Довольный пользователь — лучшее SEO или как Google научился читать мысли аудитории

В 2023–2024 годах в США проходило антимонопольное разбирательство «Министерство юстиции против Google». Для SEO-сообщества это стало неожиданным подарком: в ходе процесса впервые была публично раскрыта внутренняя механика ранжирования — то, о чём Google десятилетиями официально молчал.

Выяснилось, что поиск работает не как единый алгоритм, а как трёхуровневая система оценки. И на каждом уровне — своя логика.

Сначала работают классические алгоритмы — они формируют первичный пул результатов из миллиардов документов. Здесь учитываются привычные сигналы: ссылки, технические параметры, соответствие контента запросу. Это фильтр грубой очистки.

Из первичного пула ИИ-системы — RankBrain, DeepRank и RankEmbed BERT — отбирают 20–30 лучших документов. Здесь алгоритм начинает думать иначе: не «есть ли на странице нужные слова», а «насколько эта страница соответствует намерению пользователя».

Финальный ранжирование производится на основе реального поведения пользователей. Google проводит живые эксперименты: небольшому проценту реальных людей показывают разные варианты выдачи — старые и новые алгоритмы. Их реакция, клики и действия становятся данными для обучения системы.

Конечная цель — постоянное улучшение ранжирования, которое будет соответствовать потребностям пользователей. Не «технически правильная страница», а «страница, после которой человек нашёл то, что искал».

Одна из ключевых систем, о которых стало известно из судебного процесса — Navboost. Это система, которая анализирует реальное поведение пользователей и на основе этих данных корректирует ранжирование.

NavBoost анализирует действия пользователей и их взаимодействия с контентом. В документах Google упоминаются параметры good clicks и bad clicks, а также метрики dwell time (время на сайте) и pogo-sticking (возврат к поиску после неудачного клика).

Простыми словами: если пользователь зашёл на страницу и быстро вернулся в поиск — это «плохой клик». Если остался, прокрутил, перешёл дальше по сайту или вообще перестал искать — «хороший клик». Navboost собирает эти данные в масштабе всех пользователей Chrome за последние 13 месяцев и строит модель: какие страницы реально решают задачи людей, а какие — только притворяются.

Navboost — система ранжирования Google, которая уточняет результаты поиска на основе навигационных взаимодействий пользователей. При создании различных «срезов» данных Navboost учитывает такие факторы, как местоположение и тип устройства.

Важная деталь: Google экспериментировал с удалением Navboost и пришёл к выводу, что результаты ухудшились. Это значит, что пользовательские сигналы — не вспомогательный фактор, а ядро системы. Без них поиск работает хуже.

Окончательный рейтинг, который видит пользователь, — это не результат работы одной системы, а согласованное динамическое равновесие множества конкурирующих алгоритмических подходов. Эта архитектурная сложность — основная защита Google от манипуляций.

Именно поэтому «переиграть» алгоритм через технические манипуляции становится всё сложнее. Система учится на реальных людях — и на реальных людях же проверяет результат.

RankBrain — первый публично подтверждённый элемент машинного обучения в поиске Google, запущенный в 2015 году. Его задача — принимать решения по запросам, с которыми система раньше не встречалась.

Около 15% ежедневных запросов попадают именно в категорию «незнакомых». Вместо жёстких правил RankBrain сопоставляет незнакомый запрос с семантически близкими понятиями и строит прогноз о том, какой результат скорее всего удовлетворит пользователя. Система самообучается по сигналам поведения — если пользователи регулярно возвращаются из результата обратно в поиск, RankBrain учитывает это как отрицательный сигнал для данной страницы.

При тестировании RankBrain Google попросил своих инженеров определить страницы, наиболее подходящие для ранжирования на первом месте. Для этих же целей использовали и RankBrain. Последний оказался умнее инженеров компании и показал на 10% более точные результаты.

Это принципиальный момент. Алгоритм уже точнее, чем человек-эксперт, понимает, какой контент удовлетворит пользователя. И с каждым обновлением — точнее.

Для понимания того, как всё это влияет на позиции, важно разобрать конкретные метрики поведения.

Пользователь перешёл на страницу, провёл время, прочитал материал, перешёл на другие разделы или выполнил целевое действие. В поиск не вернулся. Это сигнал: страница решила задачу.

Пользователь перешёл и быстро вернулся — pogo-sticking. Либо вернулся и кликнул на другой результат. Это сигнал: страница не соответствовала ожиданиям.

Чем дольше пользователь остаётся на странице после перехода из поиска, тем сильнее положительный сигнал. Google оценивает вовлечённость пользователей через время на странице и показатель отказов — оба выступают сигналами удовлетворённости.

Если пользователь перешёл на страницу и больше не вернулся в поиск — это один из самых сильных положительных сигналов. Значит, он нашёл то, что искал.

Если человек быстро находит ответ, долго остаётся на странице и не возвращается в поиск, алгоритм считает, что вы решили его задачу. Это повышает позиции.

Когда SEO-сообщество узнало о векторном поиске и косинусном сходстве — у некоторых специалистов возник соблазн: оптимизировать контент под логику векторных моделей. Заполнить текст семантически близкими словами, подобрать «правильные» сочетания, чтобы максимально соответствовать векторному пространству запроса.

Джон Мюллер из Google прямо сказал, что оптимизация под векторный поиск — это буквально спам ключевыми словами в новой упаковке.

И он прав по той же причине, по которой не работал классический переспам: алгоритм не застывает. Он постоянно учится — и учится именно на пользователях. Если страница хорошо выглядит для ИИ, но пользователи возвращаются из неё в поиск — алгоритм это зафиксирует и поправит.

Оптимизация для векторного поиска может принести больше вреда, чем пользы, если контент уступает по полезности другим доступным вариантам. В противном случае есть риск, что ИИ научится просто игнорировать такой контент.

Всё, что описано выше, скоро усложнится ещё больше. Google начинает применять Personal Intelligence в Gemini и AI Mode. Это означает, что первые результаты поиска будут адаптированы под то, что системы Google знают о конкретном пользователе.

Один и тот же запрос даст разные результаты для разных людей — в зависимости от их истории поиска, предпочтений, местоположения, устройства. Удовлетворённость пользователя становится ещё более персонализированным понятием.

Для SEO это означает: нельзя создать одну «идеальную страницу» для всех. Нужно создавать страницы, которые хорошо отвечают на конкретные намерения — и делать это так, чтобы разные типы пользователей, приходящих с одним запросом, находили нужное.

Структура страницы должна помогать пользователю быстро найти нужное — а не демонстрировать семантическую близость к запросу. Заголовок H2 «Как выбрать подрядчика для разработки сайта» помогает читателю понять, что в этом разделе — именно то. Заголовок «Подрядчик разработка сайт критерии выбора» — это для алгоритма 2012 года.

Хорошая структура работает как содержание книги: человек сканирует, видит нужный раздел, переходит к нему. Нет лишнего времени на поиск — нет раздражения — нет быстрого ухода. Поведенческие сигналы улучшаются автоматически.

Страницы, которые Google устойчиво держит в топе по вашим запросам — это обратная связь от алгоритма: «пользователи выбирают это». Стоит понять, почему. Что там есть, чего нет у вас? Глубина проработки темы? Конкретные цифры? Удобная структура? Визуальный контент? Ответы на вопросы, которые пользователи задают после первого клика?

Задача — не сделать то же самое, а сделать лучше. Если конкурент отвечает на вопрос на 80% — ответьте на 100% и добавьте то, о чём конкурент не подумал.

Яндекс Метрика, Вебвизор, карты кликов — эти инструменты показывают, что пользователи делают на странице. Если Вебвизор регулярно показывает, что люди приходят на страницу услуги, листают до половины и уходят — это не абстрактная проблема «плохого контента». Это конкретный сигнал: что-то в первой половине страницы не даёт ответ на вопрос, с которым пришёл человек.

Работать с поведенческими данными — значит регулярно смотреть на страницы глазами пользователя. Не раз в год при аудите, а как постоянный процесс.

Это не значит «забыть про технику». Техническая основа — скорость, индексируемость, структура URL, микроразметка — по-прежнему важна. Но она создаёт условия, а не результат.

Результат создаёт контент, который реально помогает. Текст, после прочтения которого человек знает больше или может сделать что-то, чего не мог раньше. Страница, на которой легко найти ответ и легко сделать следующий шаг.

Системы Google неустанно трудятся над одной целью — предсказать, какие страницы могут быть полезны для пользователей. Это и есть ваша цель.

• Алгоритмы меняются. То, что работало в 2020 году, может не работать в 2026-м. Каждый крупный апдейт Google сбрасывает позиции сайтов, которые оптимизировались «под алгоритм» — потому что алгоритм стал умнее и перестал покупаться на прежние уловки.

• Пользовательская ценность не устаревает. Страница, которая реально помогает человеку найти ответ — будет работать при любом обновлении алгоритма. Потому что обновления в конечном счёте всегда движутся в одну сторону: к более точному определению «что полезно для пользователя».

• Компания, которая сегодня инвестирует в качество контента и пользовательский опыт — строит актив, который будет работать через пять лет. Компания, которая оптимизирует «под алгоритм» — строит дом на песке.