80% времени освобождено: как AI-агент делает технический SEO-аудит вместо специалиста
SEO-специалист тратит до 80% времени не на аналитику, а на выгрузку и склейку данных из трёх разных источников — краулера, Яндекс.Вебмастера и Google Search Console — у каждого свой формат и свой API. Мы собрали агента, который сам собирает, сопоставляет и хранит все эти данные в единой структуре, а затем по запросу генерирует гипотезы через Claude. Раньше на сбор данных по одному клиенту уходило 3–4 часа и аудит делали раз в квартал. Теперь скрипт ставится на ночь — утром данные по всем проектам собраны, и аудит можно проводить хоть еженедельно.
Боль: 80% времени — не анализ
Техническое состояние сайта описывают три источника, и ни один не даёт полной картины в одиночку: краулер видит структуру и мета-теги, Яндекс.Вебмастер — историю ИКС, диагностику и битые ссылки, Google Search Console — запросы, показы и позиции. У каждого свой формат, свой API, свои токены доступа.
Так распределялось время специалиста до автоматизации сбора данных.
Аудит при такой скорости делается раз в месяц, и к моменту разбора половина найденных проблем уже неактуальна, а новые успели накопиться.
Шаг 1. Автоматизируем сбор сырых данных
Первая задача — просто собрать всё в одном месте, без анализа и выводов. На этом этапе искусственный интеллект не нужен вообще: краулер выгружает все URL, коды ответов, title, description, H1, canonical и alt картинок; Яндекс.Вебмастер отдаёт диагностику ошибок, историю ИКС, битые ссылки, ошибки sitemap и список индексированных URL; Google Search Console — запросы, страницы с показами, CTR, позиции и ошибки карты сайта. Скрипт ставится на ночь — утром по всем проектам собраны свежие данные, и каждый прогон сохраняется с датой: через месяц набирается история, через полгода — полноценная база для сравнения.
Пример скилла для технического аудита
Так выглядит техническое задание (SKILL.md) для самого агента — какие источники он опрашивает и что именно забирает с каждого шага пайплайна.
SKILL.md технического аудита — описание и пайплайн из 6 шагов
SKILL.md технического аудита — шаги Crawler, Webmaster, Indexation, Pages
Шаг 2. Нарезаем данные для дашборда и быстрых побед
Первый слой — сводный дашборд, одна строка на клиента с цветом по тяжести проблем (число 4xx-ошибок, количество неиндексируемых страниц, общий статус GREEN/RED). Второй слой — quick wins: страницы без title, позиции 11–20 с хорошими показами, которые реально дотянуть до топ-10, низкий CTR при высоких показах (признак плохого сниппета), дубли title, битые ссылки. Каждый quick win оформляется в готовое ТЗ — приоритет цветом, описание на 2–3 предложения и таблица с конкретными URL, а не общая рекомендация «поправьте title».
Шаг 3. Единая база для глубокой аналитики
Самое ценное — не отдельные отчёты, а то, что все данные лежат в единой структуре и их можно сопоставлять между собой. Это открывает проверки, которые руками не делает никто и никогда: 3-way сопоставление индексации (краулер против Яндекса против Google по одному и тому же списку URL), страницы-зомби (есть в индексе, но не приносят ни показов, ни трафика — чистый балласт), корреляция между появлением 5xx-ошибок и падением трафика, а также сравнение двух прогонов аудита — что починили, а что успели сломать за это время. Разовый аудит — это снимок состояния. Регулярный сбор данных — уже полноценный мониторинг.
Шаг 4. Простое хранение — JSON и Excel
Никакой сложной инфраструктуры: aggregate.json — единый файл на клиента со всеми метриками из всех источников, одна точка доступа ко всему; Excel-таблицы — сырые выгрузки, дашборды и сравнительные таблицы индексации; структура папок вида данные/домен_дата — каждый прогон в своей папке. Такие форматы может открыть кто угодно — специалист, менеджер, клиент — без специального софта и доступа к серверу. И, что важнее всего, именно эти форматы идеально подходят для работы с AI: структура плюс Claude равно гипотезы.
Шаг 5. Скармливаем Claude для генерации гипотез
Здесь начинается основная ценность подхода. Все собранные данные — JSON, таблицы, сравнения прогонов — загружаются в Claude целиком, и дальше это просто вопрос: «Вот aggregate.json и таблица индексации. Почему десятки страниц не индексируются? Дай гипотезы с приоритетами.» Или: «Вот данные за март и за апрель. Что изменилось, что стало хуже?» Или: «Вот запросы из GSC с позицией 11–20. Какие страницы проще всего дотянуть до топ-10 и что для этого сделать?» Ключевой момент — модель работает не с сырым HTML и не с абстрактным «проанализируй сайт», а со структурированными данными. Качество вопроса определяется качеством данных на входе.
Вывод по кейсу: всё стало наоборот
| Было | Стало |
|---|---|
| 3–4 часа сбора данных по клиенту | Поставил на ночь — утром готово |
| Аудит раз в квартал | Данные собираются еженедельно |
| Сравнение индексации руками | 3-way автоматическое сопоставление |
| ТЗ копипастом из таблиц | Готовый DOCX с quick wins |
| Гипотезы в голове | Гипотезы от AI на основе всех данных |
Продуктивность выросла не в разы, а на порядок — потому что убрали не 10% рутины, а 80%. Общий принцип, который работает не только в этом кейсе: искусственный интеллект там, где нужен смысл, а обычный код и правила — там, где кода достаточно. Перепутать роли местами — значит получить решение, которое одновременно и дороже, и менее надёжно, чем должно быть.