Чему стоит научить LLM-модель, чтобы получать хорошие тексты, а где она не справится без человека?

Вступили в полемику по этому поводу с владельцем очень классного канала по сеошке: SEO, Деньги, Два слота.

Дмитрий — крутой сеошник, много экспериментирует с AI, и его позиция сильно расходится с нашей. Но тем интереснее. Потому что спорить с умным оппонентом — одно удовольствие.

Вот ответ Дмитрия:

Мое мнение по подходам к написанию AI-контента несколько отличается от позиции друзей из iGamingTextLab. Я считаю, что нейросети уже давно пишут тексты достаточно хорошего качества при минимальном количестве настроек и микроменеджмента, и этого с головой хватает для высоких позиций в Google. Контент — это важно, но, к счастью или к сожалению, он стоит далеко не на первом месте среди факторов ранжирования.

Если вы сами настраиваете LLM-модель под свои SEO-задачи, вот 5 важных аспектов, на которых стоит сфокусироваться:

1. Изолированные базы знаний. Не так важно, какую модель вы используете, главное правило — не сваливать всю фактуру в одну кучу. Под каждый проект, а в идеале и под каждый семантический кластер, нужно создавать свою отдельную базу знаний. Так, нейросеть не будет путаться. При этом я бы не стал кормить ее "примерами хороших и плохих фрагментов, комментариями редакторов, типичными ошибками авторов и правилами фактчекинга". Это излишне.

2. Стиль написания на основе поисковой выдачи. SERP диктует стиль написания. В одних кластерах выдача требует информационного стиля без жестких призывов к действию. В других — нужен агрессивный коммерческий язык. Стоит анализировать топ выдачи и задавать модели понятный tone of voice. Так, шанс на удовлетворение алгоритмов Google будет значительно выше.

3. Понимание целевой аудитории и ГЕО. LLM уже достаточно умны, чтобы различать паттерны клиентов. Я считаю, что им не нужны глубокие биографии персонажей — достаточно точного описания ЦА. Например, если мы пишем для игроков из Tier-1, мы просим ИИ делать упор на безопасность и жирные бонусы. А если целимся в Tier-3 страны, то там важнее доступность игры для широкой аудитории с невысоким доходом: возможность внести минимальный депозит и получить хоть какой-то стартовый бонус. Модели уже давно отлично улавливают эту разницу без подробных примеров.

4. Анализ конкурентов и интента. На самом первом этапе работы ИИ должен понимать, с кем он соревнуется при написании контента и какие типы сайтов стоят в топе. Например, если мы пишем тексты под монобренды, нейросеть должна уметь отличать официальный сайт казино, наших конкурентов-аффилейтов с такими же монобрендами, крупные сайты-ревьюшники и случайные ветки на Reddit.

5. LSI и векторы сущностей Google. Прямые вхождения ключей, раскиданные по тексту, уже давно не обещают топа. Модель нужно научить хотя бы базово разбираться в смысловых сущностях и векторах. Вполне достаточно "скормить" ей алгоритмы Google или выжимки от экспертов, чтобы она понимала, как правильно развивать облако смыслов. Если мы пишем про казино, текст должен органично обрастать связанными сущностями — "бонус за регистрацию", "фриспины", "депозит" и их синонимами. Итог будет выглядеть так, как это сделал бы живой человек в контексте темы.

А где ИИ «проседает»?

Коллеги пишут про проблемы с естественностью языка и фактчекингом. Но, на мой взгляд, ИИ уже сложно назвать "проседающим". Он практически полностью заменяет людей.

При запуске пачки однотипных сайтов ручная проверка и редактура — это неблагодарный труд, который сжирает кучу времени и денег. Большую часть работы по самопроверке можно делегировать либо самой нейронке, либо вообще забить на это.

Да, местами тексту от LLM может не хватать живого человеческого опыта или 100% естественности. Это круто, когда ваш текст вычитывает супер-редактор с глубоким опытом в нише. Но для SEO в iGaming это не столь важно.

👉 Где мы с Дмитрием категорически не сходимся, расскажем в следующем посте. А развёрнутую версию нашей позиции мы выложили уже у него на канале, залетайте: https://t.me/gambling_seo_affiliate/169