Использование ИИ-агентов стало неотъемлемой частью повседневного поиска разработчиков и инженеров-программистов. Последние опросы, такие как исследование разработчиков за 2026 год, показывают, что около 70% респондентов прибегают к помощи ИИ-агентов для поиска ответов и подходящих технических решений. Этот демографический сдвиг в поисковом поведении ставит перед технологическими компаниями и платформами для разработки ПО новую задачу: как гарантировать появление их инструментов и платформ в первых ответах, предоставляемых большими языковыми моделями (LLM)?
Платформа для разработки сайтов и управления контентом Webflow изучила и проанализировала поведение поисковых систем на основе искусственного интеллекта, отследив сотни запросов к нескольким ключевым моделям, таким как Claude от Anthropic, ChatGPT от OpenAI, Gemini от Google и Perplexity. Цель исследования заключалась в том, чтобы выяснить, насколько часто название платформы появляется при задании конкретных вопросов, касающихся программной интеграции с такими протоколами, как Model Context Protocol (MCP), а также доступных вариантов создания сайтов и управления контентом.
Что показывают практические данные?
Данные, собранные Webflow за определенный период времени по результатам отслеживания 100 ответов на запросы, продемонстрировали широкий разброс между различными ИИ-моделями. Например, Perplexity заняла первое место по частоте упоминания названия — примерно 22 раза из 25 ответов, за ней последовал ChatGPT, в то время как остальные модели показали более низкие показатели. Тем не менее, техническая команда отметила, что простое упоминание названия платформы не обязательно означает точность описания или правильность классификации. Некоторые модели предоставили точное описание, показывающее, что MCP-сервер поддерживает аутентификацию OAuth и разработан самой платформой, в то время как другие модели сочли его сторонней интеграцией или не предоставили точных деталей.
Анализ также показал, что источники, на которые опираются модели, кардинально различаются. В то время как некоторые модели опирались на официальную документацию компаний и их собственные технические материалы, большинство полагалось на сторонние руководства, технические блоги и сторонние репозитории, из-за чего появление платформы иногда зависело от внешних ссылок, а не от прямой документации.
Почему это развитие событий важно для технических команд?
Этот стратегический сдвиг имеет решающее значение для технологических компаний и программных продуктов по ряду практических причин:
- Отсутствие традиционного трафика: когда ИИ-агент предоставляет разработчику прямой ответ, пользователь может не зайти на сайт компании, и ему не будут показаны традиционные результаты аналитики, из-за чего оценка рекламного эффекта ограничивается прямым мониторингом ответов.
- Точность описания и классификации: недостаточно добиться лишь мимолетного упоминания названия — гораздо важнее точно описать технические возможности (например, характер поддерживаемых MCP-серверов и доступных интеграций), чтобы не вводить разработчиков в заблуждение.
- Контроль источников: опора на официальную документацию и прямую программную документацию увеличивает вероятность того, что модели будут цитировать верную информацию, а не внешние статьи, которые могут оказаться устаревшими или неточными.
Этот эксперимент подтверждает, что оптимизация видимости продуктов в эпоху искусственного интеллекта больше не ограничивается традиционными поисковыми системами для оптимизации веб-страниц (SEO), а распространяется на так называемую оптимизацию видимости в поисковых системах с ИИ (AEO). Она требует постоянного отслеживания ответов, понимания того, как модели интерпретируют технические возможности, и работы над предоставлением структурированной и надежной программной документации, которую агентам будет легко понять и использовать.