Генератор трафика: как наш AI-конвейер дал трехкратный рост органики и позиций для магазина генераторов

Задача, контекст

Компания «Энергоснабжение» (www.tsk–energo.ru) позиционируется как поставщик промышленного и бытового энергетического, а также строительного оборудования. Основу ассортимента составляют дизельные, бензиновые, газовые и инверторные генераторы, включая электростанции большой мощности.

Проект имеет мультирегиональную структуру с поддоменами и физическим присутствием складов и представительств в ряде городов России. Это позволяет осуществлять оперативные поставки и закрывать потребности как B2B–сектора (промышленные объекты, строительные площадки), так и розничной B2C–аудитории. Перед нами стояла задача по увеличению общего коммерческого трафика. 

1. Проблематика ниши и постановка задачи

1.1. Агрессивная конкурентная среда

Ниша энергетического оборудования исторически консервативна: верхние строчки выдачи держали крупные федеральные сети и узкоспециализированные дилеры. Затем пришли маркетплейсы – Ozon, Яндекс.Маркет, Wildberries – и классифайды вроде Авито. По высокочастотным запросам они заняли ТОП за счёт поведенческих факторов и несопоставимо большего ассортимента. Бороться с ними в лоб практически бессмысленно.

1.2. Масштаб каталога и времязатраты

Ревизия каталога обнажила масштаб проблемы: более 800 тематических разделов и около 2 тысяч товарных карточек существовали без какого‑либо контента. Закрыть этот объём классическим способом (силами профильных копирайтеров) означало не только значительный бюджет, но и сотни часов менеджмента: составление ТЗ, проверка фактологии, вычитка, публикация.

Всего на каждом из 180 поддоменов находится 25 тысяч страниц:

1.3. Проблема качества машинного контента

Ранее в SEO–индустрии проблема массового наполнения решалась использованием жестких текстовых шаблонов с подстановкой переменных (названий товаров и их характеристик). Итогом таких работ становился нечитаемый спам–текст, который негативно сказывался на конверсии и поведенческих метриках, не принося пользы потенциальному покупателю. 

Использование такого подхода на тысячах страниц несло колоссальный риск пессимизации всего домена и наложения фильтров за переоптимизацию – например, алгоритмом «Баден‑Баден» от Яндекса. 

1.4. Цель проекта

Кратное увеличение видимости и органического трафика за счет проработки контента и создания качественного текстового контента. Главная задача – сформировать автоматизированный конвейер, способный обойти агрегаторы в средне– и низкочастотных сегментах поискового спроса за счет глубокой проработки интента и экспертности описаний, которую универсальные маркетплейсы обеспечить не могут.

Специфика продвижения проекта заключалась в отсутствии информационного раздела или блога. Задачей являлось привлечение целевых пользователей, конвертируемых в продажи сложного оборудования. Весь сгенерированный нейросетью массив данных направлялся строго на коммерческие посадочные страницы.

Решение:

На ранних этапах (до активной фазы кейса) продвижение проекта строилось на классических методах SEO. Данный подход показывал стабильные, но медленные результаты с высокой инертностью. В нише продажи сложного технического оборудования покупателю требуется точная информация о товаре.

Чтобы закрыть эти потребности в масштабах всего сайта и кратно увеличить долю рынка, мы решили полностью отказаться от ручного написания текстов в пользу нейросетей.

Реализованный подход должен был опровергнуть стереотип о низком качестве массовой AI–генерации: вместо бессмысленного «ИИ–слопа» (низкокачественный нейросетевой контент) мы хотели получить экспертные, фактологически точные тексты, практически неотличимые от работы специалиста.

2. Реализация стратегии

2.1. Подготовительный этап

Масштабное внедрение ИИ‑контента стартовало в 2025 году, однако заливать тысячи новых страниц на неподготовленный домен было слишком рискованно. Поэтому весь предыдущий 2024 год мы посвятили заложению базы: провели комплексный SEO‑аудит, устранили ошибки кода, выстроили корректную вложенность структуры каталога и подготовили сайт к быстрому наполнению.

Именно на этом подготовительном этапе мы впервые применили нестандартный подход, делегировав часть рутинного аудита нейросетям. Особенность современных языковых моделей (LLM) заключается в том, что их поисковые краулеры непрерывно обходят сеть, формируя колоссальные графы знаний. Как оказалось, ИИ уже обладал историческими данными и глубоким пониманием архитектуры нашего домена.

Опираясь на эти внутренние знания, алгоритмы буквально за секунды находили аномалии в характеристиках товаров (например, ошибочно указанную мощность бытового генератора в 325 тысяч кВт, подходящий к показателям ГЭС/АЭС).

С наступлением 2025 года технические доработки сайта были успешно завершены. На повестке дня встала главная задача – массовая потоковая проработка контента для разделов и пустых товарных карточек, которые ранее не продвигались.

2.2. Ограничения веб–интерфейсов

На рубеже 2024 и 2025 годов на рынке уже сформировался устойчивый тренд на использование искусственного интеллекта для написания текстов. Большинство SEO–специалистов использовали ИИ стандартным образом – открывали окно нейросети в браузере, отправляли запрос, ждали ответ, а затем вручную копировали полученный текст в CMS. Также для генерации корректного текста практически необходима платная подписка со строго выделенными суточными и недельными лимитами:

Безусловно, даже такой ручной подход в интерфейсе чата уже позволял экономить бюджет на биржах копирайтинга и ускорял процесс. Однако для масштабов каталога tsk–energo.ru этот метод оставался слишком медленным и неэффективным.

Чтобы получить ощутимый прирост трафика в разумные сроки, требовался принципиально иной масштаб. Команда пришла к выводу: необходимо полностью исключить человеческий фактор из цепочки «запрос – генерация – публикация» и создать собственный программный инструмент для автоматического потокового производства контента.

2.3. Создание собственного инструмента генерации

В рамках эксперимента было принято решение разработать собственное программное обеспечение для автоматизации процесса. Поскольку SEO‑специалист не обладал навыками программирования, написанием кода также занималась нейросеть.

Применялся метод «вайбкодинга» – разработка через текстовые запросы к ИИ без погружения в программирование: модель генерирует участки кода, специалист тестирует и направляет следующий запрос. Результатом стала готовая десктопная программа с графическим интерфейсом, заточенная под потоковую генерацию контента.

Параллельно процессу «разработки» тестировались различные LLM: Claude Sonnet, Gemini, GPT, Sonar и Deepseek. Наиболее высокие результаты по качеству слога и структуре показала модель Anthropic Sonnet. Однако для масштабов каталога из тысяч страниц экономически сообразным оказалось использование Gemini Flash. 

При глубокой настройке промптов результаты Gemini Flash лишь незначительно уступали лидеру, при этом стоимость генерации падала в разы. В течение года модель Flash обновилась до третьей версии, что сделало итоговый контент практически сопоставимым по качеству с более дорогими аналогами.

Итоговое приложение было «написано» за 15 часов интенсивной работы:

Функционал и логика работы созданной программы:

• Вводные данные: приложение получает на вход Excel‑таблицу с кластеризованным семантическим ядром, где данные разбиты на разделы и посадочные страницы с указанием частотности каждого запроса.

• Пользовательская настройка: в интерфейсе задается требуемый объем итогового текста в символах и его тип (информационный или коммерческий).

• Потоковая генерация: программа обращается по API к выбранной языковой модели и массово генерирует тексты описаний, а также мета‑теги.

• Подсчет токенов: встроенный счетчик автоматически подсчитывает расходы и выводит итоговую стоимость выполнения задачи в реальном времени.

• Борьба с «галлюцинациями»: промпт жестко ограничивал креативность модели. ИИ запрещалось придумывать несуществующие преимущества (например, абстрактное «премиальное качество»). Модель была обязана оперировать строго переданными ей атрибутами, что полностью исключило фактические ошибки и сделало контент безопасным. 

• Экспорт в чистом HTML: готовый материал отдается без лишней разметки в формате HTML. Использование только разрешенных тегов обеспечивает корректную интерпретацию контента поисковыми роботами при последующем импорте в базу данных сайта.

2.4. Промпты

Ключевым фактором успеха стал многоуровневый системный промпт, жестко регламентирующий работу языковой модели. Запрос формировался таким образом, чтобы контент был неотличим от работы профильного инженера‑копирайтера. Промпт учитывал следующие параметры:

• Естественная интеграция ключей: строгий запрет на прямое вхождение коммерческих запросов в неестественном виде. Модель обязана менять падежи, числа, время глаголов и разбавлять ключевые фразы предлогами для соответствия правилам русского языка.

• Контроль плотности (антиспам): лимит на использование точных вхождений — не более одного на абзац. Семантически близкие ключи объединялись в одно предложение, предотвращая перенасыщение текста маркерами.

• Инфостиль и экспертность: текст должен быть объективным и лаконичным. Установлен жесткий фильтр на стоп‑слова и вводные конструкции.

• Строгий технический вывод: Разрешен только базовый набор структурных HTML‑тегов (h2, h3, p, ul, li) со строгими правилами пунктуации внутри списков.

3. Публикация контента и отслеживание динамики

3.1. Поэтапная публикация и корреляция с ростом позиций

Поскольку интеграция сгенерированных массивов данных носила экспериментальный характер, внедрение нового контента производилось плавно. Публикация текстов и мета–тегов на сайте осуществлялась дозированно для обеспечения естественной индексации поисковыми роботами. Позиции сайта в поисковых системах мы отслеживали в Топвизоре.

Динамика роста позиций и трафика демонстрировала прямую корреляцию с объемами опубликованных текстов:

• Январь – февраль 2025 года: Произведена выкладка текстов для первых 200 категорий и 500 товарных карточек. Поисковые системы начали обход и индексацию обновленного HTML–кода. На этом этапе каждая генерация «вычитывалась» SEO‑специалистом вручную, чтобы убедиться в достаточной степени уникальности и качества контента. 

• Март – май 2025 года: Зафиксирован первичный положительный отклик алгоритмов. Проиндексированный пул страниц обеспечил плавный рост позиций для опубликованных кластеров страниц. Осуществлена загрузка следующих карточек и разделов каталога.

• Июнь – август 2025 года: В период летнего сезона коммерческие страницы показали первый значимый пик поискового трафика, достигнув показателя около 5 400 визитов в месяц.

• Сентябрь – декабрь 2025 года: Полное покрытие запланированного объема. Наблюдалась стабильная восходящая динамика: наши действия привели к выходу более 60% запросов всего ядра в ТОП–10.

• Январь – апрель 2026 года: В весенний сезон коммерческий поисковый трафик продемонстрировал рост до 10 500 переходов в месяц.

3.2. Экономическая целесообразность – считаем «на пальцах»

Чтобы оценить реальный масштаб сэкономленных ресурсов, мы оцифровали затраты на производство контента. В пересчете на символы, суммарный объем сгенерированных текстов и мета тегов составил 3 700 000 символов.

Если бы мы пошли классическим путем: 

• Бюджет на копирайтинг: При средней рыночной ставке 120 рублей за 1000 знаков, написание такого объема обошлось бы проекту в 444 000 рублей.

• Время SEO‑специалиста: Составление ТЗ, проверка и вычитка занимают около 10 минут на один текст. Для реализации всех посадочных страниц это заняло бы 483 часа непрерывной рутинной работы (более 60 полных рабочих дней).

Используя собственный инструмент мы получили:

• Инвестиции времени: Мы потратили 25 часов. Из них около 15 часов ушло на разработку самого приложения методом «вайбкодинга», и еще 10 часов – на выбор оптимальной модели, первичную ручную вычитку и калибровку системных промптов.

• Финансовые затраты: В рамках каждого обращения к API языковой модели передавался объемный массив данных: таблица с запросами, характеристики товара и сам системный промпт. Благодаря встроенному в наше приложение счетчику токенов, мы точно зафиксировали итоговую стоимость генерации всего пула страниц. Она составила 5 500 – 6 000 рублей.

Внедрение ИИ не просто сократило производственные затраты почти в 75 раз и высвободило месяцы рабочего времени. Это дало SEO‑специалисту колоссальную разгрузку по времени, позволив сместить фокус с бесконечного рутинного контент‑менеджмента на глубокие аналитические задачи.

4. Результаты

Ниша энергетического оборудования имеет выраженную сезонность спроса, зависящую от времени года. За период активной фазы (январь 2025 – апрель 2026) стратегия потоковой автоматизации привела к следующим результатам:

• Яндекс: Продемонстрирован рост с 22% до 73% вхождений в ТОП‑10. Общая видимость сайта по всему семантическому ядру выросла с 5% до 16%

• Google: Продемонстрирован рост с 5% до 14% вхождений в ТОП‑10. Общая видимость сайта по всему семантическому ядру выросла с 10% до 18%

Разрыв в росте видимости (Яндекс – 73%, Google – 18%) был ожидаем и обусловлен разницей алгоритмов:

1. On‑page vs Off‑page: Яндекс ставит в приоритет текстовую релевантность и полноту коммерческих факторов – именно эту задачу на 100% решила ИИ‑генерация. Google для аналогичного рывка в конкурентной нише требует мощного ссылочного профиля.

2. Индексация массивов: Пакетная заливка тысяч страниц в Google требует гораздо больше времени на обход краулерами и выход из «песочницы».

3. Региональность: Яндекс легко ранжирует региональные поддомены через Вебмастер, тогда как локальное SEO в Google работает по другим правилам.

Рост видимости в Google достигнут исключительно за счет текстов, без единого рубля на линкбилдинг. Для дальнейшего кратного роста в Google достаточно подключить ссылочную стратегию. Однако в рамках быстрого ROI ставка на текстовую оптимизацию под Яндекс полностью себя оправдала.

• Объем поискового трафика: За 16 месяцев проект получил 82 711 целевых визитов из Яндекса и 17 969 визитов из Google. Наиболее наглядно успешность ИИ‑стратегии демонстрирует срез трафика в годовом эквиваленте: если в феврале 2025 года сайт собирал 4 000 визитов в месяц, то в феврале 2026 года этот показатель достиг 10 500 переходов (рост в 2,6 раз).

Замена классического ручного подхода на автоматический полностью оправдала себя. Интеграция API языковых моделей позволила оптимизировать бюджет и превратить сайт в стабильный канал привлечения B2B и B2C аудитории.

5. Выводы

Искусственный интеллект – это не волшебная палочка для бизнеса и не «убийца» классического SEO. Это мощнейший инструмент масштабирования, но ровно до тех пор, пока им управляет человек. Как симфонический оркестр без дирижера способен выдать лишь бессистемный шум, так и слепая потоковая генерация без стратегического контроля неминуемо приведет домен под фильтр МПК (малополезный контент), отправив все инвестиции бизнеса в пустоту.

Замена ручного труда на программный API‑конвейер полностью окупила себя. Но наша главная победа заключается не просто в экономии на копирайтинге. В умелых руках грамотная ИИ‑стратегия дает специалисту самое ценное – фокус. Мы создали безотказную систему, которая забрала на себя всю изнурительную контентную рутину.

Это высвободило колоссальный ресурс времени, позволив сместить внимание на те задачи, которые нейросети не смогут взять на себя в обозримом будущем: глубокую веб‑аналитику, поиск точек роста, формирование и тестирование сложных и нестандартных гипотез.

Итог такого симбиоза человека‑инженера и машинного алгоритма – структурированная, фактологическая экспертность на страницах сайта, которая дала пользователям точные ответы на их запросы и позволила нам обойти универсальные агрегаторы по многим запросам, надежно закрепив сайт в лидерах выдачи.