10.1LLM в рабочих процессах: где помогает, где вредит — объём ограничен проверкой, а не генерацией

Специалист сдаёт за неделю то, на что раньше уходил месяц: две тысячи размеченных запросов, сорок черновиков страниц, аудит на сто восемьдесят пунктов. Владелец доволен ровно до вопроса, что из этого изменило заявки, — и до первого звонка клиента, который пришёл за ценой, которой у компании никогда не было.

Большая языковая модель — нейросеть, обученная на огромных массивах текста, которая понимает запросы и генерирует ответы; дальше — LLM или просто модель. В главе о генеративной выдаче вы оптимизируетесь под машину; здесь машина работает на вас, и вопрос другой: какую часть работы она делает лучше вас, какую хуже, а какую делать не должна, даже если делает быстро.

Ответ не в списке модных применений, а в четырёх признаках задачи, на которых держится вся работа с моделью: что у модели на входе, сколько стоит проверить её результат, много ли однотипной работы и кто отвечает, если результат неверен.

Честная карта: какие SEO-задачи модель делает лучше человека, какие хуже, какие не делает вовсе

Раздел о текущем состоянии моделей, проверено на 25.10.2026; пересматривается раз в квартал.

Карта, которую обычно показывают на конференциях, — список задач с галочками: семантика, тексты, метатеги, аудит, отчёты. Она устаревает с каждой новой версией модели и ничего не говорит о том, где модель ошибётся. Рабочая карта строится не по задачам, а по признакам задачи. Их четыре.

• Есть ли на входе всё нужное для ответа. Модель хорошо работает с тем, что ей дали: выгрузка, расшифровка, список ответов из выдачи, прайс. Чего на входе нет, она достраивает правдоподобным — из среднего по всему, на чём училась. Цены компании, срок выезда, позиции сайта сегодня, частотность запроса на входе обычно отсутствуют, и модель их не знает, а называет.
• Проверяется ли результат дешевле, чем делается. Сводку разговора сверить с расшифровкой — минуты; проверить фразу «согласование не требуется» — консультация юриста. Где проверка дешёвая, модель экономит; где дорогая или где у проверяющего не хватает часов на весь объём, экономия уходит в проверку.
• Много ли однотипных единиц. Тысяча запросов, сто карточек, четыреста строк выгрузки — модель делает это быстрее человека и не устаёт к концу списка. На одной стратегической развилке скорость ничего не даёт.
• Нужно ли решение, за которое кто-то отвечает. Приоритеты в деньгах, риск для домена, что сказать клиенту о падении. Модель готовит варианты, но за выбор не отвечает — и поэтому выбора не делает, даже когда формулирует его уверенно.

По этим признакам задачи SEO раскладываются так.

«Не делает» не значит, что модель откажется. Спросите её о частотности запроса или о том, почему просел сайт, — ответ будет уверенным и связным. Галлюцинации, как сказано в главе о текстовых факторах, — свойство генерации, и сильнее всего они проявляются ровно там, где на входе нет фактов. Модель с доступом к поиску ищет источники для ответа, а не снимает позиции: её поиск не совпадает ни по региону, ни по моменту с тем, что видит ваш клиент.

Масштаб ошибок на фактах показывает внешнее исследование, хоть и не по SEO. В проверке двадцати двух общественных вещателей под руководством EBU и BBC (22.10.2025; более 3 000 ответов четырёх ассистентов на 14 языках) у 45 % ответов о новостях нашлась хотя бы одна существенная проблема, у 20 % — ошибки точности, включая устаревшие сведения. Показатель быстро стареет, но вывод для SEO из него прямой: ассистенты ошибаются даже с источниками под рукой, а там, где источника на входе нет вовсе, полагаться на их факты тем более нельзя.

Граница карты проходит не между простыми и сложными задачами. Модель хорошо пишет скрипт разбора логов — задача для специалиста не простая — и проваливает строку «выезд в день обращения», с которой справится любой оператор. Решает не сложность, а то, есть ли ответ во входных данных. Граница влияния модели проходит по краю её входа.

По типам проектов карта сдвигается. У магазина главная однотипная масса — карточки и категории, и без модели там уже не обойтись; но характеристики товара — факт из фида, и сверяет их скрипт, а не человек чтением. У портала текст и есть продукт, и строка «экспертная часть» занимает большую часть страницы. У сайта услуг масса небольшая, а фактов бизнеса на каждой странице много, поэтому экономия там меньше, чем обещают.

Экономика применения: где реально экономится время, а где создаётся видимость работы

Раздел о текущем состоянии моделей, проверено на 25.10.2026; пересматривается раз в квартал.

Ощущение экономии — плохой измеритель. В рандомизированном исследовании METR (10.07.2025) шестнадцать опытных разработчиков решали 246 задач из своих проектов: с инструментами ИИ они тратили на 19 % больше времени, а после эксперимента считали, что сэкономили около 20 %. Авторы оговаривают, что это срез инструментов начала 2025 года в одной профессии, а в феврале 2026 года написали, что ускорение теперь, вероятно, есть, хотя данные о его размере слабые. Для SEO вывод не «модели замедляют», а другой: ощущение и замер могут расходиться даже знаком, поэтому экономию считают в часах, а не оценивают.

Считать надо всю цепочку. Реальная экономия — время ручной работы минус постановка задачи, генерация, проверка и исправление, и минус ожидаемая цена ошибок, которые проверка пропустит. Постановка — это подготовка данных и промпт. Промпт — текстовый запрос или инструкция для нейросети: задача, контекст, роль, формат ответа, примеры. Что он должен содержать для SEO-задач, разобрано в главе о промптинге для SEO. Генерация стоит минуты; деньги — в остальных слагаемых.

Второе правило: часы разных людей не складываются. Час SEO-специалиста можно купить, час владельца или старшего мастера — нет: их в неделе столько, сколько есть. Задача, которая перекладывает работу с первого на второго, может экономить в сумме и тормозить проект.

Цифры — мои оценки на сайтах услуг; на других проектах они будут свои, направление то же. Экономия реальна там, где выход модели — сырьё для решения человека: разметка, сводка, черновик задания. Она исчезает там, где выход — публикация с фактами: проверка и исправление съедают выигрыш, а часы переезжают к самому занятому человеку в компании.

Видимость работы

Второй эффект опаснее потерянных часов. Когда текст, список и отчёт стоят минуты, их становится больше, и объём начинает выглядеть результатом. Аудит на сто восемьдесят пунктов вместо тридцати, сорок страниц вместо двенадцати, под которые есть спрос, отчёт на двадцать страниц, который никто не дочитывает. Каждый сделан быстро, и каждый требует чьего-то времени на чтение, внедрение или удаление. Это та же ловушка, что с трафиком: трафик ≠ результат, и объём — тоже. Как выглядит аудит на 180 пунктов, по которому из 64 задач закрыли одиннадцать, — в примере из главы о команде и найме.

Дешёвый еженедельный аудит моделью позицию книги не меняет: технический аудит — один раз в порядок и раз в квартал контроль; непрерывное «техническое SEO» на малом сайте — расход. Неверно, когда: сайт большой и меняется разработкой каждую неделю — тогда контроль в процессе.

Мысль, за которую меня не любят коллеги по рынку: большая часть экономии от моделей на рынке ушла не в качество, а в объём, и клиент теперь платит за чтение того, что не нужно было писать. Проверка на своём проекте простая — спросить подрядчика, что из сделанного с моделью за квартал изменило заявки и что он перестал делать вручную.

Пример: шестикратная экономия на звонках

Один из клиентов — сервис ремонта посудомоечных машин, шесть мастеров, Москва. Задача — собрать вопросы клиентов для страниц услуг. Записи звонков хранятся полгода — около 1 300 штук. Вручную это значило прослушать их: три-четыре минуты на звонок, 70–80 часов, — и этого никто ни разу не делал. Записи расшифровали автоматически, имена и телефоны вырезали до передачи модели. Модель разметила каждый звонок по марке, неисправности, вопросу и причине отказа. Специалист проверил выборку из ста звонков: шесть ошибок разметки, ни одна не меняла верх списка. Всего около двенадцати часов вместе с постановкой.

Верх списка оказался не тем, что стояло на страницах: «сколько стоит диагностика, если ремонт не делать», «чините ли встраиваемые», «что делать, если машина не сливает воду прямо сейчас». Ответы на эти три вопроса подняли на страницах выше всего остального; доля звонков, которые заканчивались вопросом о цене диагностики без записи на выезд, за три месяца снизилась с 22 до 13 %. Экономия — шесть раз по часам, и проверка не задела ничьих дефицитных часов.

Что нельзя отдавать модели ни при каких условиях

«Ни при каких условиях» звучит как перестраховка: модели становятся лучше, им можно дать прайс и документы. Но запрет здесь не о качестве модели, а об ответственности. Есть утверждения, за которые отвечает тот, кто их публикует, и это не меняется оттого, насколько хорошо модель пишет.

Позиция книги, как в главе о текстовых факторах: ИИ-контент — наступившее будущее. Допустим. Модели отдаются структура, черновик, варианты, справочная часть, расшифровки; не отдаются экспертная часть, цены, факты о бизнесе, кейсы, юридически значимые формулировки — за них отвечает тот, кто публикует. Поиск режет не ИИ-текст как таковой, а текст без ответа на интент и без автора; ИИ-текст без правки — такой текст почти всегда. Неверно, когда: страница конкурирует экспертизой (медицина, право, сложные услуги) — там черновик модели не публикуется без эксперта по имени.

«Не отдаётся» не значит «модель не трогает». Модель не источник этих утверждений, и её результат не финальный: она может разложить блок по структуре, подготовить вопросы эксперту, подставить цифру из данного ей прайса, — но утверждение попадает на страницу только после подписи человека, который за него отвечает. Таких классов утверждений четыре.

• Экспертная часть. Как на самом деле делают работу, что идёт не так, какой подход лучше в вашем случае. Если эксперта по имени нет, экспертный блок не пишется вовсе: страница остаётся справочной, и это честнее, чем подпись «редакция» под пересказом. Подписывает мастер, технолог, врач — тот, кто делает это руками. Модели можно отдать вопросы к нему: что спросить у мастера, чтобы блок о сроках был полным, — с этим она справляется хорошо.
• Цены и факты о бизнесе. Цены, сроки, зона выезда, гарантия, состав услуг, чего компания не делает, кейсы. Если этих данных нет на входе, модель не оставляет пробел, а заполняет его правдоподобным. Если они есть, она всё равно может смешать прайс с тем, что видела при обучении. Подписывает владелец. Во что обходится обратное, показывает разбор ста шестидесяти страниц в главе о провалах.
• Юридически значимые формулировки. Гарантии, условия оплаты и возврата, сроки как обещание, «без предоплаты», «фиксированная цена в договоре», «согласование не требуется». Это уже не текст, а обязательство: закон о защите прав потребителей требует от исполнителя достоверной информации об услуге (ст. 10) и возлагает на него ответственность за ненадлежащую (ст. 12). Это не юридическая консультация, подробно — в книге «Всё о праве»; для процесса достаточно правила: каждую такую формулировку подписывает владелец, а при сомнении — юрист.
• Медицинские утверждения и утверждения о здоровье. Для клиники это очевидно, для услуг — нет: «средство безопасно для детей и животных» на странице химчистки мебели, «устраняет аллергены», «без вреда для здоровья». Модель вставляет такие фразы охотно — они есть у конкурентов. Подписать их может только тот, кто подтвердит их документом: сертификатом средства, протоколом испытаний, врачом по имени.

Ответственность делится так. SEO отвечает за то, чтобы эти четыре класса были помечены в задании и не прошли без подписи. Владелец отвечает за цены, факты и обязательства, эксперт — за экспертную часть, юрист — там, где сомневается владелец. Модель не отвечает ни за что; поэтому запрет и не ослабевает, когда она становится лучше.

Подпись — не разовое событие. Цена, сорок раз пересказанная моделью на сорока страницах, при смене прайса превращается в сорок мест, где её надо найти и исправить, и одно из них обязательно пропустят. Поэтому чем больше страниц, тем важнее, чтобы факты жили в одной таблице и подставлялись из неё, а владелец переподписывал таблицу, а не страницы. Дата последней подписи — в журнале (последний раздел главы): страница, у которой факты не подписывались больше квартала, уходит на сверку первой.

Отдельно — примеры работ и отзывы. Модель охотно пишет «пример из практики» с адресом и суммой и «отзыв довольного клиента», потому что они есть на страницах конкурентов. Выдуманный кейс или отзыв — это уже не черновик, а запись, выданная за настоящую. Его не подписывает никто, и в задании модели такие блоки остаются пустыми, с пометкой «дать владельцу».

Типичная ошибка — «дадим модели прайс, и всё будет верно». Если цифру нужно перенести из прайса на страницу, это задача для шаблона или скрипта, который вставляет значение из таблицы и не может его исказить. Модель, которой дали прайс, пересказывает его, и проверять её всё равно придётся по прайсу — то есть делать работу дважды.

Проверка результата: как устроен контроль качества, если объём вырос в десять раз

Раздел о текущем состоянии моделей, проверено на 25.10.2026; пересматривается раз в квартал.

Компания по демонтажу перегородок и проёмов, три бригады, Москва. Специалист подрядчика за день сгенерировал сорок страниц «демонтаж [материал] в [тип дома]»: кирпич, бетон, гипсокартон, пеноблок, панельные и монолитные дома. Раньше компания публиковала по четыре страницы в месяц — объём вырос в десять раз за один день. На проверке выяснилось, что модель заполнила пробелы сама: цены за квадратный метр — средние по рынку, а не по прайсу; алмазная резка, которой у компании нет; вывоз мусора «включён в стоимость», хотя считается отдельно; на половине страниц — фраза о том, что демонтаж ненесущих перегородок согласования не требует. Юрист, которого позвал владелец, снял её: снос перегородки — перепланировка, её согласуют; от дома и проекта зависит порядок, а не сам вопрос.

Проверять пришлось прорабу — единственному, кто знает и цены, и технологию: по сорок минут на страницу, двадцать семь часов за три недели в разгар сезона. Потом специалист правил, прораб перечитывал. Затем по выдаче оказалось, что спрос есть у двенадцати сочетаний из сорока; остальные двадцать восемь страниц через два месяца склеили с основными. Итог — около девяноста часов, из них почти тридцать часов прораба. Двенадцать страниц по порядку из главы о текстовых факторах — разговор с прорабом, черновик по расшифровке, правка, подпись, час прораба на страницу — стоили бы около пятидесяти часов, из них двенадцать часов прораба. С моделью работа обошлась почти вдвое дороже ручной, а в часах прораба — в два с половиной раза: дороже всего — в часах человека, которого не наймёшь на время. Решение владельца: страницы с фактами пишутся только от разговора с прорабом, модель получает расшифровку, а не тему, а партия в месяц — столько страниц, сколько прораб успевает подписать.

Правило, которое из этого следует: объём публикации ограничен не скоростью генерации, а пропускной способностью проверки. Генерация масштабируется почти бесплатно, проверка — нет: её делают люди с конечным временем. Поэтому контроль строится не как «прочитать всё», а слоями, от дешёвого к дорогому.

Три слоя

• Машинная сверка — всё, что сравнивается с таблицей. Сверку чисел, услуг и обещаний из главы о текстовых факторах при таком объёме делает скрипт, а не человек: он сравнивает страницу с таблицей фактов и ищет слова, которые без подписи не публикуются, — «гарантия», «бесплатно», «в день обращения», «безопасно», «без согласования». Скрипт, а не модель: он не устаёт и не пересказывает. Каждая находка уходит человеку. Модель полезна здесь иначе: она выписывает из текста все числа, обещания и названия услуг списком, и владелец сверяет с прайсом список, а не читает страницу, — десять-пятнадцать минут вместо сорока.
• Полная проверка критичного. Четыре класса утверждений из предыдущего раздела проверяются на каждой странице, без выборки, тем, кто за них подписывается.
• Выборочное чтение остального. Отвечает ли страница на интент, не съехала ли структура, не стали ли страницы одинаковыми. Выборка здесь уместна: ошибка терпима и исправима.

Что доказывает выборка

Десять случайных страниц и три вопроса к каждой, как в главе о провалах, — хороший фильтр грубого брака: ошибки на нескольких страницах из десяти — партия возвращается целиком. Но чистая выборка доказывает меньше, чем кажется. Если в n случайных страницах ошибок нет, с уверенностью 95 % можно сказать только, что доля ошибок в партии ниже примерно 3/n — это статистическое «правило трёх». Десять чистых страниц — ниже 30 %, тридцать — ниже 10 %, сто — ниже 3 %. Выборка годится там, где ошибка терпима, и не годится там, где она недопустима: цену и обещание проверяют сверкой и подписью на каждой странице.

Кто проверяет и сколько это стоит

Проверяет не тот, кто генерировал: человек, который ставил задачу, читает результат как свой и пропускает то же, что модель. SEO проверяет интент, структуру и однородность; владелец и эксперт — факты; скрипт сверки пишет разработчик или сам специалист, один раз на проект. Проверка модели другой моделью находит часть ошибок формы, но не факты: у обеих на входе нет того, чего нет в прайсе. Детектор ИИ-текста в контроль не входит по той же причине, что в главе о текстовых факторах; приёмка чтением как часть процесса — в главе о команде.

Бюджет проверки считают до генерации: сколько минут владельца и эксперта уйдёт на страницу и сколько их часов есть в месяце. Партия не больше этого. Если проверка страницы стоит дороже, чем написать её по порядку — с разговором и подписью, — модель на этой задаче не нужна. Как при большом объёме не получить сто одинаковых страниц, — в главе о семантике и контенте с LLM.

Риск деградации: почему специалист, отдавший модели мышление, перестаёт расти

Через год работы с моделью у двух специалистов одинаковые отчёты и разный опыт. Первый на каждую просадку сначала записывал свою гипотезу, потом сверял с тем, что предложила модель, и отмечал, кто оказался прав. Второй сразу спрашивал модель и пересылал ответ. У первого — база наблюдений, у второго — архив чужих ответов.

Навык в SEO растёт из цикла «гипотеза → действие → результат → вывод», которому посвящена глава о тестировании. Модель вырезает первое звено: гипотеза появляется готовой и правдоподобной, сверять её не с чем, и ошибка модели не становится своим опытом, потому что своей гипотезы не было. Внешние данные с этим согласуются. В опросе Microsoft Research и Университета Карнеги — Меллона (CHI 2025; 319 специалистов, работающих с генеративным ИИ еженедельно) уверенность в ИИ была связана с меньшими усилиями на критическое мышление, а уверенность в собственных силах — с большими. Это опрос о самооценке, а не замер навыка, — по шкале главы об утечках и заявлениях уровень «вывод», не «факт»; но направление совпадает с тем, что я вижу в командах.

Признаки видны снаружи. Специалист не может объяснить, почему кластер разбит так, а не иначе: «так разметила модель». На вопрос «почему упало» отвечает формулировкой, а не данными. Перестаёт говорить «не знаю, вот как проверить» — у модели ответ есть всегда. Больше всех рискует младший: он пропускает ровно тот этап, на котором навык появляется, и через два года у него опыт работы с моделью, а не с поиском.

Делать нужно не запрет, а разделение задач. Операции — разметку, сводки, черновики, скрипты — отдавать модели сразу. Диагностику и приоритеты — сначала своей гипотезой, записанной до вопроса модели, потом сверка, расхождения — в журнал. Младшему специалисту первые полгода решать диагностические задачи без модели, с разбором у старшего. Раз в квартал одну задачу, которую обычно делает модель, делать вручную: так помнишь, как она устроена, и замечаешь, когда модель начала ошибаться. Руководителю для контроля хватает одного вопроса на разборе: какой была твоя гипотеза до модели. Как на собеседовании отличить опыт от умения задавать вопросы модели — в главе о команде и найме.

Обратная крайность — отказаться от модели из принципа — тоже не рост. Разметку, которую модель делает за час, такой специалист делает за день, и времени на мышление у него остаётся меньше, а не больше. Деградирует не тот, кто пользуется моделью, а тот, кто перестал проверять её своей головой.

Как встроить в процесс команды

Раздел о текущем состоянии моделей, проверено на 25.10.2026; пересматривается раз в квартал.

В большинстве команд модель встроилась сама: каждый пользуется своей, со своими промптами, и никто не знает, какие страницы сайта прошли через неё. Это работает, пока не просядет партия страниц и не придётся выяснять, что с ними было. Регламент SEO-команды умещается в шесть пунктов.

1. Карта задач команды. Таблица из первого раздела, переписанная под свой проект: что отдаётся модели сразу, что с проверкой, что не отдаётся. Пересматривается раз в квартал.
2. Подписи. Для каждого из четырёх классов утверждений — имя того, кто подписывает. Не «команда», а человек.
3. Данные. Персональные данные — любая информация, по которой можно определить человека: имя, телефон, почта, адрес, а в ряде случаев — идентификаторы и данные аналитики. Персональные данные заявителей внешней модели не отдаются — только обезличенные; доступы, договоры и данные клиента — только с его письменного согласия. Обезличивание — удаление из данных всего, по чему можно определить человека, — имён, телефонов, адресов, номеров заказов, — перед тем как отдать их внешнему сервису или модели. Делается до передачи, а не просьбой в промпте. Передача персональных данных иностранному сервису — трансграничная, и обязанности по ней лежат на клиенте как операторе; что это значит для подрядчика — в главе об агентах и рисках, подробно — в книге «Всё о праве».
4. Промпты как документы. Общие, с датой и моделью, на которой проверены, а не в личных чатах. Как промпты стареют при обновлении модели и как это ловить — в главе о промптинге; готовые промпты — в библиотеке промптов (П3).
5. Журнал. Какие страницы, когда, какой моделью и по какому промпту сделаны и кто их подписал. Без него разбор просадки партии превращается в гадание; журнал изменений — из главы о тестировании.
6. Замер. Раз в квартал две-три задачи пересчитывают в часах по цепочке из раздела об экономике: сколько часов и чьих, а не «стало быстрее».

Роли, подчинение и найм разобраны в главе о команде и найме; отсюда к ним добавляется одно правило: у модели нет своей роли в команде. У каждого её результата есть человек, который его принял, и спрашивают с него.

Мифы

• «Модель заменит SEO-специалиста». Она заменяет операции: разметку, сводки, черновики, скрипты. Найти обрыв, расставить приоритеты в деньгах и ответить за решение она не может, и спрос сместился именно туда. Специалиста, который делал только операции, заменит не модель, а коллега, который делает то же с моделью и ещё проверяет.
• «Чем больше сгенерировали, тем больше трафика». Страницы без спроса трафика не получают, сколько бы их ни было, а поисковые системы исключают их как малоценные: в примере из главы о провалах так ушли семьдесят страниц из ста шестидесяти. Объём ограничен спросом и проверкой.
• «Текст надо „очеловечить“, чтобы поиск не распознал модель». Сервисы «очеловечивания» меняют форму — порядок слов, длину предложений — и оставляют выдуманную цену на месте. Поиск режет текст без ответа на интент и без автора, клиент — неверный факт. Деньги на «очеловечивание» лучше потратить на час владельца.
• «Хороший промпт решает проблему фактов». Промпт улучшает форму и полноту ответа. Факта, которого нет на входе, он не создаст — только сделает выдумку убедительнее.
• «С моделью всё делается быстрее». Быстрее делается генерация. Постановка, проверка и исправление остаются, а ощущение экономии с замером расходится, иногда со знаком наоборот. Экономию считают в часах и по людям.
• «Если текст проверила другая модель, он проверен». Вторая модель ловит часть ошибок формы и не знает ваших цен так же, как первая. Факт проверяется по источнику — прайсу, договору, мастеру.

Что запомнить

Модель ускоряет работу, за которую отвечает человек; объём ограничен проверкой, а не генерацией. Перед тем как отдать задачу модели — те же четыре признака, что в начале главы, по порядку.

Если после всех четырёх ответов непонятно, как узнать, что сработало, — в часах и в заявках, — это видимость работы, и её не начинают.

По задачам эта карта разворачивается дальше — в главе о промптинге для SEO и в главе о семантике, структуре и контенте с LLM.