Одна LLM, сто сайтов, ноль Information Gain
Представь: ты задаёшь ChatGPT вопрос «как настроить ретаргетинг в Meta Ads». Получаешь ответ. Хороший, структурированный, с примерами. Проблема в том, что точно такой же ответ получили ещё 99 человек, которые прямо сейчас публикуют его на своих сайтах. Слово в слово, мысль в мысль, структура в структуру. Отличаются только заголовки и порядок абзацев.
Google в 2026 году решает, ранжировать ли страницу, через призму Information Gain. Патент US11354342B2 работает просто: если твоя страница не добавляет ничего нового к тому, что уже проиндексировано, она не попадает в выдачу. Неважно, сколько ключевых слов ты туда впихнул. Неважно, какой у тебя DR. Если ты пересказал то же самое что уже есть на 50 страницах, Information Gain = 0.
И вот тут ловушка. Проблема не в AI как инструменте. AI это молоток, вопрос в том, что ты им забиваешь. Когда 100 сайтов берут commodity knowledge (определения, best practices, списки «5 правил») и упаковывают его одной и той же моделью, на выходе получается одинаковый текст. Google не наказывает за AI. Google наказывает за unoriginal. Просто AI сделал производство неоригинального контента бесплатным и мгновенным.
Раньше, чтобы написать посредственную статью, надо было потратить 3-4 часа. Это естественный фильтр: лень отсекала большую часть мусора. Сейчас тот же мусор генерируется за 30 секунд. Объём вырос на порядки, а ценность каждой единицы упала пропорционально. Не потому что AI плохо пишет, а потому что он пишет то же самое что и все остальные.
Единственный способ получить Information Gain больше нуля: вложить в текст что-то, чего нет в обучающей выборке модели. Свои данные. Свой опыт. Свой провал. Свою точку зрения, подкреплённую конкретикой. Всё остальное, каким бы гладким оно ни было, это commodity. А commodity не ранжируется.
Анатомия обвала: как выглядит scaled content abuse в цифрах
March 2026 Core Update расставил точки. По анализу 600 000 страниц (JetDigitalPro), медиана падения трафика у сайтов с массовым AI-контентом составила 71%. Не 10%, не 20%, а почти три четверти органики.
Паттерн выглядит одинаково. Первые 4-8 недель после массовой публикации трафик растёт: Google индексирует новые страницы, часть из них попадает в выдачу по длиннохвостым запросам. Создаётся иллюзия, что стратегия работает. Потом плато на 2-3 недели. А потом, после очередного core update, ступенчатое обрушение. Не плавное затухание, когда можно успеть среагировать, а резкий провал за 3-5 дней.
Самый показательный кейс: Reddit. Платформа, которую Google годами продвигал как источник «authentic voices», сама попала в ловушку масштабирования. В мае-июне 2026 Reddit массово потерял позиции по автоматически переведённым страницам. Ирония: платформа, ценность которой в человеческих мнениях, пострадала от собственного AI-масштабирования.
Цифры по рынку тоже говорят за себя. 75% маркетологов увеличили объём контент-производства через AI. При этом 31.4% зафиксировали падение органического трафика. Корреляция тут не случайна: чем больше все генерируют одинаковый контент, тем меньше ценность каждой единицы. Рынок перенасытился не контентом вообще, а одинаковым контентом.
На практиках это видно ещё жёстче. На Reddit описывают типичный сценарий: 50 постов за неделю, ноль прироста за 3 месяца, потом падение DA. Люди инвестируют в скорость производства, а получают отрицательную отдачу. Не нулевую, а отрицательную, потому что Google начинает снижать доверие ко всему домену, когда видит паттерн scaled content abuse.
Наш пайплайн: 27 постов за 3 месяца и что мы увидели в GSC
Я строю SEO-пайплайн для Milakhin Studio с конца мая 2026. 14 этапов, 6 отделов AI-агентов, cron три раза в неделю. Полный цикл одной публикации от выбора темы до пуша в main занимает 15-43 минуты. За три месяца опубликовано 27 постов. Подробнее о том, как устроен этот конвейер, я писал в посте про автономный SEO-отдел на AI-агентах.
Звучит как та самая стратегия объёма, о которой я только что говорил? Отчасти. Но дьявол в деталях.
Первые три недели в GSC показали: 7 кликов, 8 показов. Это не ошибка, не поломка индексации, просто реальность нового домена. Сайт технически здоров: 200 везде, robots не блокирует /blog, sitemap валиден. Просто Google пока не доверяет, и это нормально. Неделя в ноль оказалась статистическим шумом при таких абсолютных числах, а не сигналом проблемы.
При этом пайплайн уже показал, что скорость без контроля качества это хаос. 10 июня утром случился шторм: 12 failed runs подряд между 09:05 и 09:55. Loop-worker тикал каждые 5 минут вместо часа. Все прогоны короткие, по 9 секунд, подписку не сожгли. Но факт остаётся: автоматизация без надзора не масштабирует качество, она масштабирует проблемы.
Ещё хуже с дублями. Опубликованные темы оставались в бэклоге со статусом ready, и trend-spotter мог выбрать их повторно. То есть пайплайн был готов генерировать копии уже опубликованных постов. Пять тем пришлось задним числом пометить как published, одну убрать как дубль seed-поста. Объём без контроля дубликатов это не контент-маркетинг, это спам от самого себя.
Я рассказываю это не для того чтобы хвастаться. Цифры пока маленькие, и было бы нечестно строить из них кейс. Но паттерн виден уже на 27 постах: без механизмов контроля качества, дедупликации и обратной связи из GSC любой пайплайн скатывается в ту самую ловушку объёма.
Пять осей Information Gain: что именно считается «новым»
Когда говорят «добавь уникальную ценность», это звучит как совет из бизнес-книги. Абстрактно и бесполезно. Попробую разложить Information Gain на конкретные оси, по которым можно оценить свой контент до публикации.
Proprietary data. Свои цифры, свои скриншоты, свои метрики. Не «исследование показало», а «вот мой GSC за три недели, 7 кликов и 8 показов». AI не может сфабриковать Evidence, только человек может его предоставить. Это самая сильная ось, потому что её невозможно скопировать.
First-hand evidence. Разница между «эксперты рекомендуют A/B-тестировать заголовки» и «я запустил A/B-тест заголовка, CTR вырос с 1.2% до 3.8% за две недели». Первое может написать любой, второе может написать только тот, кто это сделал. Google всё лучше отличает одно от другого через EEAT-сигналы.
Original framework. Своя модель, своя классификация, своя матрица принятия решений. Не пересказ чужих «7 шагов к успеху», а собственная структура, выросшая из практики. Когда ты создаёшь фреймворк, другие начинают на него ссылаться, а это уже внешние сигналы качества.
Expert attribution. Конкретный человек с конкретным опытом, не анонимная редакция. Это напрямую связано с E-E-A-T: Experience, Expertise, Authoritativeness, Trustworthiness. Анонимный контент, даже хорошо написанный, проигрывает привязанному к реальному эксперту. Потому что за экспертом стоит репутация, а за анонимом, ничего.
Freshness hook. Привязка к событию, апдейту, инциденту. Не evergreen-компиляция «всё что нужно знать о SEO», а реакция на конкретное изменение. March 2026 Core Update, новый алгоритм LinkedIn, инцидент с Reddit translations. Freshness hook даёт Google сигнал, что контент актуален и привязан к реальному контексту.
Если твой текст не попадает ни в одну из этих осей, Information Gain стремится к нулю. Неважно, насколько хорошо он написан. Неважно, сколько ключевых слов ты оптимизировал. Без нового Google просто не видит смысла показывать ещё одну страницу с тем же самым.
Когда AI уместен, а когда губителен: фреймворк решения
Не весь контент одинаков. И ответ «AI + человек = ок» слишком бинарный, чтобы быть полезным. Разложу по типам.
Commodity topics (how-to, определения, чеклисты, списки). AI справляется хорошо, потому что здесь задача не в оригинальности, а в полноте и структуре. Проблема в том, что конкуренция на таких запросах максимальная. Выигрывает не качество текста, а DR домена. Если у тебя DR 15, а у конкурента DR 60, твой идеально сгенерированный how-to не попадёт на первую страницу. AI экономит время, но не меняет расклад.
YMYL, opinion, thought leadership. Здесь AI без seed от эксперта превращается в фальшь. Я это проверил на себе: первая попытка написать LinkedIn-пост от моего имени с нуля провалилась. Текст был гладкий, грамотный и абсолютно мёртвый. Потому что в нём не было моих мыслей, моих историй, моего опыта. Был «эксперт делится мудростью», а не я. После этого установил правило: без шага 1 (человек накидывает мысль) не браться. Лучше отказаться, чем выдать ванильный пост.
Case study. AI отлично структурирует: разбивает на секции, добавляет контекст, форматирует данные. Но сами данные и нарратив обязаны быть реальными. «Клиент увеличил конверсию на 36% за 20 месяцев» работает только если это правда и ты можешь назвать клиента (или хотя бы обезличить корректно). AI-выдуманный кейс рано или поздно вскроется, и репутация дороже одного поста.
Здесь проходит водораздел между двумя AI-стратегиями. Cost reduction: нанять AI вместо копирайтера, сэкономить бюджет, выдать больше текста за те же деньги. Quality amplification: использовать AI чтобы усилить эксперта, ускорить его работу, снять рутину со структурой и оформлением. О том, как выглядит AI-рычаг соло-фаундера на практике и какова его реальная цена, я разбирал отдельно.
Первая стратегия убивает. Клиенты чувствуют cost-cutting и уходят. Агентства, которые продают «100 AI-статей в месяц», уничтожают не только клиентские сайты, но и весь рынок контент-маркетинга. Вторая стратегия выигрывает, но требует инвестиций в seed-материал: заметки, данные, инциденты, мнения. Это то, что AI не может сгенерировать за тебя.
Что внутри «human editing»: 4 стадии обогащения драфта
Все пишут «add human touch» и «human editing required». Никто не показывает, как это выглядит внутри. Покажу на примере нашего пайплайна.
Стадия 1: seed из Obsidian. Тексты от моего имени пишутся только на основе сырого материала из моего волта. Это жёсткое правило, которое появилось после провала с LinkedIn-постом. Если в Obsidian нет seed по теме, пост не пишется. Тема помечается needs_seed и пропускается. Пусть я сначала накидаю мысль, заметку, пару абзацев. Без этого AI выдаёт «эксперт делится мудростью», и это читается как фальшь.
Стадия 2: ToV-калибровка. У нас 22 feedback-правила и 10 source-файлов (психотип, манера речи, бренд-гайд). Все правила синхронизируются из Obsidian автоматически перед каждым циклом. Без этой калибровки агенты «дрейфуют» и за 2-3 месяца начинают писать ванильно. Это как с музыкальным инструментом: если не настраивать перед каждым концертом, фальшь накапливается постепенно, и в какой-то момент слушатель замечает.
Стадия 3: Confidentiality Firewall. Три уровня защиты. Hard blocks: полный блок публикации + Telegram-алерт. Упомянул работодателя по имени, назвал внутренние метрики банка, пост не выходит. Soft redactions: автозамена. «BCC» превращается в «крупный банк в KZ». Numeric blocks: ревью финансовых цифр с подтверждением. AI-контент без guardrails это репутационный риск, особенно когда у тебя два рабочих контекста и информация из одного может утечь в другой.
Стадия 4: fact-check + internal linking + meta-rewriter. Fact-checker проверяет цифры и утверждения. Linker добавляет ссылки на 2-4 связанных поста блога. Meta-rewriter переписывает title и description если CTR ниже 1.5% при достаточном количестве показов. Всё на реальных GSC-данных, не на предположениях. Вся инфраструктура, включая агентов и мониторинг, оркестрируется через MCP-сервер студии, который объединяет 29 инструментов в единую нервную систему.
Итого: AI-драфт проходит минимум 4 стадии обогащения прежде чем стать публикацией. Ни одна из этих стадий не опциональна. Убери seed, получишь ванильный текст. Убери ToV-калибровку, через месяц голос уплывёт. Убери Firewall, рано или поздно утечёт что-то конфиденциальное. Убери fact-check, опубликуешь выдуманные цифры.
EEAT 2.0 и пятый фактор Evidence: конец анонимного контента
В 2026 году EEAT получил неофициальное обновление, которое SEO-сообщество назвало «2.0». Пятый фактор: Evidence. Раньше достаточно было заявить экспертность. Теперь надо её доказать.
Evidence это скриншоты, данные, реальные кейсы, логи, графики. Всё, что подтверждает: автор не пересказывает чужие мысли, а имеет собственный опыт. AI не может сфабриковать Evidence. Он может красиво оформить текст, но скриншот GSC с реальными цифрами, лог инцидента с 12 failed runs за 50 минут, конкретный баг в loop-worker, это вещи, которые может предоставить только человек, который был там.
Здесь важно не путать: это не anti-AI позиция. Это anti-anonymous. Google наказывает не за то, что текст написан с помощью AI. Google наказывает за отсутствие доказательств экспертности. Статья от конкретного человека с конкретным опытом, написанная с AI-ассистентом и содержащая proprietary data, ценнее 100% human статьи с теми же тезисами из первой страницы выдачи.
Кстати, про «Human Authored» сертификацию, которая набирает обороты (Authors Guild, 3000+ авторов с меткой). По моему мнению, это маркетинговый пузырь. Вопрос не КТО написал, а ЧТО нового принёс. Сертификация «написано человеком» ничего не говорит о качестве и информационной ценности. Зато создаёт ложное чувство безопасности: мол, раз человек писал, значит хорошо. Нет. Плохой человеческий контент ранжируется ровно так же плохо, как плохой AI-контент.
Ещё один сдвиг: AI Overview цитирует страницы с оригинальными данными только в 38% случаев (было 76% в 2025). Если ты оптимизируешь и под классический SEO, и под GEO (Generative Engine Optimization), тебе нужен разный подход к контенту. Dual optimization: для цитирования LLM-ами нужны конкретные факты и цифры, для классического поиска нужна глубина раскрытия. О том, как именно AI Overviews меняют правила игры и что с этим делать, я разбирал в посте про будущее SEO в эпоху AI Overviews.
По данным Sprout Social на 50 000 постов, human-AI hybrid контент обгоняет pure AI на 156% по engagement. Не потому что «человек лучше», а потому что гибрид сочетает скорость AI с оригинальностью человека. CTR AI-контента ниже при равных позициях: даже попав на третье-пятое место, чисто сгенерированный текст получает меньше кликов. Пользователи учатся распознавать шаблонность ещё до того, как кликнут.
Что делать: не меньше AI, а больше себя
Вывод из всего написанного не «откажись от AI». Это было бы глупо, учитывая что я сам построил 14-этапный AI-пайплайн. Вывод другой: AI усиливает то, что у тебя уже есть. Если есть что сказать, AI поможет сказать это быстрее, структурированнее, на большую аудиторию. Если сказать нечего, AI просто масштабирует пустоту.
AI laundering (переписывать сгенерированный текст до неузнаваемости для детекторов) убивает весь productivity gain. LinkedIn уже запустил кнопку «Seems like AI slop» с 94% точностью детектора. Люди, которые тратят час на переписывание AI-текста, могли бы за тот же час написать оригинальный пост. Net productivity gain от AI в content marketing может оказаться околонулевым для тех, кому нечего сказать.
Инвестировать надо в seed-материал. Заметки, данные, инциденты, мнения. Это единственное, что AI не может сгенерировать за тебя. Я веду Obsidian-волт, куда скидываю мысли, ретроспективы, баги, решения. Из этого сырья пайплайн может собрать пост, который содержит реальный Information Gain. Без этого сырья все 14 этапов бессмысленны. По такому же принципу работают и AI-сотрудники как команда: инструмент усиливает оператора, а не заменяет его.
Второе: строить pipeline с обратной связью. Не «опубликовал и забыл», а «опубликовал, замерил, обновил». У нас refresher каждое воскресенье берёт 5 самых старых постов и decay-таблицу из GSC, решает что обновить. Meta-rewriter переписывает title и description при CTR ниже 1.5% и достаточном количестве показов. Контент как продукт, не как одноразовая публикация.
Метрика успеха не «сколько опубликовал», а «сколько нового принёс в индекс». Если каждый пост добавляет хотя бы одну ось Information Gain (свои данные, свой опыт, свой фреймворк), он имеет шанс ранжироваться. Если пост пересказывает то, что уже есть на 50 других сайтах, неважно, сгенерирован он за 30 секунд или написан за 3 часа вручную, результат будет один: невидимость.