«Зацени новые кроссы Найк Эир Макс, которые как у того парня из клипа». Десять лет назад поисковик, услышав такой запрос, впал бы в ступор. Он искал бы страницы, содержащие слова «зацени», «кроссы», «Найк», «Эир», «Макс», «парень», «клип» — и, скорее всего, не нашёл бы ничего полезного.

Сегодня Google и Яндекс не просто ищут слова. Они понимают запрос. Они знают, что «кроссы» — это кроссовки, «Найк Эир Макс» — конкретная модель, «как у того парня из клипа» — отсылка к визуальному образу. И они могут найти релевантный товар, даже если точных слов из запроса на странице нет.

Это стало возможным благодаря технологиям NLP (Natural Language Processing) и нейросетям на архитектуре трансформеров, таким как BERT и YATI. В этой статье мы разберём, как поисковики научились понимать человеческий язык и что это значит для современного SEO.

Как поиск работал до NLP: эра ключевых слов

Чтобы оценить масштаб революции, нужно понять, как всё работало раньше.

Поиск по ключевым словам (1998-2015):

Алгоритмы того времени воспринимали запрос как мешок слов (bag of words). Порядок слов не имел значения, связи между ними игнорировались. Запрос «как ухаживать за котом» и «кот ухаживает за как» для алгоритма были почти одинаковы.

Проблемы ключевого подхода:

  1. Омонимия. «Ключ» — это инструмент, родник или код? Алгоритм не понимал контекст.
  2. Синонимия. «Автомобиль», «машина», «авто», «тачка» — для алгоритма это разные слова.
  3. Порядок слов. «Москва-Питер поезд» и «Питер-Москва поезд» — разные направления.
  4. Длинные запросы. Чем длиннее запрос, тем меньше шансов найти точное совпадение слов.
  5. Разговорные формулировки. Запросы вроде «где тут рядом вкусно и недорого поесть» были обречены.

SEO-специалисты адаптировались: вставляли в тексты точные ключевые слова, использовали все возможные синонимы отдельно, создавали отдельные страницы под каждую формулировку.

Что такое NLP и как оно изменило поиск

NLP (Natural Language Processing) — обработка естественного языка — это область искусственного интеллекта, которая учит компьютеры понимать человеческий язык.

Ключевые задачи NLP в поиске:

Задача Что делает Пример
Токенизация Разбивает текст на значимые единицы (токены) «Я люблю SEO» → [Я, люблю, SEO]
Лемматизация Приводит слова к начальной форме «кроссами» → «кроссовка»
Морфологический анализ Определяет части речи, падежи, числа «красивому» → прилагательное, дательный падеж
Синтаксический анализ Строит дерево зависимостей между словами «Маша ест кашу» → подлежащее (Маша), сказуемое (ест), дополнение (кашу)
Семантический анализ Извлекает смысл, определяет сущности и отношения «купить билет в Сочи» → действие: покупка, объект: билет, место: Сочи
Анализ тональности Определяет эмоциональную окраску «Ужасный сервис!!!» → негатив
Распознавание именованных сущностей (NER) Выделяет имена, организации, даты, места «Путин встретился с Си Цзиньпином 15 мая в Пекине» → персоны, дата, город

Как NLP изменило поиск:

  1. Понимание синонимов. «Машина» и «автомобиль» теперь воспринимаются как одно понятие.
  2. Учёт морфологии. «Купить кроссовки» и «покупка кроссовок» — разные формулировки одного интента.
  3. Анализ контекста. Слова больше не рассматриваются изолированно.
  4. Понимание длинных запросов. Алгоритмы могут обработать развёрнутый вопрос.
  5. Распознавание сущностей. Поисковик знает, что «Найк» — это бренд, а «Эир Макс» — модель кроссовок.

Революция трансформеров: BERT и его влияние

В 2017 году исследователи Google опубликовали статью «Attention Is All You Need», в которой представили архитектуру трансформер (Transformer). Это стало поворотным моментом в истории NLP.

Что такое трансформер:

Трансформер — это нейросетевая архитектура, которая обрабатывает текст параллельно, а не последовательно, и использует механизм внимания (attention) для выявления связей между словами.

Ключевое отличие от предыдущих моделей:

  • RNN/LSTM (старые модели). Читают текст слева направо, как человек. Контекст левой части влияет на правую, но не наоборот.
  • Трансформер. Анализирует все слова одновременно, учитывая связи каждого слова со всеми остальными в обоих направлениях.

BERT (Bidirectional Encoder Representations from Transformers):

В 2019 году Google внедрил BERT в поиск. BERT — это модель на архитектуре трансформер, обученная на колоссальных объёмах текста.

Что BERT изменил в поиске:

  1. Понимание предлогов и частиц. Раньше поисковик мог игнорировать предлоги. BERT понимает, что «билет из Москвы в Сочи» и «билет из Сочи в Москву» — это разные запросы.
  2. Учёт порядка слов. «Можно ли взять кредит без справки о доходах» и «можно ли взять справку о доходах без кредита» — совершенно разные интенты.
  3. Контекстное значение слов. BERT понимает, что «ключ» в запросе «как сделать ключ от домофона» и в запросе «ключ к успеху» — разные понятия.
  4. Длинные и сложные запросы. BERT отлично справляется с развёрнутыми вопросами, которые раньше ставили поисковик в тупик.

Пример работы BERT:

Запрос: «можно ли парковаться на тротуаре если нет знака»

До BERT: поисковик искал страницы со словами «парковаться», «тротуар», «знак». Результат мог быть противоречивым.

После BERT: модель понимает, что пользователь спрашивает о законности парковки на тротуаре при отсутствии запрещающего знака, и ищет страницы, которые отвечают именно на этот юридический вопрос.

YATI: российский ответ BERT

Яндекс не остался в стороне от революции трансформеров. В 2020 году компания представила YATI (Yet Another Transformer Implementation) — собственную нейросеть для понимания естественного языка.

Особенности YATI:

  1. Обучена на русскоязычном корпусе. YATI лучше понимает специфику русского языка: падежи, склонения, синонимию.
  2. Учёт морфологии. В русском языке одно слово может иметь десятки форм. YATI отлично с этим справляется.
  3. Интеграция с другими сервисами Яндекса. Данные из Почты, Такси, Карт помогают лучше понимать контекст.
  4. Акцент на коммерческие запросы. YATI особенно силён в понимании запросов, связанных с покупками и услугами.

Влияние YATI на SEO в Рунете:

  • Длинные, разговорные запросы стали ранжироваться лучше.
  • Точные вхождения ключевых слов стали менее важны.
  • Качество контента (глубина раскрытия темы, экспертность) вышло на первый план.
  • Структура текста (заголовки, списки, FAQ) помогает YATI понять логику.

MUM: следующий шаг после BERT

В 2021 году Google анонсировал MUM (Multitask Unified Model) — мультимодальную модель, которая в 1000 раз мощнее BERT.

Что умеет MUM:

  1. Понимает текст, изображения, видео, аудио. Может ответить на вопрос, проанализировав информацию из разных форматов.
  2. Работает с 75 языками одновременно. Может найти ответ на японском форуме и представить его на русском.
  3. Отвечает на сложные, составные вопросы. «Я прошёл Эверест, хочу теперь пройти Килиманджаро. Что мне нужно знать для подготовки, учитывая мой опыт?»
  4. Анализирует множество источников. MUM может «прочитать» десятки статей и синтезировать единый ответ.

Влияние MUM на SEO:

  • Экспертность контента. MUM сравнивает информацию из разных источников. Неглубокие, поверхностные статьи проигрывают экспертным.
  • Мультимедийность. Изображения и видео становятся полноценными источниками информации.
  • Кросс-языковая конкуренция. Ваш сайт может конкурировать с англоязычными ресурсами, если они содержат более качественную информацию.
  • Генеративные ответы. MUM может сам синтезировать ответ, не отправляя пользователя на сайт.

Как NLP и трансформеры изменили SEO

Понимание того, как работают NLP и нейросети, меняет подход к оптимизации.

Что больше не работает (или работает хуже):

  • Переспам ключевых слов. Нейросети легко распознают искусственные тексты.
  • Погоня за точными вхождениями. Можно ранжироваться по запросу, даже если точных слов в тексте нет.
  • Поверхностные статьи. BERT и YATI оценивают глубину раскрытия темы.
  • Копирование контента конкурентов. Нейросети ищут оригинальность и экспертность.

Что работает сейчас:

  1. Семантическое ядро вместо ключевых слов. Группируйте запросы по смыслу, создавайте страницы под тематические кластеры.
  2. Глубокий, экспертный контент. Одна подробная статья лучше десяти поверхностных.
  3. Естественный язык. Пишите для людей, а не для роботов. Используйте синонимы, разнообразные формулировки.
  4. Структурирование контента. Заголовки H2-H3, списки, таблицы, FAQ-блоки помогают нейросетям понять логику текста.
  5. Ответы на вопросы. BERT и YATI особенно хорошо работают с вопросительными запросами.
  6. Микроразметка. Schema.org помогает поисковикам точно понять, что за информация на странице.
  7. E-E-A-T сигналы. Указывайте авторов, источники, даты публикации. Нейросети оценивают экспертность.

Практические приёмы оптимизации под NLP

Приём 1. Используйте вопросительные заголовки

Структурируйте статью вокруг вопросов, которые задают пользователи.

html

<h2>Как зарегистрировать ИП самостоятельно?</h2><p>Пошаговая инструкция…</p><h2>Какие документы нужны для регистрации ИП?</h2><ul>  <li>Паспорт</li>  <li>ИНН</li>  <li>Заявление Р21001</li></ul><h2>Сколько стоит открыть ИП в 2026 году?</h2><p>Госпошлина составляет 800 рублей…</p>

Приём 2. Добавляйте определения и пояснения

Нейросети ценят чёткие определения ключевых понятий.

html

<p><strong>ИП (индивидуальный предприниматель)</strong> — это физическое лицо, зарегистрированное в установленном законом порядке и осуществляющее предпринимательскую деятельность без образования юридического лица.</p>

Приём 3. Используйте синонимы и связанные понятия

Не зацикливайтесь на одном ключевом слове. Используйте весь семантический спектр.

Вместо 10 раз «регистрация ИП»:

  • «открыть ИП»
  • «оформить предпринимателя»
  • «зарегистрироваться как ИП»
  • «получить статус индивидуального предпринимателя»

Приём 4. Создавайте контент, который отвечает на смежные вопросы

Пользователь, интересующийся регистрацией ИП, вероятно, также хочет знать:

  • Как выбрать систему налогообложения?
  • Нужен ли расчётный счёт?
  • Какие отчёты сдавать?

Осветите эти вопросы в одной статье — и нейросеть оценит полноту ответа.

Приём 5. Используйте списки и таблицы

Структурированная информация легче воспринимается и нейросетями, и людьми.

Будущее NLP в поиске

  1. Генеративный поиск. Вместо списка ссылок — уникальный ответ, сгенерированный AI на основе множества источников.
  2. Понимание эмоций и тональности. Поисковик будет учитывать настроение запроса и подбирать соответствующий тон ответа.
  3. Диалоговый поиск. Пользователь сможет уточнять запрос в диалоге, и поисковик будет помнить контекст.
  4. Персонализация на основе языкового профиля. Поисковик будет адаптировать выдачу под языковые предпочтения пользователя.
  5. Мультиязычный поиск без границ. Запрос на русском — ответ из англоязычных источников в переводе.

Заключение

NLP и нейросети-трансформеры совершили революцию в поиске, сопоставимую с появлением PageRank. Поисковики перестали быть просто «счётчиками ключевых слов» и превратились в системы, понимающие смысл.

Для SEO-специалиста это означает, что старые, манипулятивные подходы больше не работают. Побеждает тот, кто создаёт действительно полезный, глубокий, экспертный контент, отвечающий на реальные вопросы людей. В каком-то смысле NLP сделало SEO честнее — теперь хороший контент действительно побеждает.