Кейс по оптимизации процессов с помощью ИИ
Как крупный бренд может ускорить SEO в 11 раз и снизить затраты в 6 раз при помощи ИИ
Раньше 1 страница бизнесу обходилось ~667 ₽, сейчас — около 14 ₽. Рынок заметно движется в сторону автоматизации и ИИ-инструментов, которые удешевляют и ускоряют производство страниц в десятки раз. Подробно разбирали в статье — как искусственный интеллект влияет на стоимость SEO.
→ Дисклеймер
Компании, которые продолжают работать по старым схемам, рискуют отстать от конкурентов. А те, кто внедряют автоматизацию на раннем этапе, получают фору и новый уровень рентабельности.
Далее показываем, как ИИ работает в бизнесе со сложными процессами и большой номенклатурой.
Примеры расчетов — в конце кейса.
→ Клиент
E-com проект, входящий в топ-10 в своей нише
Больше сказать не можем из-за NDA.
→ Общая картина
Мы решили проблему: скинули рутину на ИИ
Масштабные e-com и b2c-бизнесы теряют время и деньги на ручной работе с оптимизацией и из-за узкой структуры сайтов: SEO-спецы создают по 30 новых страниц в месяц, когда нужно по 100−500. С таким подходом невозможно эффективно работать с миллионами товаров — обязательно плывут сроки, косты и/или качество.
В итоге на одном проекте сэкономили 8 млн ₽ на команду и ускорили выполнение задач на 2 года. Рассказываем, как с помощью нейросетей сделали невыполнимое выполнимым.
→ Для контекста
Зачем вообще расширять структуру сайта, тем более так агрессивно?
Зачем крупным брендам разбираться в оптимизации за счет ИИ
Обширная структура — шире охваты и больше трафика. Понимая это, топ-игроки сегмента ecommerce сегодня имеют сайты с миллионами страниц.
Если работать с большим проектом вручную, можно столкнуться с кучей проблем:
Добавьте сюда необходимость в десятках рабочих рук и ограничения инструментов вроде Excel.
И что же делать? Рассказываем, какой выход нашли мы.
с семантикой:
неполный сбор или слишком грязные запросы, нет сегментации по интентам (целям пользователей)
со структурой:
получается слишком плоской или глубокой, в ней нет логики, зато есть пересечения запросов между разделами
со спецами:
могут двигать сроки или допускать ошибки, которые скажутся на общих результатах
В итоге органический трафик растет, позиции в поисковиках улучшаются — бизнес получает больше заказов и выручки.
сайты с широким ассортиментом охватывают больше спроса;
Как это работает:
пользователям удобно ориентироваться в каталоге.
нет дублей страниц;
→ Старт
Как вообще стартовал проект:
Быстро, но не perfect
01
Генерация страниц без семантики под неограниченное количество кластеров. Скорость хорошая, но можно получить многовато малополезного контента.
Долго, но почти наверняка perfect
02
Создание страниц с классической ручной проработкой семантического ядра. Качество на высоте, но есть недостатки: низкая скорость и высокая стоимость.
за полгода собрать семантику для 500 000 кластеров. Нужно было построить структуру, прописать H1 и анкоры, типизировать страницы.
Сначала решили пойти проторенным путем и выбрали второй вариант: и нам привычнее, и у клиента приоритетный запрос именно на качество. Но по ходу поняли, что без автоматизации не обойтись и нужно изобрести третий маршрут — генерацию с тщательной проработкой семантики. Но обо всем по порядку.
В теории у нас было два пути:
Клиент поставил задачу:
500 000 кластеров за полгода
как мы покорили SEO-Эверест
→ Рукоблудие
Начали все делать руками: преодолели только 10% пути за 3 месяца
Так мы попали в классическую загадку с двумя стульями (ну, почти):
Собирали маски, минус-фразы, кластеризовали запросы и вручную проходились по ним. Помимо того, что это занимало много времени и сил, всплыли и другие проблемы:
Что в итоге? 6 спецов работали по 15 часов в день, но через 3 месяца сделали только 10% объема. Рентабельность -60%, клиент недоволен — нужно что-то менять.
Key.so не мог отдать сразу все запросы по такому большому проекту;
промежуточные задачи сильно затягивали весь процесс;
страдало качество.
в Excel не лезло больше миллиона строк;
сдать проект через 1080 дней
нанять 12 спецов и сработать в -180% рентабельности
→ Автоматизация
Решили автоматизировать работу, чтобы ускориться
Давайте будем честными: что-то придумывать, тестировать и внедрять всегда больно. Но не так больно, как смотреть на губы, которые не можешь поцеловать на техпроцесс и видеть, насколько все не ок:
Действовать нужно было решительно, на тильт и рефлексию времени у нас не оставалось
Взяли себя в руки, выкрутили мощности мозгов и компов на максимум — и пошли по новому маршруту
3 месяца до дедлайна
На этом этапе дела обстояли так:
ровно столько же, сколько мы уже потратили
И да, деньги мы тоже тратили не так эффективно, как хотелось бы
Чем темнее — тем хуже наши дела
Сбор семантики
$$$
💪
Чистка семантики
$$$
💪
Классификация семантики
$$$$$
🦾
Кластеризация семантики
$
🦾
Типизация страниц
$$$
💪
Написание заголовков
$$$
💪
Написание анкоров
$$$
💪
Структура страниц
$$$
💪
10% объем выполненых работ
посчитайте сами, сколько нам предстояло доделать
→ Шаг 1
Заменили Excel базой данных
Так решили вопрос объемов датасетов. Начали выгружать запросы из Key. so напрямую по API, в Excel экспортировали небольшими кусками:
Давайте сравним:
Выгружаем CSV c лимитом в 100к
Вручную сводим данные конкурентов
60 часов
120 000 рублей
Было
Выгружаем из Keyso напрямую по API
Храним данные в БД
10 часов
35 000 рублей
Вжух — и что-то на схеме техпроцесса уже позеленело:
Сбор семантики
$
🦾
Чистка семантики
$$
💪
Классификация семантики
$$$$
🦾
Кластеризация семантики
$
🦾
Типизация страниц
$$$
💪
Написание заголовков
$$$
💪
Написание анкоров
$$$
💪
Структура страниц
$$$$$
💪
В Excel экспортируем небольшими кусками
Стало
→ Шаг 2
Начали тестировать ИИ на заголовках
Формировать H1 вручную спецам легко, но такая работа отнимает много времени.
Тест проводили через веб-интерфейс ChatGPT — поняли следующее:
Поэтому дальше повернули в сторону устранения этих проблем.
За раз не скормить больше 200−300 строк
Стало ясно, что нужно решать вопрос с огромными временными затратами на обращения к нейронке.
Качество оставляет желать лучшего
Модель ChatGPT 4 не отдавала весь объем данных, отходила от ТЗ и много креативила.
→ Шаг 3
Нашли способ ускориться и повысить качество
Чтобы решить повысить скорость, отладили работу через технологический стек Python + API + AI + CSV:
Интерфейс в лучших традициях MVP доработали и сделали такую красоту:
С проблемой качества тоже справились. Протестировали несколько нейросетей и нашли вариант с большим контекстным окном. Первым решением была Gemini 2.0, но позже пришли к Gemini 2.5 и DeepSeek V3.1.
А чтобы нейросети перестали фантазировать и начали работать по ТЗ, докрутили настройки вроде температуры и top-k. Потом сравнивали генерации с результатами ручной работы SEO-спецов. Если находили ошибки — классифицировали их и дорабатывали промпты. И так до получения нужного результата.
Миллионы строк дробили на CSV, которые влезают в один запрос к ИИ (по 200−300 строк).
01.
02.
03.
В ChatGPT обращались с CSV и промптом в txt по API.
→
→
Объединяли готовые CSV-фрагменты на бэкенде.
Проблема
Перегрузки ЦП/ОЗУ позволяли запустить не более 10 копий парсера с одного ПК
решение
Работаем на 5 ПК, внутри каждого запускаем 10 копий парсера
→
Проблема
Чем больше задач обрабатывается на одном API — тем хуже качество
решение
У каждого ПК своя авторизация и API-ключ
Итоги по H1:
Найденное решение масштабировали на другие части процесса.
SEO-Junior вручную прописывает H1 по самому частотному ключу
На 100k кластеров:
320 часов
640 000 рублей
Было
Отдаем массив кластеров с промптом в Gemini
20 часов
40 000 рублей
Получаем итог в CSV с 95% качеством
Еще раз вжух — и позеленело несколько новых квадратиков на схеме:
Сбор семантики
$
🦾
Чистка семантики
$$$$
💪
Классификация семантики
$
🦾
Кластеризация семантики
$
🦾
Типизация страниц
$$$
💪
Написание заголовков
$
🦾
Написание анкоров
$
🦾
Структура страниц
$$$$$
💪
Стало
На 100k кластеров:
Создали армию ИИ — победили тьму нерешаемых задач и дедлайнов
Задачу клиента мы решили полностью, в дедлайн уложились:
Что отдали ИИ-агентам:
Когда переложили все это на нейросети, процесс пошел гораздо быстрее. Необходимость нанимать 12 спецов отпала — стало достаточно 6 человек, работающих с ИИ.
Собрано кластеров
с ИИ
без ИИ
450 000
50 000
Срок закрытия проекта
90% за 3 мес
10% за 3 мес
Количество обрабатываемой семантики в сутки
50 000
5 000
Скорость сбора семантики, прописывания H1, построения структуры
1 мин / 1 кластер
11 мин / 1 кластер
Чистку семантики
После этого позеленела вся схема техпроцессов:
Сбор семантики
$
🦾
Чистка семантики
$
💪
Классификация семантики
$
🦾
Кластеризация семантики
$
🦾
Типизация страниц
$
💪
Написание заголовков
$
🦾
Написание анкоров
$
🦾
Структура страниц
$
💪
Автоматическое удаление нерелевантных запросов
Классификацию запросов
Разделение по интентам и типам
Определение геоположения и брендов
Геопривязка, маркировка брендовых запросов
Написание заголовков H1, метатегов и анкоров
Прописывание в массовом порядке
Привязку товаров и генерацию описаний
Создание текстов для миллионов SKU всего за пару рабочих дней, привязывание товаров к категориям
Построение структуры
Создание иерархии и связей между разделами каталога
→ Вопросы
Отвечаем на вопросы, которые вы точно хотите задать
Как выбрать AI-решение, чтобы оно окупилось?
Мы проводили тесты на разных нейронках. Вообще, для подобных задач есть куча вариантов:
Может ли это все работать вообще без людей?
Автоматизация без обученной команды превращается из высокотехнологичного инструмента в палку-копалку. Потому что на ИИ можно скинуть рутину, но нейронки не умеют думать стратегически. Без опытных SEO-спецов они просто плодят ошибки.
Чтобы добиться действительно классных результатов, нужно понимать три базовые вещи:
Каким бизнесам автоматизация точно принесет реальную пользу?
Наше мнение: такое решение максимально эффективно на крупных проектах (от 1000 кластеров).
Показываем на графике, как растут расходы при использовании классического подхода и ИИ:
Если взять еще более масштабные проекты, получаются совсем внушительные цифры:
А вот маленькие бизнесы вряд ли почувствуют такую разницу.
Так что крутая человеческая команда вам понадобится в любом случае.
Выбирать нужно то, что поможет справиться с конкретной задачей и отбить расходы. Вот пять факторов, от которых зависит успех (в том числе финансовый) в подобных предприятиях:
Показываем, как определили лучшие варианты для наших задач на этом проекте:
Качество ответов
01.
Чем выше точность, тем меньше правок руками — экономим время и расходы на трудозатраты.
Работа с большими объемами
02.
На старте узнавайте, поддерживает ли модель batch-запросы (пакетная обработка), какие есть лимиты на токены, какая скорость отклика при массовой генерации. При правильном подходе можно сократить сроки работ в разы.
API-возможности
03.
Стабильность, настройка параметров, качество документации. Без этого автоматизация превращается в ручной труд — и какой тогда в ней смысл?
Языковая поддержка
04.
Работа с англо-русскими смешанными запросами и русским языком в SEO. Тоже сказывается на скорости и качестве.
Стоимость и масштабируемость
05.
Цена за 1000 токенов сильно влияет на возможность работать с масштабными проектами. Разница в $ 0,1 при миллионах запросов — это огромные дополнительные расходы.
Нейросети требуется настраивать под конкретные задачи
01
Генерация страниц без семантики под неограниченное количество кластеров. Скорость хорошая, но можно получить многовато малополезного контента.
Промптинг — важнейшая часть процесса
02
Нужны руки и головы сеошников, чтобы проверять генерации ИИ, находить проблемы, перерабатывать промпты и избавляться от косяков.
2,5
10 тыс. кластеров
млн
25
100 тыс. кластеров
млн
0,75
10 тыс. кластеров
млн
4
100 тыс. кластеров
млн
От логики зависит не меньше, чем от промптинга
03
За нее тоже отвечают люди.
Gemini Flash 2
Низкая стоимость ($0.263), высокая скорость (42 мин) и хорошее финальное качество (7/10). Идеальный компромисс для большинства задач.
1 место
DeepSeek V3.1
2 место
При стоимости $ 0.667 она все еще значительно дешевле премиальных вариантов (Gemini 2.5 Pro и Claude Sonnet 4). Правда, требует много времени, но главное — выдает самое высокое общее качество (8/10).
Gemini 2.5 Flash
3 место
Очень быстрая (26 мин) и с минимальными потерями данных (<1%). Стоимость чуть выше $ 1 может быть оправдана для проектов, где критична скорость.
Средняя стоимость в рынке
Стоимость с ИИ
Вывод — автоматизируйте с умом
Пока рынок только начинает адаптировать ИИ-агентов под SEO, у вас есть фора. Мы поможем ею воспользоваться. Оставьте заявку — найдем решение для вашего бизнеса.
Результаты по проекту нашего клиента:
Сравнение штата до и после внедрения ИИ-агентов:
Методика подходит не только для e-com, но и для других масштабных проектов: b2c, СМИ, блогов.
Крупным брендам нужно разбираться в оптимизации за счет ИИ, чтобы масштабироваться без раздувания штата. Но важно соблюдать баланс: искусственный интеллект — для рутины, люди — для стратегии и контроля. Тестируйте нейросети на своих данных и под конкретные задачи, грамотно оптимизируйте бюджет и набор инструментов.
500 000
50 000
запросов
10 000
Ускорили работы на 2 года вперед
кластеров
создано новых теговых страниц
отгружаем ежесуточно
3 500 000
Сколько человек нужно при классическом подходе
1
3
15
0
Сколько человек нужно при ИИ-подходе
1
1
4
1
Senior
Middle
Junior
Разработчик
Грейд
собрано запросов общей семантики
Подробно расспросим о вашем бизнесе, проанализируем рынок и запланируем работу
Разработаем стратегию SEO-продвижения в новых реалиях для вас
Люба
SEO-аналитик
SEO-аналитик
Протестируем новый формат объявлений
Подробно изучим ваш бизнес, найдем точки роста и составим стратегию продвижения.