Генерация «умных» аудитов с помощью ИИ в ближайшее время станет совершенно обыденной вещью. Особенно со стороны специалистов, которые не находятся внутри проекта.
И это, как мне кажется, станет отдельной проблемой для владельцев бизнеса, руководителей, маркетологов, SEO-специалистов — в общем, для всех, кому по работе придётся эти аудиты читать и разбирать.
Если говорить про SEO, то подобная проблема существовала и раньше.
Давно есть сервисы, которые анализируют сайт и по определённому шаблону составляют отчёт. Они находят технические проблемы, которые можно проверить скриптом, смотрят показатели текстов, длину метатегов, дубли, ошибки индексации и десятки других параметров.
Дальше всё довольно просто: есть некое «рекомендованное значение», и всё, что в него не вписывается, автоматически становится проблемой.
Такой аудит прикладывался к коммерческому предложению и практически на любом сайте позволял показать, что «всё плохо».
Потому что сервис не понимает контекст.
Он не знает, почему что-то сделано именно так.
Не знает, было ли это осознанным решением.
Не понимает приоритетность проблемы.
Не знает ограничений CMS, бизнеса, разработки, бюджета и вообще истории проекта.
В итоге Title длиннее рекомендованного — ошибка.
Не заполнен keywords — ошибка.
Нашлось несколько дублей метатегов на сайте из 1000 страниц — красный цвет, восклицательный знак и желательно подпись «критично».
Думаю, любой человек, который когда-либо отвечал за сайт, видел подобные аудиты.
А SEO-специалисту после этого ещё приходилось объяснять заказчику, почему половина «ошибок» вообще не является ошибками, а другая половина не стоит времени, которое предлагают потратить на её исправление.
Теперь всё становится интереснее.
Сегодня такой аудит можно сгенерировать с помощью нейросети.
Причём даже без доступа к каким-либо внутренним данным он может получиться длинным, структурированным и очень правдоподобным.
Попробуйте скормить любую страницу сайта нейросети и попросить провести подробный SEO-аудит. Скорее всего, через минуту у вас будет несколько экранов вполне убедительных рекомендаций.
А если подключить Метрику, Вебмастер, позиции, данные по трафику, конверсиям и ещё пару источников — отчёт начинает выглядеть уже совсем профессионально.
Появляются цифры, графики, проценты, корреляции, «точки роста».
А вместе с ними возникает ощущение точности.
И вот здесь начинается главная проблема.
Если человек не умеет отличать реальный анализ от красиво оформленной генерации, очень легко поверить в профессионализм автора такого аудита.
Потратить несколько часов на его чтение.
Потом ещё несколько часов — на обсуждение.
А специалисту, который работает с проектом, придётся отдельно разбирать десятки рекомендаций и объяснять, почему часть из них уже тестировалась, часть неприменима, часть не имеет смысла именно для этого бизнеса, а часть технически правильная, но по влиянию находится где-то на 87-м месте в списке приоритетов.
То есть ИИ не только экономит время тому, кто делает аудит.
Иногда он создаёт много дополнительной работы всем остальным.
И здесь есть ещё более неприятная сторона.
Хороший аудит — это вообще не список ошибок.
Чтобы действительно разобраться в проекте, нужно понять, как он зарабатывает деньги, откуда приходит трафик, какие страницы для него важны, какие работы уже проводились, что тестировали раньше, какие есть ограничения, кто конкуренты и почему текущая стратегия выглядит именно так.
Нужно разговаривать с людьми.
Смотреть историю.
Разбираться в причинах.
Иногда рекомендацией хорошего специалиста после нескольких часов анализа может быть: «Здесь ничего менять не надо».
Нейросети так не скажет.
Особенно если человек сам приходит к ней с задачей: «Найди проблемы».
Она проблемы найдёт.
Десять.
Пятьдесят.
Сто.
И красиво объяснит, почему каждая из них важна.
Меня больше беспокоит даже не развитие самих нейросетей, а то, как быстро к этому привыкают специалисты.
Вместо погружения в проект можно загрузить данные в ИИ, получить несколько десятков умных тезисов, добавить слова «семантическая релевантность», «поведенческие паттерны», «контентные разрывы», «кластеризация интента» — и почувствовать себя человеком, который провёл глубокое исследование.
Хотя по факту ты просто очень быстро произвёл много текста.
И самое грустное — с такими отчётами потом приходится работать другим людям.
Читать их.
Проверять.
Доказывать, что рекомендация не имеет смысла.
Объяснять контекст человеку, который должен был изучить этот контекст до того, как давать рекомендации.
Я не против использования ИИ для аудитов. Это отличный инструмент для анализа больших объёмов данных, поиска аномалий, проверки гипотез и ускорения рутинной работы.
Но есть большая разница между:
«ИИ помог специалисту разобраться в проекте»
и
«ИИ написал аудит вместо специалиста».
Думаю, в ближайшие годы ценность будет не в способности сделать аудит — сделать его сможет практически любой.
Ценность будет в способности понять, какие из сотни найденных проблем действительно имеют значение для конкретного проекта, почему они возникли и что из этого вообще стоит делать.
Текста станет больше.
Отчётов станет больше.
«Экспертных» рекомендаций станет больше.
А вот людей, которые умеют по настоящему погрузиться в проект больше не станет.
