Поиск с ИИ поддаётся измерению: где Search Console показывает эффект, а где нужны тесты

3 июня 2026 года Google открыл в Search Console отдельные отчёты по AI Overviews и AI Mode. Почти одновременно на вебинаре Search Engine Journal команда seoClarity показала более жёсткий стандарт измерения эффекта AI Search: если после добавления FAQ цитирования растут, а после отката падают обратно, значит сработало именно изменение на странице, а не случайный сдвиг в выдаче.

Для digital-маркетинга это важный поворот. Раньше команды в лучшем случае наблюдали видимость в поиске с ИИ по внешним трекерам и делали осторожные выводы. Теперь часть картины даёт сама Google, но этого всё равно недостаточно, если задача не просто увидеть появление URL в ответах, а доказать, что конкретная правка действительно увеличила цитируемость.

Обычная ошибка выглядит так: страница начала чаще появляться в ответах, и это сразу записывают в эффект от новой структуры, схемы разметки или FAQ-блока. Проблема в том, что модели и поисковые поверхности меняются постоянно. Без базового периода, контрольной группы и отката изменения такой вывод остаётся предположением.

Для аналитики соцсетей и digital-маркетинга здесь знакомая логика. Охваты без контекста не доказывают качество контента, а рост вовлечённости без сравнения с базой не объясняет причину. С поиском с ИИ ситуация та же: сначала фиксируется сигнал, потом отделяется шум, и только после этого делается вывод о влиянии конкретного изменения.

3 июня стало проще: что именно дают новые отчёты Search Console

Главное изменение в том, что Google начала показывать для части сайтов данные по AI Overviews и AI Mode на уровне URL. По словам участников вебинара, это крупнейшее обновление измерения поиска с ИИ за последнее время, потому что часть данных перестала быть догадкой и стала first-party источником.

Практическая ценность у этих отчётов вполне прикладная:

• видно, какие страницы появляются в AI Overviews и AI Mode;
• можно смотреть это не по домену в целом, а по конкретным URL;
• проще отслеживать динамику после правок в шаблоне страницы;
• появляется точка опоры для сравнения с внешними системами мониторинга.

Для SEO и контент-маркетинга это уже рабочий инструмент. Если команда изменила структуру раздела, переписала блок ответов, добавила новые связки вопросов и ответов или перестроила страницу под более явный интент, Search Console помогает увидеть, было ли движение в самой Google.

Но здесь же проходит и граница возможностей. Новые отчёты не покрывают весь контур поиска с ИИ. ChatGPT, Claude, Perplexity, Gemini и другие поверхности по-прежнему требуют внешнего трекинга. Кроме того, сам факт появления URL в отчёте ещё не равен доказанному эффекту от изменений.

Именно поэтому Search Console стоит воспринимать как важный слой измерения, а не как окончательный ответ. В терминах digital-маркетинга это ближе к хорошему источнику сигналов, чем к полноценной системе атрибуции.

Видимость и эффект — не одно и то же

На вебинаре seoClarity сформулировала ключевую мысль предельно жёстко: visibility scores показывают, что бренд присутствует, а page-level performance и сплит-тесты показывают, повлияло ли на это конкретное действие.

Эту разницу легко недооценить. В традиционном SEO привычно смотреть на позиции, показы, клики и CTR. В поиске с ИИ метрика видимости тоже нужна, но она не отвечает на главный вопрос маркетолога: что именно сработало.

Если после публикации новой версии страницы цитаты выросли, причин может быть несколько:

• сама модель изменила логику выбора источников;
• в индекс попали другие страницы конкурентов;
• вопрос стал чаще формулироваться иначе;
• выросла релевантность темы в целом;
• реально помогло изменение на странице.

Без фильтра от шума все пять объяснений выглядят одинаково правдоподобно.

Для SMM и аналитики соцсетей это аналог ситуации, когда пост получил больший охват в день крупного инфоповода. Формально рост есть, но attributing его только к подаче контента было бы неверно. Поиск с ИИ требует такой же дисциплины: сначала отделять средовой сдвиг от результата конкретной правки.

Почему в поиске с ИИ нельзя сделать обычный A/B-тест

В ленте сайта, рекламной системе или посадочной странице можно разделить трафик 50/50. С LLM-поверхностями это не работает. Нельзя отдать половине пользователей одну версию ChatGPT-ответа, а другой половине другую, сохранив одинаковые условия для чистого сравнения.

Отсюда и возникает главный методический ход: вместо привычного A/B используется контрольная группа коррелирующих страниц. Она нужна не для красоты отчёта, а как шумоподавитель на фоне обновлений моделей и колебаний выдачи.

Логика такая:

• берётся группа тестовых страниц, где вносится одно изменение;
• рядом собирается контрольная группа максимально похожих страниц без изменений;
• до старта правки фиксируется базовый период;
• после выката выдерживается минимальное окно наблюдения;
• затем сравнивается не просто рост тестовой группы, а разница между тестом и контролем.

Если обе группы росли одинаково, значит рынок сдвинулся сам по себе. Если тест вырос, а контроль остался на месте или двигался слабее, гипотеза становится сильнее.

В этом и состоит переход от красивой корреляции к более надёжному причинному выводу.

Что должно быть в контрольной группе

На практике контрольная группа должна быть не случайной, а связанной по контексту и поведению. Подходящие страницы обычно похожи по нескольким признакам:

• одинаковый тип шаблона;
• схожий поисковый интент;
• близкая стадия воронки;
• сопоставимая исходная видимость в ответах ИИ;
• одна и та же тематика раздела.

Если тестировать FAQ на страницах коммерческих сравнений, а в контроль отправить справочные материалы из другой воронки, шум только усилится.

Почему важны базовый период и длина теста

Команда вебинара отдельно подчёркивала дисциплину по времени. Поиск с ИИ не всегда реагирует на правки так быстро, как привычные SEO-сигналы. Слишком короткое окно после изменения легко принять за результат, хотя это может быть обычный фоновый дрейф.

Поэтому у теста должны быть как минимум две опоры:

• период до запуска, чтобы зафиксировать исходный уровень;
• достаточное окно после запуска, чтобы не читать шум как эффект.

Точная длительность зависит от частоты сканирования, типа страницы и объёма запросов, но принцип один: не делать выводы по первым колебаниям.

Какие запросы стоит тестировать первыми

Один из самых практичных советов вебинара касается не страниц, а самих запросов. Тестировать имеет смысл не всё подряд, а те формулировки, где бренд уже почти выигрывает.

Команда seoClarity собирает так называемый golden set of prompts: набор запросов по всей воронке, от узнавания до удержания. Каждый запрос помечается по стадии, а затем распределяется по уровням в зависимости от текущего положения бренда в ответе модели.

Самая здравая тактика начинается с запросов первого уровня. Это ситуации, где бренд уже релевантен теме, но модель пока не получила достаточно убедительный URL, который стоит процитировать. Именно здесь обычно лежат быстрые победы.

Такой порядок полезен не только для SEO-команды, но и для внутренних коммуникаций. Быстрые подтверждённые результаты дают аргументы, чтобы потом запускать более трудоёмкие тесты по сложным страницам, шаблонам и структурам.

Для контент-маркетинга это означает простую вещь: сначала проверяются страницы, где уже есть смысловой зацеп, а не пытаются продавить поиск с ИИ на заведомо слабых материалах.

Как связать запрос и нужную страницу

Ещё одна сильная мысль из вебинара: единицей трекинга должен быть не просто запрос и не просто URL, а пара “запрос — страница, которую хотелось бы видеть в цитате”.

Такой подход полезен по нескольким причинам:

• снимает путаницу между несколькими близкими URL;
• позволяет тестировать конкретную гипотезу на уровне страницы;
• даёт более чистую интерпретацию после изменений;
• помогает не смешивать брендовые и небрандовые формулировки.

Для команды, которая параллельно ведёт SEO, SMM и Telegram-маркетинг, это ещё и хороший организационный шаблон. По похожей логике строится и аналитика контента: не просто “тема пошла”, а “какая единица контента дала измеримый результат по конкретному интенту”.

FAQ оказался сильным тестом, а два популярных приёма — нет

Самый показательный кейс вебинара связан с FAQ-разделами. В тесте примерно на 1 000 запросов добавление FAQ к тестовым страницам увеличило цитируемость относительно контроля. Но решающим оказалось не это, а откат.

Когда изменение убрали, цитирования снизились обратно.

Именно этот момент делает кейс ценным для рынка. Рост во время эксперимента можно было бы списать на совпадение. Возврат к прежнему уровню после удаления элемента делает гипотезу заметно сильнее. Для команд, которые занимаются поисковым продвижением и контент-маркетингом, это почти эталон того, как должна выглядеть проверка причинности.

При этом два других теста дали совсем другой результат. Изменения в meta descriptions и форматировании материалов как listicle не показали такого же убедительного эффекта. Это важный холодный душ для рынка, где вокруг оптимизации под ответы ИИ быстро нарастают универсальные советы.

Вывод здесь не в том, что FAQ помогает всегда, а meta description бесполезен всегда. Вывод жёстче и полезнее: даже популярная гипотеза ничего не стоит, пока её не проверили на собственных страницах с контролем и временным окном.

Рабочая схема измерения для digital-команды

Если перевести идеи вебинара на повседневную практику, получается довольно приземлённый процесс без магии.

Сначала нужен набор запросов, по которым бренд действительно хочет быть процитирован в поиске с ИИ. Этот набор лучше распределить по стадиям воронки: верх спроса, сравнение вариантов, выбор решения, удержание и вопросы после использования. Для digital-маркетинга такой каркас удобен тем, что потом его можно связывать с контент-планом и реальными страницами сайта.

Дальше определяется стартовый пул страниц, где бренд уже близок к попаданию в ответы модели. Это более рационально, чем распыляться на весь сайт. После этого для каждой тестовой страницы подбирается контрольная страница того же типа и близкой тематики.

Затем фиксируется базовый период. Только после этого вносится одно изменение. Не FAQ плюс новая разметка плюс переписанные заголовки плюс перестройка блока ссылок, а один фактор за цикл. Иначе будет невозможно понять, что сработало.

После выката отслеживаются два слоя данных:

• first-party сигналы из Search Console там, где они доступны;
• внешние наблюдения по другим поверхностям, если бренд важен не только в Google.

После завершения окна теста сравниваются тест и контроль. Если разницы нет, это тоже результат. Он экономит время и бюджет лучше, чем вера в красивую, но неподтверждённую тактику.

Пример последовательности

Для этого выбираются близкие по теме материалы одного шаблона, на части страниц добавляется FAQ, для части — нет, затем по итогам окна сравниваются изменения в цитируемости и появлениях URL в AI Overviews. Если после отката эффект исчезает, гипотеза получает гораздо более сильное подтверждение.

Именно такой подход отличает исследование от догадки. В аналитике соцсетей это полностью соответствует нормальной работе с контентными гипотезами: одна переменная, контроль, достаточное окно и честное принятие отрицательного результата.

Где Search Console особенно полезна маркетологам

Несмотря на ограничения, у новых отчётов есть сильная сторона: они помогают перестать спорить о самом факте присутствия URL в поверхностях Google с ИИ. Для команд, у которых SEO, SMM, мониторинг бренда и контент-маркетинг связаны в один контур, это важное упрощение.

Search Console особенно полезна в трёх сценариях:

• когда нужно быстро проверить, появились ли URL в AI Overviews и AI Mode после правок;
• когда требуется page-level срез по нескольким шаблонам страниц;
• когда нужно сверить внутренние гипотезы с данными из источника самой Google.

Но на уровне управленческого вывода вопрос звучит шире: не просто “появились ли мы”, а “какие изменения стабильно дают цитирования, а какие создают только шум”. Здесь уже нужна более широкая система наблюдения, где видно не только поиск, но и то, как меняются охваты бренда, вовлечённость вокруг темы, цитируемость конкурентов и реакция аудитории в собственных каналах. В такой связке уместно дополнять SEO-наблюдение инструментами вроде FollowPulse, если задача выходит за пределы самой выдачи и упирается в аналитику соцсетей, мониторинг бренда и Telegram Analytics.

Чеклист

1. Собрать список приоритетных запросов по всей воронке, а не только по верхним информационным формулировкам.
2. Для каждого запроса закрепить страницу, которую бренд хочет видеть в цитате модели.
3. Найти страницы, где бренд уже близок к попаданию в ответы ИИ, и начать тесты с них.
4. Подобрать контрольную группу из похожих страниц без изменений.
5. Зафиксировать базовый период и менять за один цикл только один фактор.
6. Сверять сигналы Search Console с наблюдением по другим поверхностям, если бренд важен в ChatGPT, Claude, Perplexity или Gemini.
7. По возможности делать откат сильных гипотез, чтобы отделять корреляцию от причинного эффекта.

FAQ

Можно ли измерять эффект поиска с ИИ только через Search Console?

Нет. Новые отчёты Google полезны как first-party источник по AI Overviews и AI Mode, но они не покрывают другие поверхности вроде ChatGPT, Claude или Perplexity и не доказывают причинность сами по себе.

Какие запросы лучше брать в первый цикл тестов?

Приоритетнее запросы, где бренд уже релевантен теме и почти попадает в ответ модели. Такие сценарии обычно дают более быстрый и понятный сигнал, чем попытка тестировать заведомо слабые страницы.

Почему без контрольной группы выводы ненадёжны?

Потому что модели и поисковые поверхности меняются сами по себе. Если не сравнивать тестовые страницы с похожими страницами без изменений, рост цитирований можно перепутать с фоновым шумом.

Помогают ли FAQ-блоки всегда?

Нет. На вебинаре seoClarity показала кейс, где FAQ дали рост цитирований и после отката эффект исчез. Это сильный сигнал именно для тех страниц и условий теста, но не универсальное правило для любого сайта.

Что делать, если цитирования выросли, а переходов почти нет?

Такой сценарий возможен. Цитирование в ответе ИИ не всегда означает заметный referral traffic. В этом случае имеет смысл отдельно оценивать долю цитирований по ключевым вопросам, консистентность между движками и влияние на брендовый спрос.

Сколько должен длиться тест в поиске с ИИ?

Универсального числа нет, но короткие окна опасны. Нужен базовый период до изменений и достаточное время после запуска, чтобы не принять случайные колебания за результат.

Качественная работа с поиском с ИИ начинается не с попытки угадать “правильный” формат страницы, а с дисциплины измерения. Если нужен единый контур наблюдения за темами, упоминаниями бренда, реакцией аудитории и Telegram-маркетингом рядом с поисковыми тестами, это удобно собирать в FollowPulse.

Пользуйся FollowPulse и получай:

• Аналитику соцсетей
• Умный поиск информации
• Рост своего бренда

Пробный доступ — от 10 рублей.

Попробовать FollowPulse