Вайбкодинг — скам или профит для SEO?

Вайбкодинг сейчас — тема не менее перегретая, чем GEO. Поводом для доклада стал вопрос одной из учениц курса: «Мы реально стали работать быстрее и эффективнее. Но стали ли мы от этого богаче или свободнее?»

Тот же вопрос удобно задавать залу. На «кто уже поставил себе Claude Code и вайбкодит» руки поднимают процентов восемьдесят. На «кто из вас после этого стал богаче и свободнее» рук становится резко меньше.

Метафора доклада — персонаж с реактивным ранцем, который бежит в колесе. Он восторжен, перебирает ногами вдвое быстрее, у него горят глаза. Проблема в том, что он всё ещё бежит в колесе. Это и есть сеошник, освоивший вайбкодинг.

---

Путь: от Excel к AI-first

Слайд 3 — четыре этапа

2018–2019. Своя CRM на PHP. После курсов по текстовому анализу был нанят программист и написана CRM, которая собирала и агрегировала данные, считала BM25, TF-IDF, расстояние Левенштейна. Факап: система работала только пока программист сидел за соседним столом. Стоило ему выйти в соседний кабинет — всё отваливалось. Так прожили полгода, программист уволился, проект забросили.

2021–2022. Python-скрипты. То же самое, но на Python, своими руками. Факап: всё завязано на одном человеке, команда могла полдня простаивать, пока автор что-то чинил. Программиста нанимали дважды — эффект нулевой.

2023–2025. Гибрид: CRM + скрипты + AI-боты. С приходом ChatGPT ставка сделана на простые автоматизации: то, что делалось за 30 минут, стало делаться в два-три клика. Наконец-то заработало — и проработало до конца 2025 года.

2026. Claude Code: агенты + скиллы = AI-first. Следующий шаг: зачем запускать всё это руками? Черновую работу отдать агентам, а специалистов перевести в роль супервайзеров.

Каждый этап казался прорывом — а через год выглядел детскими играми в песочнице.

---

Вайбкодинг — это AI-first?

Слайд 4 — разница подходов

Вайбкодинг, AI-friendly SEO — ИИ как один из инструментов: открыл чат, повайбкодил, закрыл.

AI-first — ИИ как агент, работающий 24/7 независимо от присутствия человека.

Если Claude Code или ChatGPT используется как очередной инструмент — в одном ряду со Screaming Frog, — это не AI-first. Самая большая ошибка — использовать ИИ как инструмент, а не как агента 24/7.

---

Увольняем людей, нанимаем Claude

Слайд 5 — финмодель, посчитанная в три часа ночи после пятого промпта

Голубая мечта владельца агентства: зачем держать джунов, которым всё надо объяснять, если можно внедрить автоматизации. Внедряют сейчас действительно все — с разной степенью успешности. Но если просто назначить одного сотрудника вайбкодером и сократить двух джунов, с высокой вероятностью результат будет отрицательным.

Месяц четвёртый: выручка 2,2 млн, ФОТ 1,7 млн, прибыль −550 000 ₽.

Команда не перестроилась. Клиенты заметили. Claude не виноват. Хотели сэкономить на людях — потратились на людей.

---

Грабли вайбкодинга, на которые мы наступали

Слайд 6 — четыре типовых факапа

1. Кладбище автоматизаций. 47 скриптов, из них живых 27, в работе 7. parser_v1.py, parser_v22_final.py, parser_v22_final_ИСТИННЫЙ.py, НЕ_ТРОГАЙ_ЭТО_РАБОТАЕТ.py. Это не выдумка — именно так назывались файлы в агентстве до того, как всё было приведено в систему.

2. Заложник вайбкодера. Один сотрудник «навайбкодил», команда боится трогать. Вайбкодер уволился — всё пропало. Это случилось на самой первой итерации: ушёл программист, и система просто перестала работать. Если всё завязано на конкретного человека, рано или поздно он уйдёт, а следующий начнёт пилить то же самое заново.

3. Галлюцинации на продакшене. Самое неудачное, что можно сделать, — написать модели «проанализируй мой сайт и сайт конкурента, какой лучше». Каждый раз результат будет разным и каждый раз выдуманным. Вчера был отличный аудит, сегодня — взятые с потолка данные и выводы. Без чётких регламентов и инструкций для агентов цифры не сходятся между отчётами, а если такое уходит заказчику — последствия понятны.

4. Claude забанил аккаунты. Работа встала. Куда переходить: Codex, покупать доступ через посредников, уходить на китайские модели? Это случалось не раз.

Нестабильный результат — это не баг модели. Это отсутствие системы.

---

Вайбкодинг ради KPI

Слайд 7 — что сдают 31-го числа в 23:47

Распространённая схема: сотрудникам ставится KPI — две автоматизации в месяц, +20 000 ₽ к зарплате. Вот типичная сдача:

— Ну что, показывай автоматизацию. — Вот промпт: вставляешь в ChatGPT, он сам анализирует конкурентов. — А он сам запускается? — Его надо вручную вставить. Но промпт очень подробный! — Данные сам подтягивает? — Данные я копирую из Вебмастера, минут 20. Потом ChatGPT всё делает сам! — То есть ты 20 минут копируешь, ChatGPT отвечает текстом, ты читаешь? — Да! Очень удобно. Ставить «выполнено»?

Через три месяца: 47 файлов, ни один не запускается. KPI закрыт, автоматизация нулевая, бонус выплачен.

Простая проверка для тех, кто уже работает по такой схеме: посчитайте, какая доля автоматизаций, сданных за полгода, реально используется. Оптимистичный прогноз — процентов двадцать.

---

Вопрос, который ломает

Слайд 8 — старая кабала против новой

Мы реально повысили эффективность. Но стали ли мы богаче? Свободнее? Или снова в кабале — только теперь платим не людям, а Anthropic?

Старая кабала — зависимость от сотрудников и ручных процессов. Новая кабала — зависимость от подписок, токенов и одного вайбкодера.

Кто заработал: вы платите $100 в месяц → Anthropic → датацентры → чипы → Nvidia +1000%. Встречаются и более яркие примеры — когда проект с гордостью рассказывает, что за неделю сжёг на токенах две тысячи долларов.

По-старому уже нельзя. По-новому — только через систему.

---

А есть ли выход?

Слайд 9 — смена ролей

Выход не в том, чтобы бежать быстрее. Колесо должно крутиться без человека. Специалист должен поменяться ролями с машиной: в колесе бегает робот, а человек за ним наблюдает.

Вайбкодинг — это мультипликатор

Слайд 10 — что именно умножает ИИ

ИИ ничего не создаёт с нуля — он умножает то, что у вас уже есть.

✓ Есть система → результат ×10. Данные собраны, процессы описаны, экспертиза оцифрована: инструкции, скрипты, скиллы, документация, входящие и исходящие данные разложены по папкам. ИИ превращает это в машину, работающую 24/7.

✕ Есть хаос → хаос ×10. Подписки, токены и 47 скриптов — это умножение хаоса за ваши же деньги. А ноль, умноженный на десять, остаётся нулём.

Отсюда ответ на вопрос, почему у многих вайбкодинг буксует. Вайбкодинг — это надстройка. Сначала выстройте процесс в команде и разложите всё по полкам, потом подключайте мультипликатор.

---

Мы прошли это сами

Слайд 11 — что изменилось с марта

В марте был задекларирован AI-переход. Всё, что было на предыдущих слайдах, — грабли, на которые наступили сами, прежде чем построить систему.

На сервере всё разграничено: отдельные папки агентов и скиллов (их больше двадцати), входные и выходные данные, быстрые онлайн-инструменты и дашборды. Практический эффект — по сайтам и сервисам вручную больше не ходим: сразу идём в модель, подгружаем нужный скилл и смотрим результат.

Как устроена система

Слайд 12 — скилл + агент + данные

Скилл — оцифрованный чек-лист: инструкция, скрипт и доступы в одной папке. Внутри сказано: иди сюда, запусти этот скрипт, выгрузи данные, сведи между собой, выведи на такой-то дашборд. Сотрудник чек-лист читает, агент его выполняет.

Агент — тот же скилл, но запускающийся по расписанию (крон) или по событию (хук). Не по настроению.

Данные — в одном месте и с историей: сырые выгрузки, отчёты, патенты Яндекса и Google. Делятся на массив хранения и быстрые дашборды.

Документация — часть скилла.

---

Кейс 1. Технический аудит

Слайд 13 — как было

80% времени уходило на добычу данных, а не на анализ.

• Три источника, три формата, три API — краулер, Яндекс.Вебмастер, Google Search Console.
• Три эксель-файла и VLOOKUP — 3–4 часа на одного клиента, чтобы просто свести данные.
• Аудит раз в месяц — не потому что чаще не нужно, а потому что чаще не успеть.

Пока собираешь данные, строить гипотезы некогда.

Слайд 14 — как стало

Один пайплайн вместо трёх экселей: краулер + Яндекс.Вебмастер + Google Search Console → aggregate.json (одна база с историей) → трёхсторонняя проверка индексации → DOCX с гипотезами к утру.

Что даёт накопленная база:

• страницы-зомби — есть в индексе, но не дают трафика;
• корреляция ошибок с падением трафика;
• сравнение аудитов — что починили, что сломали.

Обход запускается раз в неделю в выходные, к понедельнику специалист получает готовый отчёт и сразу переходит к разбору, минуя выгрузки.

3–4 часа на клиента → поставил на ночь, утром готово по всем. Раз в месяц → еженедельно.

Подробный разбор — в кейсе «AI-агент освободил 80% времени SEO-специалиста».

---

Кейс 2. Массовый аудит сети клиник

Слайд 15 — в чём сложность

Сеть росла покупкой региональных клиник и в какой-то момент оказалась с двадцатью клиниками и пятнадцатью сайтами. Запрос: показать точки роста и с чего начать.

Медицинская страница — это не «красиво написано». Это врачебная экспертиза и E-E-A-T.

• Аудит субъективен. Два специалиста оценят одну страницу по-разному. Единой линейки нет.
• Сравнить себя не с чем. Прогнать 4–5 конкурентов по тем же критериям руками — недели.
• Время, время, время. Хорошо, если сайт небольшой. А если это сеть с филиалами в разных городах?

Раньше это делалось вручную: специалист открывал страницу услуги и шёл по чек-листу — фото врача есть, цена есть, подготовка к процедуре есть, перечень анализов есть. На пятнадцати сайтах такая работа заняла бы около трёх недель.

Нужна единая линейка — машиночитаемый чек-лист, по которому аудит страниц делается автоматически.

Слайд 16 — из чего собран аудит

1. Список URL — своя клиника плюс сайты конкурентов.
2. Скилл medical-patterns — краулинг и автоопределение типа страницы.
3. Чек-лист — 7 типов страниц, 5 слоёв, Schema.org Medical. Хранится в JSON со всей разметкой.
4. GPT-анализ — детерминированные сигналы плюс оценка моделью строго по чек-листу. Запросы идут в многопоточном режиме.

Правила ловят простое, модель оценивает по чек-листу. Поэтому результат стабильный, а не «сегодня гений, завтра бассейн».

Результат

40 минут вместо 3 дней — агент делает работу аналитика (а при ручной обработке пятнадцати сайтов — вместо трёх недель).

80% времени специалиста — на гипотезы. Он не собирает данные, он проверяет и внедряет. Конкуренты по той же линейке оцениваются бесплатно.

На выходе — таблица, где по каждому параметру чек-листа для своей клиники и каждого конкурента проставлено «да / частично / нет», с указанием слоя и приоритета. Базовый слой — содержательная полнота страницы услуги: описание, УТП, цена и что в неё включено, CTA «Записаться», показания и противопоказания, подготовка к процедуре, как она проходит и что делать после, блок с FAQ-тревогами, пример заключения, карточка ведущего врача, отзывы. Гео-слой — представление в ответах поисковых систем: прямой ответ в начале страницы, атомарные факты с числами, H2-вопросы из People Also Ask, покрытие интентов темы.

Показательно, что базовые коммерческие элементы — цена, CTA, описание — закрыты у всех сравниваемых сайтов, а противопоказания и подготовка к процедуре не закрыты ни у кого. Если у конкурентов «галочек» больше — это отставание; если меньше у всех — это точка роста. Дальше таблица сводится с Яндекс.Метрикой и позициями, чтобы взять в работу в первую очередь страницы со спросом.

Ошибки модель, конечно, допускает. Но экономия времени перекрывает выборочную проверку с запасом.

Подробный разбор — в кейсе «Один AI-агент проверяет все медицинские сайты».

---

Кейс 3. Account Pulse

Слайд 18 — чтобы клиенты не сгорали

Аккаунт-менеджер ведёт десять клиентов. Невозможно помнить, у кого пустой спринт, кто молчит неделю, у кого дедлайн завтра.

Четыре источника → скоринг по правилам → RED / YELLOW / GREEN → алерты в Telegram.

• Правила (if-else): пустой спринт, дни тишины, просроченные задачи.
• GPT: тональность чата, ретроспектива, заготовка сообщения клиенту.

15 минут вместо 2 часов. Каждый день. По всем клиентам.

Молчащий клиент — уходящий клиент, так что это кейс про деньги напрямую.

Подробный разбор — в кейсе «Account Pulse сводит переписку, задачи и CRM».

---

Кейс 4. Отработка чужого GEO/AEO-аудита

Слайд 19 — задача и формат ответа

Заказчик прислал стороннее GEO/AEO-исследование своего сайта: «Гляньте, может, чего возьмём?» Отличие от привычных сторонних аудитов в том, что этот сделан на удивление качественно — с помощью Claude, без типового мусора вроде «title длиннее 70 символов» или «дубли keywords».

В агентстве есть регламент отработки таких документов. Претензии делятся на три части:

1. Это бред — отметаем с аргументацией.
2. Норм, уже в нашем ТЗ — было передано заказчику на внедрение или сейчас у его программистов в работе.
3. Хорошая идея, берём.

Что дали модели: базу знаний агентства по коммерческому ранжированию и GEO/AEO, историю правок по сайту, скиллы для Яндекс.Вебмастера и Метрики.

Задача: ответить аргументированно, опираясь на документацию и живые данные, а не общими словами.

Раньше такие разборы делали руководитель SEO или владелец агентства: выгрузки, ручные проверки, значительная часть рабочего дня. Теперь — 10 минут вместо полудня специалиста. Документ с цифрами и референсами. Без базы знаний был бы общий текст, с базой — позиция агентства.

Слайд 20 — база знаний + скиллы + данные

Модель ничего не искала и не придумывала: всё уже лежало на сервере, она это скомпилировала за пару минут.

• База знаний. Пять тем: GEO/AEO, медицина, коммерческое ранжирование, тексты, Schema.org. У каждой — методология, рулбук, чек-листы, патенты. Туда же — материалы судебных дел и слива документации Google, доклады проверенных спикеров. Лежит в Git.
• Скиллы. Яндекс.Вебмастер и Метрика по API: индексация, запросы, трафик, поведение. Агент сам сходил и посмотрел живые данные.
• Данные. Выгрузки по сайту с историей и ТЗ по правкам, которое уже у программистов в работе.

Каждый пункт чужого аудита проверен по методологии агентства и по живым цифрам сайта, а не по ощущениям. Если каких-то данных не хватает, догрузить их по API — вопрос секунд.

Без базы знаний ИИ отвечает как все. С базой знаний, скиллами и данными — как вы, и за пару минут. Это и есть порядок, который умножает моторчик.

---

Три модели агентства

Слайд 21 — Old School, Low Automation, Full Automation

Old School — команда из хеда, мидлов и джунов с чек-листами; такие агентства вряд ли выдержат конкуренцию. Low Automation — состояние агентства годом ранее и, по ощущениям, около 90% рынка сейчас: кто-то вайбкодит, что-то внедряется. Full Automation — то, к чему стоит стремиться.

Все три модели агентство прошло само. Вся разница в двух строках: сколько проектов тянет один человек и что происходит, когда он уходит.

Смена парадигмы: 80/20 → 5/95

Слайд 22 — перераспределение времени

Не тратим время на ерунду — поручаем агентам. Время людей — на внедрение и аналитику.

Было: SEO Head → Middle → Junior с чек-листами. Стало: супервайзер + ML-инженер → AI-агенты.

AI-first — это не про «уволить всех». Специалист перестаёт быть оператором и становится архитектором.

Слайд 23 — человек не уволен, он больше не бегает

Агент собирает ночью. Человек утром думает. Джуны с чек-листами становятся диспетчерами.

---

Так стали ли мы богаче и свободнее?

Слайд 24 — три вывода и цифры

1. Вайбкодинг — мультипликатор. Сначала порядок, потом моторчик. - Техаудит: 3–4 часа на клиента → ночь по всем. - Парсинг 200 объектов: 30 000 ₽ → 10 ₽ (кейс).

2. Парадигма 5/95. Ерунду агентам, людям — внедрение. - Аудит сети клиник: 3 дня → 40 минут. - Контроль аккаунтов: 2 часа → 15 минут, каждый день.

3. ИИ — агент, а не инструмент. Колесо крутится без нас. - Проектов на человека: 3–5 → 10–30, без найма. - Скилл на Git — незаменимых нет.

Богаче и свободнее — не потому, что бежим быстрее. Потому что колесо крутится без нас.

---

Что сделать завтра

Слайд 25 — пять шагов

1. Выбери одну задачу — где больнее всего делать руками.
2. Собери данные в одно место — в кривой базе ни один AI не разберётся.
3. Опиши правила — AI только там, где правила бессильны.
4. Оформи как скилл — SKILL.md плюс скрипт, чтобы запускалось без тебя.
5. Сделай режимом по умолчанию — запуск по расписанию либо по хуку.

Как это было сделано в агентстве: из CRM выгрузили все задачи за последние полгода, нашли самые частые и автоматизировали их первыми. Техпроцесс описывается словами — откуда брать данные, с чем сводить, куда выводить, — и отдаётся модели с просьбой собрать скилл. Дальше тестирование, постановка на крон — и скилл становится агентом. Следующий — по тому же циклу.

Через неделю — один работающий агент. Это больше, чем 47 неработающих скриптов.

Слайд 26

Вайбкодинг — не скам, а мультипликатор. Используйте ИИ как агента 24/7. Скорость даёт вайбкодинг. Деньги и свободу даёт система.

---

Ответы на вопросы

Отчёты стандартизированы. Что делать, если клиент просит кастомный?

Любой отчёт агентства состоит из трёх частей. Первая — постоянные элементы, которые переходят из отчёта в отчёт. Вторая — автоматические выгрузки: трафик, позиции и выполненные работы из CRM. Третья — гипотезы и точки роста. Её готовят люди: руководитель SEO и специалисты. Генерацию гипотез можно поручить модели, и это делается, но финальную часть полностью отдавать ИИ рискованно.

Если вайбкодинг настолько эффективен, зачем о нём так активно рассказывать?

Опыт мастермайндов даёт ответ. Из десяти участников с одним ментором и одинаковыми инструкциями обычно двое становятся лидерами, двое отстают, остальные держатся в середине. Из тех, кто услышит этот доклад, по-настоящему внедрят единицы. Для остальных он останется просто интересным выступлением.

При этом делиться выгодно: вокруг формируется сообщество, где люди внедряют, созваниваются, обмениваются находками. Обратная связь и идеи от таких же практиков стоят дороже, чем гипотетическая потеря конкурентного преимущества.

---

Материалы: видео

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