Как мы автоматизировали SEO и сократили расходы на 8 млн рублей

Заказчик

E-com проект, входящий в топ-10 в своей нише

Задача

За полгода собрать семантику для 500?000 кластеров. Нужно было построить структуру, прописать H1 и анкоры, типизировать страницы.

Клиент — топовый e-commerce проект (топ-10 в нише). Детали скрыты по условиям NDA.

Крупный e-commerce и B2C теряют огромные бюджеты на ручную оптимизацию и узкую архитектуру сайтов: SEO-команды выпускают 30 страниц за месяц, тогда как требуется 100-500. При таком темпе работа с миллионами SKU превращается в кошмар — срываются дедлайны, растут издержки, падает качество.

Мы нашли решение: передали рутину искусственному интеллекту. Результат на одном кейсе — экономия 8 миллионов рублей на команде и выигрыш 2 лет работы. Делимся опытом, как с помощью AI превратили нереальную задачу в выполнимую.

Почему неправильная архитектура сайта сжигает бюджеты

Зачем бизнесу заморачиваться над структурой? Причина банальна: правильная архитектура = рост прибыли компании.

Механика простая:

• расширенный ассортимент захватывает больше поискового спроса
• исключены дубликаты страниц
• пользователи легко находят нужное в каталоге

Результат: органика растет, позиции укрепляются — бизнес зарабатывает больше.

Почему крупному бизнесу критична AI-оптимизация

При ручном управлении масштабным проектом возникает масса проблем:

• Семантическое ядро: собирается не полностью, либо содержит мусорные фразы, запросы не группируются по целям пользователей.
• Архитектура каталога: получается либо слишком поверхностной, либо излишне вложенной, хаотичной, запросы из разных разделов конфликтуют между собой.
• Человеческий фактор: специалисты не укладываются в дедлайны и совершают серьёзные ошибки, которые бьют по финальному результату.

Прибавьте необходимость десятков сотрудников и ограничения Excel.

Что же делать? Рассказываем о нашем решении.

Полмиллиона кластеров за шесть месяцев — наш SEO-Эверест

Как стартовал проект

Клиент озвучил задачу: в течение полугода проработать семантику для 500 000 кластеров. Нужно было создать структуру, сформировать H1 и анкоры, провести типизацию страниц.

На старте мы видели два возможных сценария:

Скорость в ущерб качеству. Массовая генерация страниц без проработки семантики. Быстро, но с высокой вероятностью получить много бесполезного контента.

Качество в ущерб скорости. Традиционный подход с ручной работой над семантическим ядром. Максимальное качество, но минусы на поверхности: медленный темп и дорогая стоимость.

На старте остановились на втором варианте: это наша зона комфорта, плюс клиент акцентировал внимание на качестве. Но в процессе стало очевидно, что без автоматизации задачу не закрыть, и пришлось изобрести третий вариант — массовая генерация с тщательной семантической проработкой. Сейчас расскажем по шагам.

Ручная работа: только 10% за три месяца

Собирали маски, стоп-фразы, кластеризовали и вручную проверяли запросы. Помимо колоссальных временных затрат, проявились другие проблемы:

• Key.so не мог единовременно выдать все запросы по такому объемному проекту
• Excel не принимал более миллиона строк
• промежуточные этапы замедляли весь процесс
• проседало качество

Итог? Шесть специалистов пахали по 15 часов ежедневно, но за 3 месяца выполнили лишь 10% работы. Убыточность -60%, клиент недоволен — требовались перемены.

Мы оказались перед классическим выбором между двумя стульями (почти):

Решение — автоматизация процессов

Будем откровенны: изобретать, тестировать и внедрять всегда непросто. Но не так сложно, как наблюдать за процессом, понимая, что всё идет не так.

Деньги тратились неэффективно — нужно было действовать.

На этой стадии ситуация была такой:

• до финального срока оставалось 3 месяца — ровно столько, сколько уже потрачено
• выполнено 10% объема — посчитайте, сколько предстояло завершить

Собрались, мобилизовали все ресурсы — и двинулись новым курсом.

Этап 1 — замена Excel на базу данных

Так закрыли проблему объемов датасетов. Начали выгружать запросы из Key.so напрямую через API, а в Excel экспортировали компактными порциями.

Сравнение:

Первые шаги на схеме процесса уже показывали прогресс.

Этап 2 — тестирование AI на заголовках

Формировать H1 вручную для специалистов несложно, но крайне времязатратно.

Тестирование через веб-интерфейс ChatGPT выявило следующее:

• Лимиты на объем. За один раз не обработать более 200-300 строк. Стало понятно, что нужно оптимизировать временные затраты на обращения к AI.
• Качество недостаточное. Модель ChatGPT 4 теряла часть данных, отклонялась от технического задания и излишне креативила.

Поэтому двинулись в сторону устранения этих недостатков.

Этап 3 — увеличение скорости и качества

Для повышения производительности настроили работу через стек Python + API + AI + CSV:

• Миллионы строк разбивали на CSV, помещающиеся в один AI-запрос (200-300 строк)
• Обращались к ChatGPT с CSV и промптом в txt через API
• Объединяли готовые CSV-фрагменты на бэкенде

Интерфейс в духе MVP доработали до функционального вида.

Проблему качества тоже решили. Протестировали множество нейросетей и нашли вариант с расширенным контекстным окном. Первым выбором была Gemini 2.0, затем перешли на Gemini 2.5 и DeepSeek V3.1.

Чтобы нейросети работали строго по ТЗ, настроили параметры вроде температуры и top-k. Затем сравнивали результаты генерации с работой SEO-специалистов. При обнаружении ошибок — классифицировали и корректировали промпты. И так до достижения нужного уровня.

Результаты по H1:  

Найденное решение применили к остальным этапам процесса. Схема продолжала зеленеть.

Армия AI победила нерешаемые задачи

Что передали AI-агентам:

• Очистка семантики. Автоматическое исключение нерелевантных запросов.
• Классификация запросов. Распределение по интентам и категориям.
• Определение геолокации и брендов. Геопривязка и маркировка брендовых запросов.
• Написание H1, метатегов и анкоров. Массовое создание.
• Привязка товаров и создание описаний. Генерация текстов для миллионов SKU за пару дней, привязка товаров к категориям.
• Построение структуры. Формирование иерархии и связей между разделами каталога.

После этого вся схема процессов окрасилась в зеленый цвет.

Когда всё это переложили на нейросети, процесс резко ускорился. Необходимость в найме 12 специалистов отпала — хватило 6 человек, работающих с AI.

Задачу клиента выполнили полностью и уложились в срок.

Теперь поделимся опытом, накопленным за полгода.

FAQ: отвечаем на важные вопросы

Как выбрать AI-решение для окупаемости?

Мы тестировали различные нейросети. Для подобных задач существует множество вариантов.

Выбирать следует то, что решит конкретную задачу и окупит вложения. Пять факторов успеха (включая финансовый):

1. Качество ответов. Чем точнее, тем меньше ручных правок — экономия времени и трудозатрат.
2. Обработка больших объемов. Выясните сразу: поддерживает ли модель batch-запросы, какие лимиты на токены, какая скорость при массовой генерации. При правильном подходе сроки сокращаются кратно.
3. Возможности API. Стабильность, настройка параметров, качество документации. Без этого автоматизация превращается в ручной труд.
4. Языковая поддержка. Обработка русско-английских смешанных запросов и русского языка в SEO. Влияет на скорость и качество.
5. Стоимость и масштабируемость. Цена за 1000 токенов критична для масштабных проектов. Разница в $0,1 при миллионах запросов — это огромные дополнительные издержки.

Показываем, как определили оптимальные варианты:

Лидер — Gemini Flash 2. Низкая цена ($0.263), высокая скорость (42 мин) и отличное финальное качество (7/10). Оптимальный баланс для большинства задач.

Второе место — DeepSeek V3.1. При стоимости $0.667 значительно дешевле премиальных решений (Gemini 2.5 Pro и Claude Sonnet 4). Требует больше времени, но показывает наивысшее качество (8/10).

Третье место — Gemini 2.5 Flash. Очень быстрая (26 мин) и с минимальными потерями данных (<1%). Стоимость чуть выше $1 оправдана для проектов, где критична скорость.

Может ли всё работать без людей?

Автоматизация без профессиональной команды превращается из высокотехнологичного инструмента в примитивную палку-копалку. На AI можно переложить рутину, но нейросети не мыслят стратегически. Без опытных SEO-специалистов они множат ошибки.

Для достижения впечатляющих результатов необходимо понимать три базовых принципа:

1. Нейросети требуют настройки под конкретные задачи. Это может сделать только опытный специалист.
2. Промптинг — критическая часть процесса. Нужны руки и головы сеошников для проверки AI-генераций, выявления проблем, переработки промптов и устранения недочетов.
3. Логика важна не меньше промптинга. За неё тоже отвечают люди.

Поэтому сильная человеческая команда понадобится в любом случае.

Каким бизнесам автоматизация реально полезна

Наше убеждение: такое решение максимально эффективно на крупных проектах (от 1000 кластеров).

Демонстрируем рост расходов при классическом подходе и с AI:

Для ещё более масштабных проектов цифры ещё внушительнее.

А вот небольшие бизнесы вряд ли ощутят такую разницу.

Заключение — автоматизируйте разумно

Результаты проекта клиента:

• Ежедневно обрабатываем 50 000 запросов / 10 000 кластеров
• Создали 500 000 новых теговых страниц
• Собрали общую семантику из 3 500 000 запросов
• Ускорили работы на 2 года

Сравнение штата до и после внедрения AI-агентов:

Методика применима не только для e-commerce, но и для других масштабных проектов: B2C, СМИ, блогов.

Масштабным компаниям пора внедрять AI в оптимизацию, чтобы расти без увеличения команды. Ключевой принцип — правильное распределение ролей: нейросети берут на себя монотонную работу, а люди отвечают за стратегические решения и контроль качества. Проводите тесты AI-моделей на реальных данных вашего проекта, чётко считайте ROI и выбирайте оптимальный стек технологий.

Рынок SEO только осваивает потенциал AI-агентов — сейчас самое время получить конкурентное преимущество. Мы готовы помочь вам его захватить. Оставляйте заявку — разработаем индивидуальное решение под задачи вашего бизнеса.