МАРКЕТИНГОВЫЕ ПОСЛЕДСТВИЯ ВНЕДРЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПОИСКОВЫЕ СИСТЕМЫ

АННОТАЦИЯ

В статье исследуется изменение архитектуры поискового трафика, обусловленное интеграцией генеративных ИИ-ответов в интерфейсы выдачи. Автор анализирует маркетинговые последствия перехода от классической модели обмена данными между поисковиками и сайтами к стратегии удержания пользователя внутри экосистем. На основе полевого эксперимента в сегменте E-commerce обоснована неэффективность традиционного CTR и предложена система специализированных метрик SoM, CVI, CTI. Данные инструменты помогут объективно оценивать видимость бренда в условиях роста доли Zero-Click сессий и адаптировать Digital-стратегии к новым алгоритмам ранжирования.

ABSTRACT

The article examines the transformation of search traffic architecture driven by the integration of generative AI responses into search engine interfaces. The author analyzes the marketing implications of the shift from the classical data exchange model between search engines and websites to a user retention strategy within ecosystem boundaries. Based on a field experiment in the E-commerce segment, the study demonstrates the declining efficiency of traditional CTR and proposes a system of specialized metrics: SoM, CVI, and CTI. These tools provide an objective assessment of brand visibility amidst the rising share of Zero-Click sessions and facilitate the adaptation of digital strategies to new ranking algorithms.

Ключевые слова: экономика внимания, генеративный поиск, искусственный интеллект, органический трафик, SEO, GEO, Zero-Click, SoM, CTI, CVI.

Keywords: Attention economy, generative search, artificial intelligence, organic traffic, SEO, GEO, Zero-Click, SoM, CTI, CVI.

Введение. Развитие цифровой среды определило пересмотр базовых принципов распределения информационных потоков, и сегодня поисковые системы переходят от классических каталогов ссылок (SERP) к генеративным платформам на базе больших языковых моделей (LLM). Это технологическое изменение фактически нарушает сложившуюся модель взаимодействия между поисковыми агрегаторами и авторами контента. Если раньше индексация данных гарантировала владельцу сайта стабильный приток аудитории, то современные интерфейсы Zero-Click Search позволяют поисковикам аккумулировать ценность внешней информации внутри собственных экосистем. Подобный сдвиг меняет экономику внимания: алгоритмы удовлетворяют запросы пользователей, но не возвращают трафик на сайты-первоисточники. В недалеком будущем это создаст угрозу системной деградации обучающих выборок из-за дефицита свежих данных, вызванного потерей мотивации у компаний-владельцев сайтов. Настоящее исследование направлено на анализ переформатирования маркетинговых Digital-стратегий в условиях ожидаемого падения органических охватов. Одновременно обосновывается переход от метрик кликабельности (CTR) к управлению присутствием бренда в ответах нейросетей (GEO).

Материалы и методы. Методология исследования строится на междисциплинарном подходе с использованием системного анализа, теории информации и прогностических моделей искусственного интеллекта. Эмпирическая база сформирована по результатам полевого эксперимента, проведенного в рамках семидневного цикла наблюдений. Объектом наблюдения послужила расширенная выборка из 40 контрольных паттернов (N=40), сформированная методом стратифицированного отбора наиболее частотных запросов в Google Chrome из сегмента E-commerce. Использование позволило аккумулировать массив из 280 контрольных замеров, что обеспечило статистическую устойчивость средневзвешенных показателей активности ИИ-блоков.

Теоретическую основу в области нейросетевых рисков заложили работы И. Шумайлова [16], З. Липтона [14], С. Альтмана [8] и Д. Хассабиса [13], которые доказали неизбежное снижение качества алгоритмов при рекурсивном обучении. Проблематика экономики внимания и феномен Zero-Click поиска в информационных экосистемах детально изучены в трудах Р. Фишкина [11], Н. Бострома [9] и т.д. Эволюцию поисковых интентов в эпоху ИИ-сводок и алгоритмического ранжирования объясняют исследования Д. Салливана [17], Н. Пателя [15] и М. Куттса [10] и др.

Российская научная школа в лице А. Аузана [1], И. Ашманова [2], В. Конявского [5], И. Березина [3] и фокусируется на трансформации экономики знаний и вопросах цифрового суверенитета в условиях доминирования нейросетей.

Ограничения исследования. Результаты ограничены спецификой сегмента E-commerce и русскоязычного поиска. Метрики SoM, CVI и CTI фиксируют состояние алгоритмов на момент замеров, однако изменчивость нейросетей и обновления интерфейсов могут динамически менять эти показатели. Кроме того, исследование проводилось в десктопном браузере Chrome, что затрудняет прямой перенос данных на мобильный сегмент. Разница в эргономике внимания на смартфонах и влияние персональных профилей (вне режима инкогнито) требуют отдельных кросс-девайсных тестов для полной верификации SoM и CTI в условиях ограниченного экранного пространства.

Результаты исследования. В основе наблюдаемых изменений лежит переосмысление экономики внимания, и действительность говорит о том, что поисковые системы окончательно перешли от модели «распределения трафика» к стратегии «удержания пользователя» внутри собственных контуров [17, с. 1]. В этой новой архитектуре ценностью становится не переход на сайт, а время, проведенное в экосистеме поисковика, что безусловно снижает интерес к внешним веб-ресурсам.

Анализ влияния генеративных моделей на поисковое пространство позволяет зафиксировать качественный переход от навигационного поиска к синтетическому. Если классические алгоритмы ранжирования выполняли роль указателей, направляющих пользователя к внешнему источнику, то современные ИИ - блоки (AI Overviews, нейросетевой поиск Google, Яндекса, Perplexity и т.д.) стремятся замкнуть информационный цикл внутри собственного периметра.

Выбор экосистемы Google и браузера Chrome в качестве первичного объекта наблюдения обусловлен их ролью технологического детерминанта в развитии генеративного поиска. Несмотря на сохранение лидирующих позиций обеими системами, в российском сегменте наблюдается смещение баланса: по данным Яндекс Радара [19, с. 1], на март 2026 года доля «Яндекса» составляет около 68,38%, в то время как StatCounter [18, с. 1] фиксирует долю Google на уровне 28–31%. Тем не менее, именно Google выступает глобальным полигоном для массового внедрения AI Overviews, что делает его первичным объектом для изучения трансформации поискового трафика.

Для количественной оценки масштабов переформатирования пользовательского поиска была проведена эмпирическая проверка поисковых запросов (Таблица 1), охватившая период с 09.03.2026 по 15.03.2026. Фиксация данных осуществлялась путем ежедневного десктопного тестирования в режиме инкогнито (браузер Chrome, регион РФ/Москва). Десктоп использовался для обеспечения «чистоты эксперимента» и исключения факторов мобильной персонализации.

Таблица 1.

Примеры поисковых запросов в браузере Chrome по категориям

Источник: составлено автором

Этот подход исключил влияние поисковой истории и предпочтений, обеспечив чистоту и воспроизводимость эксперимента. Семидневный цикл наблюдений нивелировал суточные колебания алгоритмов и обеспечил статистическую устойчивость данных. Агрегирование данных в рамках недельного мониторинга способствовало многомерному структурированию параметров эффективности нейросетевой выдачи.

В ходе исследовательского анализа велась фиксация не только кумулятивного охвата (Reach), но и критически важных дескрипторов пользовательского поведения, в том числе реального коэффициента отказов от перехода на внешние ресурсы (Zero-Click Rate) и индекса интенции клика (Click-Through Intention, CTI), отражающего глубину удовлетворенности синтетическим ответом.

Итоговые верифицированные показатели, полученные путем усреднения массива из 280 контрольных замеров, систематизированы и представлены в Таблице 2

Таблица 2.

Сравнительные показатели эффективности генеративной выдачи и классического органического ранжирования

Источник: составлено автором c опорой на [12; 17]

Стоит отметить статистический выброс в сегменте транзакционных запросов (период 11.03.2026–12.03.2026), где активность ИИ-блоков кратковременно выросла с 12% до 28%. Искажение вероятнее всего связано с тестовым запуском товарного агрегатора Google в московском регионе, что привело к временному снижению CTI до 0,64. В итоговых расчетах данные за этот период были сглажены методом скользящей средней для обеспечения устойчивости модели.

Текущая статистика CTI и Reach демонстрирует, что нейросети постепенно начинают замещать поиск и уже сейчас выступают фильтром качества на разных этапах воронки продаж:

1. Информационный CTI 0,75 означает высокое намерение кликнуть при низком Zero-Click, а это подтверждает, что ИИ здесь работает как тизер. Пользователь видит краткий ответ, доверяет качеству тизера и идет на сайт за полной версией. В итоге трафик становится чище, так как проходит предварительный фильтр нейросети.

2. Коммерческий SR 65% означает, что в данном случае ИИ работает как агрегатор. Если пользователю нужно просто сравнить цены или характеристики, он делает это в выдаче. Сайт теряет «холодный» трафик, который раньше заходил лишь для первичного ознакомления.

3. Транзакционный CTI 0.85 говорит о том, что ИИ почти не вмешивается (Reach 12%), так как покупка — это зона ответственности магазина. Пользователь нацелен на сделку, поэтому CTI здесь максимальный.

4. Навигационный Reach 74% указывает на то, что поиск активно выводит интеллектуальную карточку бренда. Несмотря на высокий охват ИИ-блока, пользователь все равно попадает на сайт, но кликает не на обычную ссылку, а на интерактивные элементы бренд-виджета.

Обсуждение. Полученные данные подтверждают в целом гипотезу о новых тенденциях в экономике внимания: привычная линейная схема «запрос — переход на сайт — конверсия» утрачивает эффективность для информационных и коммерческих ресурсов. Когда алгоритмы аккумулируют экспертные знания, но не возвращают трафик, сайты-первоисточники фактически превращаются в бесплатный ресурс для обучения ИИ-моделей. Это создает стратегический тупик, поскольку традиционное SEO, ориентированное на позиции в выдаче, теряет смысл, поскольку высокая позиция больше не гарантирует посещение сайта.

В новой реальности модель маркетинга смещается от борьбы за клики к управлению присутствием бренда внутри самого генеративного ответа [15] и ключевой задачей маркетолога становится не привлечение пользователя на внешнюю платформу, а интеграция бренда в когнитивный слой ответа нейросети.

Переход от классического ранжирования ссылок к генеративным ответам теперь требует основательного пересмотра воронки конверсии [6; 7], так как традиционный показатель CTR фиксирует лишь факт перехода, игнорируя происходящие процессы внутри поисковой системы.

В связи с этим, предлагается внедрение трехуровневой системы метрик отражающей путь бренда от обучающей выборки до визита пользователя. Несмотря на то, что компоненты предлагаемой системы базируются на уже апробированных в маркетинге индикаторах, автор обосновывает необходимость их концептуальной пересборки в единый аналитический контур. В условиях доминирования ИИ-блоков эти метрики переходят из разряда вспомогательных в основные, позволяя верифицировать присутствие бренда непосредственно в когнитивном слое нейросети, что ранее не являлось предметом фокусного внимания в SEO-аналитике:

1. Share of Model (SoM) — коэффициент присутствия бренда в ответах LLM:

 ;

где  — бинарный показатель наличия бренда в i-м ответе (1 — присутствует, 0 — отсутствует) ;  n — общее количество тестовых запросов.

Бренд перестает существовать для пользователя если его нет в памяти языковой модели (LLM), а SoM измеряет вероятность упоминания бренда нейросетью при формировании ответа. Без этой метрики любые инвестиции в контент сайта и товарные карточки становятся бессмысленными, так как ИИ-ассистент просто не обнаружит компанию как релевентный источник. 

2. Contextual Visibility Index (CVI) — индекс визуальной и смысловой атрибуции.

где A — наличие текстовой атрибуции; V — наличие визуальных виджетов; L — наличие прямых ссылок-сносок; W — весовые коэффициенты значимости элементов.

При апробации формулы CVI значения весовых коэффициентов были определены с опорой на исследования когнитивного восприятия интерфейсов (Nielsen Norman Group, Gartner [20]). Наибольший вес  = 0,5 присвоен визуальным виджетам как основному триггеру внимания в архитектуре AI Overviews. Вес прямых ссылок  = 0,3 отражает их значимость для трансформации охвата в целевой переход, в то время как текстовая атрибуция  = 0,2 признана вспомогательным фактором идентификации бренда.

Расчеты на массиве данных (N=280) показали, что для информационных запросов средний показатель CVI составил 0,42. Это объясняется тем, что в 65% случаев ИИ-блоки ограничиваются текстовой атрибуцией (A=1) и ссылками-сносками (L=1) без вывода товарных виджетов (V=0). В то же время для навигационных запросов (Reach 74%), где поисковик выводит бренд-карточку, индекс CVI стремится к 0,8–1,0, что подтверждает гипотезу о перехвате внимания пользователя визуальными инструментами платформы.

Наличие бренда в ответе нейросети не гарантирует, что пользователь его заметит, но CVI оценит качество визуальной и смысловой атрибуции, в том числе наличие кликабельных виджетов, ссылок-сносок прямого цитирования и т.п. Кроме того, метрика подтверждает, что поисковик признает ресурс как авторитетный первоисточник и обеспечит ему визуальный приоритет в блоке ИИ.

3. Click-Through Intention (CTI) — индекс намерения клика, отражающий сформированное желание пользователя перейти к первоисточнику.

где   — кликабельность ссылок внутри ИИ-блока;   — охват блока по данному типу запросов.

В отличие от случайного клика, CTI фиксирует желание пользователя получить более глубокую экспертизу после прочтения краткой ИИ-сводки. В отличие от CVI, рекомендуемая метрика CTI не просто видит, но и доказывает неудовлетворенность простой ИИ-справкой и указывает на информационный дефицит или доверие. Она является ключевой в этой триаде, поскольку помогает превратить трафик из случайного в целевой и конверсионный.

Следует учитывать, что эффективность предлагаемых метрик во многом определяется изменчивостью алгоритмов нейросетей, что на данном этапе затрудняет долгосрочное планирование маркетинговой активности внутри ИИ-блоков. Проблемы с автоматизацией сбора данных и субъективность весовых коэффициентов также ограничивают точность аналитики. Однако, несмотря на ряд критических факторов, внедрение этих инструментов станет для бизнеса прогрессивным шагом, сто позволит компаниям вовремя адаптироваться к неизбежной трансформации информационно-маркетинговой среды и потере классического поискового трафика.

В то же время SEO-экспертам, бренд-менеджерам и SMM-специалистам стоит сфокусироваться на пересмотре собственных стратегий развития маркетингового и рекламного направлений. Привычная борьба за ссылки сменилась конкуренцией за присутствие в ответах нейросетей. Ставка на глубокую экспертизу и уникальные сервисы позволит обойти автоматику, которая неспособна их полноценно скопировать. Одновременно руководству пора внедрять новые метрики и помнить: теперь задача Digital-маркетинга — превратить краткую справку поисковика в инструмент вовлечения прогретого пользователя.

Заключение. Проведенное исследование подтверждает, что внедрение искусственного интеллекта спровоцировало необратимое преобразование экономики внимания. Поисковая выдача эволюционирует из открытой библиотеки ссылок в закрытую экосистему, где доступ к аудитории сохраняют лишь владельцы наиболее сильных брендов, а выживание независимых интернет-ресурсов теперь напрямую зависит от их способности переходить в операционные узлы обеспечивающие реальные, которые генеративные модели пока не способны обеспечивать. Развитие генеративного поиска радикально меняет роль маркетолога в компании. Теперь его приоритет — не техническая подгонка сайта под фильтры (SEO), а управление присутствием бренда в генерируемом информационном поле (GEO) для интеграции миссии и продуктов компании непосредственно в синтетический ответ нейросети.

Список литературы:

1. Аузан, А. А. Экономика знаний и цифровые платформы: институциональные ловушки и новые возможности / А. А. Аузан // Вопросы экономики. — 2023. — № 11. — С. 5–22. — DOI: 10.32609/0042-8736-2023-11-5-22.
2. Ашманов, И. С. Цифровая гигиена / И. С. Ашманов, Н. И. Касперская. — Санкт-Петербург : Питер, 2024. — 320 с. — (Серия «Маркетинг для профессионалов»).
3. Березин, И. С. Маркетинговый анализ. Рынок. Фирма. Товар. Продвижение / И. С. Березин. — Москва : Практический маркетинг, 2021. — 480 с.
4. Вартанова, Е. Л. Меняющаяся архитектура медиа и цифровая среда / Е. Л. Вартанова // МедиаАльманах. — 2022. — № 5. — С. 8–14.
5. Конявский, В. А. Основы управления информацией в цифровой среде / В. А. Конявский, С. В. Лопаткин. — Москва : МФТИ, 2022. — 256 с.
6. Черняк, Л. От поиска к ответам: эволюция семантических технологий / Л. Черняк // Открытые системы. СУБД. — 2023. — № 2. — С. 12–18.
7. Эволюция нейросетевого поиска: от BERT к парадигме Y2 : технический отчет / Яндекс. — 2024. — URL: yandex.ru (дата обращения: 26.03.2026).
8. Altman, S. The Information Age / S. Altman // Sam Altman Blog. — 2024. — URL: samaltman.com (дата обращения: 26.03.2026).
9. Bostrom, N. Superintelligence: Paths, Dangers, Strategies / N. Bostrom. — Oxford : Oxford University Press, 2014. — 352 p.
10. Cutts, M. Modern SEO and the Evolution of Web Quality / M. Cutts // Search Engine Journal. — 2023. — URL: searchenginejournal.com (дата обращения: 26.03.2026).
11. Fishkin, R. The State of Search Engine Results: Zero-Click Dilemma / R. Fishkin // SparkToro Research. — 2024. — URL: sparktoro.com (дата обращения: 26.03.2026).
12. Gartner Research. Predicts 2026: The Future of Search Marketing and GenAI Impact : Report ID G00812432. — 2026. — 15 p.
13. Hassabis, D. A New Era of Discovery with AGI / D. Hassabis // Google DeepMind Blog. — 2024. — URL: deepmind.google (дата обращения: 26.03.2026).
14. Lipton, Z. C. The Mythos of Model Interpretability / Z. C. Lipton // ACM Queue. — 2018. — Vol. 16, no. 3. — P. 31–57.
15. Patel, N. AI and the Future of Digital Marketing: Beyond Clicks / N. Patel // Neil Patel Digital. — 2025. — URL: neilpatel.com (дата обращения: 26.03.2026).
16. Shumailov, I. The Curse of Recursion: Training on Generated Data Makes Models Forget / I. Shumailov, Z. Shumaylov, Y. Zhao (et al.) // Nature. — 2024. — Vol. 631. — P. 755–759.
17. Sullivan, D. Understanding Search Quality and AI Overviews / D. Sullivan // Google Search Central. — 2024. — URL: google.com (дата обращения: 26.03.2026).
18. Browser Market Share Worldwide — February 2026 // StatCounter Global Stats : (сайт). — 2026. — URL: statcounter.com (дата обращения: 31.03.2026).
19. Отчет о посещаемости и долях поисковых систем в России — Март 2026 // Яндекс Радар : (сайт). — 2026. — URL: yandex.ru (дата обращения: 31.03.2026).
20. Pernice, K. F-Shaped Pattern of Reading on the Web: Misunderstood, But Still Relevant / K. Pernice // Nielsen Norman Group : (сайт). — 2017. — URL: nngroup.com (дата обращения: 10.03.2026).