О проекте
1skin.ru — официальный сайт «Клиники медицины кожи», расположенной в Санкт-Петербурге. Клиника специализируется на эстетической медицине, трихологии, дерматологии, косметологии и предлагает широкий спектр услуг.
Клиника косметологии из Санкт-Петербурга обратилась во второй половине 2024 года с нестандартной задачей: сайт занимает хорошие позиции в органической выдаче, но Яндекс Нейро и Google AI Overview полностью игнорируют бренд при ответах на вопросы пользователей.
При запросах типа «какую клинику косметологии рекомендуешь в СПб» ИИ-помощники либо давали общие советы, либо упоминали конкурентов. Требовалось провести Answer Engine Optimization — адаптировать контент и техническую базу под алгоритмы LLM-моделей, чтобы клиника стала видимой в новом канале AI-трафика.
Проблема: отсутствие в нейроответах
По 11 приоритетным запросам медицинской тематики сайт отсутствовал во всех AI-ответах:
- Яндекс Алиса: 0 позиций из 11 запросов
- Google AI Overview: 0 появлений в генеративных сниппетах
- Упоминание бренда: 0% в ответах ИИ-помощников
Проверяли запросы: «какую клинику косметологии рекомендуешь в Санкт-Петербурге», «дерматолог в санкт-петербурге», «трихолог санкт-петербург», «лечение выпадения волос в санкт-петербурге», «лазерное омоложение лица санкт-петербург».
ИИ-помощники либо давали общие рекомендации, либо упоминали конкурентов. Сайт не воспринимался LLM-моделями как авторитетный источник.
Пример приоритетных запросов:
Что мы сделали
Техническая база: llms.txt для AI-ботов
Первая проблема оказалась на уровне доступа — сайт не давал явных разрешений на сканирование AI-ботами. Создали файл llms.txt в корне сайта, который разрешает индексацию LLM-моделям, указывает приоритетные разделы и правила использования контента. Без этого шага модели игнорируют сайт при формировании ответов.
Семантика под вопросные запросы
LLM-модели работают с вопросами, а не с транзакционными запросами. Собрали question-based ядро через AnswerThePublic и «Люди также спрашивают», выгрузили Long Tail с вопросительными конструкциями, сгруппировали по интенту.
Внедрили сущности: названия процедур, бренды оборудования, географию, проблемы пациентов и решения. Добавили LLM-сигналы — фразы типа «по данным исследований», «эксперты рекомендуют», «доказанная эффективность». Это повышает вероятность цитирования контента моделями.
Контент: структура под AI-parsability
Нейросети лучше парсят чёткую структуру с прямыми ответами. Прогнали ключевые страницы через GPT-4 и Claude, выявили проблемные зоны: размытые формулировки, избыточную воду, отсутствие конкретики.
Разработали контент-план с циклом обновлений каждые 2-3 месяца. Подготовили ТЗ на тексты с фокусом на структуру «вопрос → прямой ответ → пояснение», использование списков и выделение ключевых фактов в отдельные абзацы.
Внедрили FAQ и HowTo-блоки с микроразметкой Schema.org на страницы услуг. Это прямой сигнал для ИИ, что контент — ответ на вопрос. Проработали тематические кластеры: центральные страницы по темам с ответвлениями на детальные материалы, внутренняя перелинковка с якорями-вопросами.
Усилили E-E-A-T: добавили профили врачей с образованием и сертификатами, портфолио с результатами процедур, научные публикации специалистов, лицензии и сертификаты на оборудование. Для медицинской тематики это критично.
Полученные результаты
Через 6 месяцев системной работы клиника вошла в топ AI-рекомендаций по приоритетным запросам.
- Яндекс Алиса: 6 из 11 запросов в топ-5 нейроответов. Позиции №1 и №2 по высококонкурентным запросам «какую клинику косметологии рекомендуешь в Санкт-Петербурге» и «лазерное омоложение лица санкт-петербург».
- Google AI Overview: 4 из 11 запросов появились в генеративных сниппетах на позициях №2 и №4.
- AI Citations: рост с 0 до 745 цитирований в генеративных ответах различных AI-платформ. 141 страница проиндексирована для использования в AI-ответах.
- Влияние на бизнес: брендовые запросы +34%, прямой трафик +28%, конверсия в запись у посетителей из AI-рекомендаций на 12% выше, чем из классической органики.
Продолжение работы
Проект в активной фазе. Продолжаем оптимизацию контента под AEO, обновляем материалы с добавлением структурированных блоков и LLM-сигналов, создаём экспертные статьи с прямыми ответами.
Проводим ежемесячный анализ AI-parsability через разные LLM-модели, корректируем формулировки для улучшения восприятия нейросетями, тестируем разные структуры подачи информации.
Цель на следующие 6 месяцев — увеличить долю запросов с появлением в AI-ответах до 70-80%, закрепить бренд как основной экспертный источник для LLM в нише косметологии Санкт-Петербурга, масштабировать подход на региональные запросы.
Заключение
Answer Engine Optimization — уже не эксперимент, а необходимость для бизнеса, который хочет оставаться видимым в новой реальности AI-поиска. Ключевые инсайты из 6-месячной работы над медицинским проектом показывают: классические SEO-подходы не работают с LLM-моделями. Требуется системная перестройка технической базы, семантики и контентной стратегии.
Чек-лист критических элементов AEO:
- Техническая база: llms.txt в корне сайта — без этого модели не индексируют контент
- Семантика: question-based ядро вместо транзакционных запросов
- Структура контента: формат «вопрос → прямой ответ → детали» с явной разметкой
- E-E-A-T сигналы: экспертные профили, портфолио, сертификаты — особенно для YMYL-ниш
- Свежесть материалов: цикл обновлений каждые 2-3 месяца для поддержания индексации
- Измеримость: первые результаты через 4-6 недель, полноценный эффект через 6 месяцев
Практика показывает: объём текста вторичен, приоритет — структура и AI-parsability. ИИ лучше парсит короткие чёткие ответы с маркированными списками и выделенными фактами, чем SEO-полотна на 10 000 знаков. LLM-сигналы («по данным исследований», «эксперты рекомендуют») увеличивают вероятность цитирования в 2-3 раза. Если ваш сайт зависит от поискового трафика — начинайте адаптацию под AI-поиск сейчас, пока конкуренты ещё не освоили этот канал.
свяжется с вами в течение 30 минут
