AI-first переход в SEO: путь от Excel до агентства на AI-агентах

Речь пойдёт о том, как агентство «Сайт-Активатор» прошло путь от таблиц в Excel до работы на AI-агентах, что из этого получилось и сколько это стоит. Главный тезис: AI-first — это не «внедрили нейросеть и уволили половину отдела», а смена парадигмы, при которой рутина уходит агентам, а люди занимаются аналитикой и гипотезами.

Слайд 3 — о чём этот доклад

---

Три модели SEO-агентства

Слайд 4 — Old School, Low Automation, Full Automation

Old School — это классика: зашли в один инструмент, выгрузили таблицу, зашли во второй, что-то там подкрутили, смёржили файлы между собой, отфильтровали, отдали задание, проверили по чек-листу.

Low Automation — состояние агентства годом ранее. Инструменты начали активно внедряться примерно с середины 2023 года: вместо похода по трём сервисам сотрудник нажимает одну кнопку и получает выгрузку. Но всё это по-прежнему делают люди и по заранее заданным паттернам.

Full Automation — то, к чему пришли после AI-first перехода. Показательный пример: технический аудит руками не делается вообще. Его выполняет агент, запускающийся по крону раз в неделю.

---

Путь к AI-first: четыре этапа

Слайд 6 — эволюция агентства за 7 лет

Каждый этап казался прорывом — а через год выглядел детскими играми в песочнице по сравнению с тем, что следовало дальше.

Этап 1 · 2018–2019. Своя CRM

Слайд 7 — этап 1

Что сделали: съём позиций и парсер на Python, проверку основных параметров, онлайн-дашборд — по факту таблички по проектам, роли «кто делает, кто проверяет». Для этого был нанят программист, система писалась на PHP.

Факап. CRM глючила, работала в один поток, были сложности с настройкой и заведением проектов. Ключевая проблема оказалась организационной: пока программист сидит рядом — всё работает, ушёл в соседний кабинет — всё сломалось.

Урок. По факту изобрели велосипед. Инструмент ради инструмента, без реальной пользы для бизнеса.

Этап 2 · 2021–2022. Python-скрипты

Слайд 8 — этап 2

Что сделали: парсеры, выгрузки из API, простые скрипты автоматизации, промежуточные .xlsx-файлы между модулями пайплайна. Была собрана панель на PostgreSQL с небольшим интерфейсом.

Факап. Всё завязано на одном человеке. Программиста нанимали дважды — эффект нулевой. Пока автоматизацией занимается автор, всё работает; при попытке передать команде — разваливается.

Урок. Скрипты — это сила, но они хрупкие. Один изменившийся CSS-селектор — и всё упало.

Этап 3 · 2023–2024. Гибрид

Слайд 9 — этап 3

Что сделали: оцифровали все типовые SEO-задачи — инструкции, чек-листы; поженили Python-скрипты с CRM через API; внедрили AI-ботов в Telegram.

Логика была такая: если жёсткая связка ломается, дадим людям простые автоматизации. Операция, которая у сеошника занимает 30 минут, сводится к нажатию кнопки и минуте ожидания.

Факапы. Периодически что-то отваливается, нужно чинить. Человеческий фактор никуда не делся.

Урок. Наконец-то всё заработало. Но единой экосистемы нет — всё разрозненно и хрупко.

Этап 4 · 2025. Агенты, скиллы, оркестратор

Слайд 10 — этап 4

Более 20 SEO-скиллов, где каждый скилл — отдельная задача из CRM, которую агент выполняет самостоятельно. Агенты автономны: запускаются по крону либо по хуку. Единая архитектура — skills → projects → agent → data, всё связано, задокументировано и лежит на Git.

---

Что такое скилл

Слайд 11 — скилл как инструкция для агента

Скилл — это чек-лист для сотрудника, только сотрудник здесь AI-агент. И чек-лист он не просто читает — он его выполняет.

Структура папки скилла:

technical-audit/
├── SKILL.md          ← инструкция агента
├── scripts/
│   └── run_audit.py  ← Python-скрипт
└── result/
    └── отчёт.xlsx    ← результат

Пример: команда /lost-semantics https://site.ru запускает цепочку:

1. Краулинг сайта через MS Playwright.
2. Выгрузка фраз по URL из Google Search Console по API.
3. Лемматизация и разбивка на n-граммы.
4. Поиск фраз, которых нет на странице.
5. Генерация текстов с недостающей семантикой.

SKILL.md — обычный Markdown. Шаги описываются словами, агент их выполняет. Так личный опыт превращается в переиспользуемый актив.

Из работающих скиллов агентства: технический аудит по крону, AI Overview Finder (парсит ответы AI-поиска и Алисы, показывает, где сайт присутствует в ответах, вытаскивает релевантные куски текста), фактчекер статей, линкбилдер, работа с медицинскими паттернами.

Отдельный пример — агент, следящий за рисками по клиентам. Он читает переписки в Telegram, ходит в CRM, выгружает задачи по клиентам, спринты и отчёты. На выходе два дашборда: оценка риска по клиенту (красный, жёлтый, зелёный) и сообщения в рабочий чат в духе «в этом чате мало общались — ответьте, в недельном спринте не закрыты такие-то задачи». Раньше последняя неделя месяца уходила на разгребание незакрытых задач; теперь проблемы всплывают в течение недели, и хвосты закрываются сразу.

Слайд 12 — движение к автономии

Следующий шаг — агенты не просто выполняют задачи, а сами их инициируют по событиям в системе управления проектами: передвинул задачу на канбан-доске — запустился соответствующий скилл. Генерация аутлайнов, аудиты, анализ конкурентов — без участия человека.

Нужны ли люди? Нужны, но ключевая роль SEO-специалиста меняется.

---

Ключевые инсайты

Почему скрипты ломаются, а агенты — нет

Слайд 14 — хрупкая автоматизация против антихрупкой системы

🔴 Жёсткий скрипт: CSS-селектор изменился → скрипт упал → данные не собрались → отчёт кривой → клиент недоволен → чинишь в два ночи.

🟢 AI-агент со скиллом: CSS-селектор изменился → агент видит, что данные не те → сам находит новый селектор → продолжает работу → пишет в лог «адаптировался».

Скрипт хрупкий, агент антихрупкий: он не ломается от изменений, а адаптируется к ним. Именно эта гибкость появилась после внедрения агентов — задачу можно поставить человеческим языком: «запусти краулер по этому сайту, возьми чек-лист по E-E-A-T, подними базу патентов, выдай отчёт, где тонкий контент».

Правильная оркестрация экономит втрое

Слайд 15 — правильная оркестрация = экономия ×3

Принцип простой: не гонять «ламборгини за картошкой». Дорогие модели должны думать, а не парсить страницы.

1. Claude Opus — решения, анализ, гипотезы ($$$).
2. Claude Sonnet — тексты, скиллы ($$).
3. Python + Playwright — парсинг, API (практически бесплатно).

Не учи пять сервисов — научись разговаривать с агентом

Слайд 16 — сравнение подходов

Tools дают плато через 3–6 месяцев. Вайбкодинг с агентами даёт экспоненциальный рост.

---

Кейс 1. Рекомендации для сети клиник

Слайд 18 — генерация рекомендаций для сайта сети клиник

Задача. Международная сеть клиник с филиалами в нескольких странах. Сайт большой, на многих страницах тонкий контент: где-то не хватает врачей, где-то описаний показаний и противопоказаний, где-то просто адресов клиник. Перелопачивать это руками — неделя работы отдельного человека ради итоговой таблички.

Как устроен пайплайн:

• Источники данных — Google Search Console и Яндекс.Вебмастер: страницы, данные краулинга, справочник Schema.org Medical.
• Анализ контента — краулинг с эмуляцией браузера (аналог Screaming Frog, но с полноценным рендерингом).
• Поиск по патентам — RAG-запросы в патентных базах Google и Яндекса.
• Выход — Claude Opus приоритизирует гипотезы со ссылками на патенты.

Многоуровневый пайплайн позволяет не просто находить проблемы, но подкреплять каждую гипотезу конкретным патентом. Это принципиально отличает AI-анализ от экспертного «мне так кажется».

Слайд 19 — роадмап по внедрению E-E-A-T для YMYL

Результат. На всех рассмотренных страницах не хватает источников и лицензий, хуже всего E-E-A-T по киргизскому разделу. По патентам US8756210B1 и US8839088B1 Google ожидает связей с авторитетными институциями. Отсюда гипотезы:

• добавить ссылки на ФЗ-323 (ст. 55) и приказ Минздрава № 803н;
• блок «Наши лицензии и партнёры» с номерами лицензий;
• клиники-партнёры по городам;
• локальные контакты с телефонными кодами;
• разметка Schema.org: MedicalWebPage, Organization / MedicalOrganization / LocalBusiness с полями license, medicalSpecialty, address, telephone.

Приоритет — высокий для всех пунктов.

Цифры: агент отрабатывает порядка 10–15 минут и делает работу, на которую SEO-аналитик тратит два дня. Гипотезы подкреплены патентами и документацией. Один и тот же пайплайн работает для любого количества страниц и проектов без изменений.

На основе отчёта формируется дашборд и конкретный запрос клиенту: по такой-то стране прислать адреса клиник, по такому-то городу — фамилии врачей, сюда добавить микроразметку, сюда ссылки на местное законодательство.

---

Кейс 2. Пресейл: от холодного лида до КП за 15 минут

Слайд 21 — поиск точек роста

Задача. Менеджер по продажам получает заявку, нужно подготовить коммерческое предложение с реальными точками роста. Раньше это занимало полдня работы SEO-специалиста.

Что делает агент:

• анализирует сайт лида — позиции, трафик, технические проблемы;
• сравнивает с конкурентами в ТОПе по ключевым запросам;
• формирует персонализированный список точек роста с потенциалом трафика.

15 минут от получения домена до готового КП, 0 SEO-часов аналитика.

Слайд 22 — структура пресейла

1. Технический аудит — критические ошибки: скорость загрузки, индексация, структура URL, с оценкой влияния на трафик.
2. Семантический gap — запросы, по которым конкуренты получают трафик, а клиент нет; конкретные страницы и потенциал.
3. Ссылочный профиль — сравнение с ТОПом: сколько ссылок нужно нарастить и на какие страницы для выхода в ТОП-3.
4. Приоритизированный план — гипотезы с оценкой «усилия / результат».

Менеджер получает готовый документ без участия SEO-специалиста. Конверсия в сделку растёт: клиент видит конкретику вместо общих слов.

---

Кейс 3. Парсинг 200 жилых комплексов

Слайд 24 — AI-first парсинг без фрилансеров

Задача. Клиент — агентство недвижимости, продающее квартиры в Сочи, Крыму, на Алтае. Нужно продвинуть агрегатор, а для этого — завести в него 200–300 жилых комплексов. Сайты ЖК разнородные: Tilda, WordPress, самописный HTML. Первая мысль — нанять четырёх фрилансеров.

Как сделали:

1. Взяли у клиента список ЖК.
2. Прогнали его через Google и Яндекс, выгрузили ТОПы — искали именно сайты застройщиков, а не агрегаторы.
3. Нашли по 3–5 сайтов застройщиков на объект.
4. Запустили краулер (тот же скилл), который собрал весь контент.
5. Отправили собранное в GPT-5 через API — выделение сущностей и структурирование.

Модели тестировали разные, лучше всех отработала GPT-5. Результат приходит в структурированном Markdown: позиционирование, описание, расположение, планировки, наличие парковки, расстояние до моря — данных больше чем достаточно для наполнения базы.

Слайд 25 — сравнение затрат

Весь объём — краулинг 200 сайтов, отправка в GPT, получение структурированных ответов — отработал за ночь и обошёлся примерно в 10 долларов.

Для разнородных страниц — услуги, недвижимость — выделение сущностей без нейросетей было просто невозможно. Это не оптимизация, а смена парадигмы.

---

Что меняется в команде

Слайд 30 — изменение структуры команды

🔴 Было: SEO Head → 2–3 middle → 3–10 джунов → чек-листы, рутина, Excel.

🤖 Стало: SEO-супервайзер + ML-инженер → AI-агенты (скиллы, оркестратор) → контент-менеджеры и админы сайтов как руки.

Раньше около 80% времени агентства уходило на добычу данных, их агрегацию и аналитику. Теперь эта часть готова к утру: специалист открывает готовый отчёт и распределяет задачи.

Отдельно стоит сказать про реакцию команды. Ожидалось сопротивление — вместо этого сотрудники внедряют агентов с энтузиазмом. Причина в том, что автоматизация сняла с людей тупую рутину и освободила время под аналитику, творчество и гипотезы. Это и есть суть AI-first перехода: не «внедрили ИИ и сократили штат», а перевернули постановку задачи.

Слайд 31 — клонируешь скилл → завёл проект → агент поехал

seo-agency/
├── skills/          ← библиотека (общая)
│   ├── technical-audit/
│   ├── seo-meta/
│   ├── seo-articles/
│   └── ...
│
├── projects/        ← клиенты
│   ├── client-shop/
│   │   ├── config.json
│   │   └── data/
│   └── medical-clinic/
│
└── agent/           ← мозг
    ├── orchestrator.py
    ├── scheduler.py
    └── budget_control.py

Шаг 1. Скопировал папку skills на свой сервер — библиотека готова. Шаг 2. Создал config.json с параметрами клиента — домен, GSC, цели. Шаг 3. Написал агенту задачу — оркестратор сам выбрал нужные скиллы.

Коробочные решения появятся скоро: SEO-агентство как программный продукт — вопрос ближайших одного-двух лет.

---

Что это значит для рынка

Общее наблюдение по разговорам с руководителями агентств: примерно все сейчас делают одно и то же с разной степенью успешности. Отсюда два следствия.

Первое: если агентство всё ещё работает на уровне чек-листов и разрозненных инструментов, ему будет тяжело — те, кто перешёл на агентов, обгонят по скорости и себестоимости.

Второе, менее приятное: технологический прорыв не ведёт к всеобщему обогащению. Доход вырастет, но главное следствие — ужесточение конкуренции. Тем, кто не перейдёт, придётся либо уйти с рынка, либо сделать то же самое. Рынок меняется очень быстро.

---

Чек-лист: с чего начать

Слайд 33 — твой путь к AI-first агентству

Проходить все четыре этапа заново не нужно — можно сразу прыгнуть в скиллы. Начинать стоит с одной задачи, той, которая бесит больше всего.

Практический совет из собственного опыта: выгрузите из CRM все типовые задачи и отранжируйте по частоте выполнения. Двигаться нужно от самых частотных — в агентстве это оказался технический аудит, с него и начали.

Если процессы уже описаны в виде должностных инструкций, переход упрощается кардинально: инструкции просто перекладываются на машиночитаемый язык. Сейчас создание нового скилла под любую задачу занимает около получаса.

---

Материалы доклада: видео · презентация

Автор: Владислав Папернюк, агентство «Сайт-Активатор» · телеграм-канал Python SEO 2 нейрона