Как маркетологам адаптироваться к поиску на
основе LLM

Для миллионов потребителей во всем мире Google является единственной точкой доступа в интернет, и в результате сегодня компания занимает 91% рынка поисковой рекламы, объем которого составляет $50 млрд. Однако благодаря появлению больших языковых моделей (LLM) впервые за последние 20 лет ситуация может измениться.

Почему? Потому что LLM производит поиск, который значительно отличается от поиска в веб-браузере. Главное отличие заключается в следующем: LLM обещают давать на запросы не ссылки, как это делают веб-браузеры, а ответы.

Все чаще, используя приложения типа ChatGPT или Perplexity, или поисковые порталы Search Generative Experience от Google (теперь AI Overviews), или Copilot от Bing, клиенты будут узнавать о продуктах и брендах с помощью ответов, полученных на естественном языке. И этот процесс, носящий исключительно консультативный и диалоговый характер, создаст новый информационный поток, который маркетологам будет необходимо отслеживать, чтобы убедиться, что их бренды видны для соответствующих запросов и точно описаны. Авторы представляют три способа, с помощью которых маркетологи смогут решить эту задачу.

Для этого маркетологам придется анализировать и отслеживать (1) появление их брендов в результате поиска с LLM и время, когда это наиболее вероятно произойдет; (2) насколько благоприятно представлены их бренды и какие негативные характеристики приписываются их продуктам; и (3) видимость их продуктов и брендов по сравнению с конкурентами в актуальных подсказках. Таким образом, маркетологам необходимо не только тестировать и разрабатывать соответствующие метрики, но и создавать новые рабочие процессы, чтобы справиться с возросшей сложностью работы.

Поиск «лучшие шоссейные велосипеды для начинающих» выявил новую задачу. На этот запрос Perplexity порекомендовал нам Aventon Level 2 как лучший велосипед для начинающих, ссылаясь на мягкую геометрию, широкие шины и качественные детали по разумной цене. Google SGE, в свою очередь, порекомендовал нам Giant Contend 3 или Specialized Allez E5. Оба варианта поиска подсказали нам, на что следует обратить внимание при покупке нового шоссейного велосипеда, и предоставили возможность задать уточняющие вопросы. Но вот что самое важное: все это происходило до того, как нам показали веб-сайт выданного поисковиком бренда велосипеда. Если LLM не упомянет ваш бренд на этом этапе поиска, пользователи могут даже не обратить на него внимание.

Оптимизация LLM

С новыми задачами приходят и новые возможности. Подобно тому, как наука оптимизации поисковых систем, или SEO, возникла в эпоху браузерного поиска, сейчас появляется новая наука — LLM-оптимизация, или LLMO, — и маркетологи должны воспользоваться ее преимуществами.

Алгоритмы, на которых основаны LLM, отличаются от традиционных поисковых алгоритмов. Google SGE оперирует набором факторов ранжирования, отличным от традиционного алгоритма Google. Традиционный поисковый алгоритм был оптимизирован для продвижения ссылок, которые считались достоверными, полными и релевантными. Сайты, которые уделяли первостепенное внимание метаданным, плотности ключевых слов и обратным ссылкам, получали высокие рейтинги.

Однако LLM оптимизированы для быстрого составления точного и убедительного ответа. Для его создания они берут контент разных форм (текст, изображение, видео) и разных типов (отзывы, содержание сайта бренда, пользовательский контент). Сопровождая пользователей на каждом переходе от первоначального запроса к последующим вопросам, в своих ответах LLM имплицитно учитывает, на каком этапе процесса покупки находится пользователь. Поэтому сайты с контентом, легко индексируемым LLM, будут процитированы в ответе с большей вероятностью.

Генерация ответов, дополненная результатами поиска (retrieval-augmented generation, или RAG) — это важнейший компонент поиска LLM. LLM использует дополнительный контекст, например пакет документов компании или веб-контент, чтобы дополнить свою базовую модель при ответе на запросы. Это имеет важные последствия для тех, кто хочет заняться оптимизацией LLM. Если вам надо изменить текст, выдаваемый LLM в качестве ответа на запрос, вам следует стратегически продумать, как поменять различные источники, из которых LLM, вероятно, будет черпать информацию.

Новый рабочий доклад ученых Гарвардской школы бизнеса демонстрирует, что вставка «стратегической текстовой последовательности» — текста, добавляемого на страницу с информацией о продукте для повышения вероятности того, что продукт будет рекомендован, — может существенно изменить информацию, предоставляемую LLM в ответ на запрос потребителя. В своем эксперименте команда из Гарварда вставила стратегическую текстовую последовательность, чтобы подчеркнуть доступность кофемашины ColdBrew Master, и значительно увеличила вероятность того, что она будет упомянута LLM в ответ на запрос с просьбой дать совет относительно имеющихся кофемашин. В базовом сценарии ColdBrew Master никогда не рекомендовался LLM, но с помощью стратегической текстовой последовательности исследователи смогли превратить его в наиболее часто рекомендуемый продукт.

Мы считаем, что LLMO будут играть ключевую роль в эволюции новых поисковых систем. Время покажет, как Big Tech решит монетизировать LLM в своих экосистемах. Некоторые компании выберут модель подписки, некоторые — монетизацию рекламы. Однако в отличие от сегодняшнего дня, когда существует один доминирующий игрок, контролирующий большую часть объема поиска в интернете, мы ожидаем, что в будущем появится множество вариантов, из которых потребители смогут выбирать. А это значит, что для людей, работающих в сфере LLMO, скорее всего, появятся новые возможности трудоустройства.

Работа, работа, работа

Генеративный ИИ вызывает большую тревогу среди рабочего населения и политиков из-за того, что он может заменить миллионы работников умственного труда. Экономисты обычно отвечают на подобные опасения, указывая на то, что в прошлом прорывные инновации всегда приводили к увеличению количества рабочих мест и улучшению условий труда по сравнению с тем, что было ранее. Оптимистичный взгляд на LLM и рабочие места заключается в том, что так будет и на этот раз.

Правда, в ближайшие годы сегодняшние SEO-специалисты столкнутся с тем, что многое из того, чем они сейчас занимаются, будет по большей части автоматизировано. Недавно было доказано: LLM справляется с задачей оптимизации контента эффективнее и гораздо дешевле человека. В будущем компании смогут осуществлять свою SEO-деятельность с помощью меньшего числа сотрудников, что, естественно, вызывает озабоченность по поводу рабочих мест.

Но верно и то, что роль SEO становится гораздо сложнее. SEO-специалистам, которые вскоре станут профессионалами и в области LLMO, придется управлять представлением бренда на нескольких LLM-платформах, использовать новый набор методик оптимизации и идти в ногу с быстро меняющимся ландшафтом LLM. Те SEO-эксперты, которые готовы постоянно учиться, адаптироваться и экспериментировать с новыми методами, повышающими видимость и положительную оценку их брендов для LLM, будут пользоваться большим спросом. Одним словом, они станут экспертами по LLM — жизненно важным элементом в компаниях и в фирмах, оказывающих им маркетинговые услуги.

Когда новая мощная технология начинает влиять на экономику, люди, как правило, понимают, какие рабочие места находятся под угрозой исчезновения, но не знают, какие именно могут появиться вместо них. Поэтому сегодня, как и во время прошлых технологических революций, большим источником беспокойства является наша ограниченная способность распознавать появляющиеся на горизонте фигуры — новые рабочие места, которые будут созданы благодаря LLM. Для специалистов по маркетингу эти образы на горизонте все еще размыты, но мы можем начать видеть очертания хотя бы некоторых из них.