бы применительно к погонному метру забора (ворота обычно считают за комплект или проем). Высокая позиция здесь могла возникнуть просто из-за слова «цена» в формулировке. Это стоит перепроверить по выдаче, прежде чем брать запрос в работу.
И «деревянный забор штакетник». Подъем с десятого места на восьмое случился именно тогда, когда ИИ узнал о специализации компании. Хотя сама специализация построена на категории другого материала (евроштакетнике). Одного финального места недостаточно, чтобы понять, пересмотрела ли модель ценность именно этого запроса или он поднялся просто потому, что часть соседних запросов опустилась ниже.
Очередность кластеров определяет, куда сначала уйдут часы и усилия SEO-специалиста, копирайтера, дизайнера, а также бюджет на подготовку посадочных страниц. Если первыми взять запросы, которые не совпадают с услугами и целевым сегментом компании, коммерчески важные страницы появятся позже.
Эксперимент не измеряет размер возможных потерь, но показывает, почему рейтинг нейросети нельзя сразу превращать в план SEO-работ.
«Слепая зона» для ИИ. Что видно из запроса, а что нужно проверять по данным бизнеса
В этих двух ответах запросы со словами «под ключ», «цена» и «с установкой» сохранили первые четыре позиции.
Но нейросеть выдает лишь предварительную очередность запросов. Без данных бизнеса она не видит, что происходит после клика:
- какая доля обращений со страницы по евроштакетнику доходит до договора,
- какой у них средний чек,
- на каких этапах клиенты отказываются.
Этих данных нет ни в тексте запроса, ни в поисковой выдаче. Их нужно брать из CRM, веб-аналитики, коллтрекинга и записей разговоров отдела продаж.
Тот же деревянный штакетник — пример этого предела на практике. Его подъем в рейтинге ничего не говорит о том, есть ли реальный спрос на этот материал у клиентов компании. Ответить на это может только статистика отдела продаж, но не повторный запуск модели.
Мое личное наблюдение и вывод
В нашей работе данные CRM нередко меняют первоначальную очередность кластеров. Частотность показывает, как часто пользователи вводят запрос, а CRM помогает увидеть, какие обращения доходят до оплаты.
Эксперимент пока не показывает, что новая очередность приведет к большему числу заявок, что бюджет распределится эффективнее или что ИИ верно определил коммерческую ценность каждого запроса. Для таких выводов нужны данные CRM, частотность и анализ конкуренции в выдаче.
Матрица оценки поможет связать SEO-потенциал с бизнес-ценностью
Итоговое место в рейтинге — это всего лишь цифра. Она не объясняет, поднялся ли штакетник в приоритете потому, что выросло его значение для бизнеса, или потому что соседние запросы просели. Поэтому каждый кластер стоит оценить по четырем критериям, а затем принять решение. Одного места в очереди для этого недостаточно. Вот как это выглядит на четырех запросах из нашего эксперимента.
Вот как работают эти критерии на практике:
- Соответствие услугам — действительно ли компания выполняет эту работу.
- Предполагаемая готовность к обращению — насколько формулировка соответствует реальному способу заказа услуги (пример неоднозначности — «откатные ворота цена за метр», где маркер «цена» есть, но единица измерения нетипична).
- Что нужно проверить по CRM — какие именно данные о доле оплат, среднем чеке и точках отказа нужны, чтобы подтвердить ценность обращения.
- SEO-потенциал — частотность, соответствие поисковой выдачи нужному интенту, конкуренция и возможность сайта занять позиции по кластеру.
Заполненная таким образом таблица превращается из абстрактного рейтинга в рабочий инструмент для команды.
Вывод
Языковая модель может расставить поисковые запросы по приоритету за секунды. Однако результат зависит от того, какой бизнес-контекст она получила.
Черновая расстановка экономит время на первом проходе через список. И это ценно само по себе. Финальное слово все равно остается за данными CRM, анализом выдачи и пониманием того, кто стоит за каждым запросом. Таблица критериев выше дает для этой проверки конкретный формат.
Комментарии