LLM-оптимизация: почему ИИ предпочитает длинный и убедительный контент, а не краткие факты
Ключевые факты
- 1 LLM являются вероятностными, в отличие от детерминированных поисковых систем.
- 2 Ответы LLM непоследовательны: стабильность упоминания брендов составляет около 20%.
- 3 Оптимизация для LLM (AIO) требует длинных, убедительных описаний и «воды», а не кратких фактов.
- 4 Модели крайне уязвимы к незначительным стилистическим изменениям, которые могут кардинально изменить их рекомендации.
Кевин Индиг, известный эксперт в области SEO и AI, подчеркивает фундаментальное различие между традиционными поисковыми системами (детерминированными) и большими языковыми моделями (вероятностными). Эта вероятностная природа приводит к значительной непоследовательности: при многократном повторении одного и того же запроса стабильно отображается лишь около 20% брендов. Модели также различаются по степени персонализации. Например, Gemini может использовать данные из Google Workspace, что позволяет ему предоставлять более индивидуализированные результаты, чем ChatGPT. Однако длинные и детализированные запросы пользователей сужают набор возможных ответов, что усложняет внешнее влияние на результат. Ключевой вывод лабораторных исследований, на которые ссылается Индиг, касается оптимизации контента для LLM. Вопреки распространенному мнению о том, что ИИ предпочитает краткие факты, модели неизменно выбирают более длинные описания с убедительным тоном и так называемой «водой» — перефразированием существующих деталей для повышения убедительности без добавления новой фактической информации. Это указывает на крайнюю уязвимость LLM к способу представления информации: незначительные стилистические изменения могут переместить продукт из конца списка в рекомендацию №1.