Вес источников в эпоху ИИ: кому доверяют алгоритмы

Почему старые метрики перестали работать

В эпоху классического SEO авторитетность измерялась числом входящих ссылок и показателем Domain Authority. Чем больше ссылок — тем выше позиция. Эта логика породила целую индустрию: биржи ссылок, PBN-сети, массовый гостевой постинг.

Языковые модели обучались на других принципах. Они видели миллиарды текстов и научились различать, какие источники реально цитируют учёные, инженеры и отраслевые эксперты — а какие существуют только ради ссылочного веса. Алгоритм оценки доверия в ИИ ближе к TrustRank, чем к PageRank: важно не количество, а качество и происхождение связей.

Как TrustRank стал прообразом ИИ-доверия

TrustRank был предложен исследователями Stanford и Yahoo ещё в 2004 году как ответ на ссылочный спам. Идея проста: возьми небольшое множество заведомо надёжных сайтов («зёрна доверия»), распространи их авторитет по ссылочному графу — и сайты, близкие к этим зёрнам, получат высокий траст, а изолированные ссылочные фермы — нет.

Языковые модели унаследовали эту логику, но усложнили её. При обучении на корпусах текстов модель фиксирует, какие источники цитируются в академических работах, открытых репозиториях, официальных документациях. Эти источники формируют внутренний «граф доверия» модели — и при генерации ответа на запрос алгоритм с большей вероятностью воспроизведёт информацию именно из них.

Важно понимать: для языковых моделей E-E-A-T — это не чек-лист, который можно «выполнить» формально. Это совокупность сигналов, которые либо присутствуют в реальной экосистеме сайта, либо нет. Поддельный профиль автора или купленная ссылка с .edu-домена не дадут того же эффекта, что реальное участие эксперта в профессиональном сообществе.

Для B2B-компаний это означает конкретный вывод: инвестиции в экспертизу сотрудников, их публичность и участие в отраслевых дискуссиях — это теперь напрямую влияет на то, будет ли ваш сайт цитироваться ИИ-системами.

Академические и трастовые ссылки: почему вес несопоставим

Представьте граф доверия как сеть городов и дорог. Университеты, государственные ресурсы и крупные open-source платформы — это мегаполисы с максимальной проходимостью. Обычный коммерческий сайт — небольшой посёлок. Если из мегаполиса проложена дорога к вашему посёлку, это резко меняет его «транспортную доступность» в графе.

Именно поэтому одна ссылка с MIT.edu или из документации к популярной библиотеке на GitHub эквивалентна сотням ссылок с рядовых блогов. Алгоритм не просто считает ссылки — он оценивает расстояние до «зёрен доверия» по кратчайшему пути в графе.

Для B2B-компаний практический вывод такой: публикуйте открытые данные, участвуйте в отраслевых стандартах, вносите вклад в open-source — и академическое сообщество начнёт ссылаться на вас органически.

Структурированные данные — это, по сути, «паспорт» страницы для машинного чтения. Без него парсер вынужден угадывать контекст из текста, что увеличивает вероятность ошибки классификации. С разметкой — алгоритм получает явные метаданные и может быстрее и точнее принять решение о трастовом весе.

Для B2B-сайтов особенно важны схемы Organization (с указанием sameAs на профили в Wikidata, Crunchbase, LinkedIn), Product и Service с реальными атрибутами, а также HowTo и FAQPage — они напрямую увеличивают вероятность попадания в featured snippets и ответы ИИ-систем.

Отдельно стоит сказать о покупных .edu-ссылках. Существует рынок, где университетские поддомены или страницы студенческих организаций продаются для размещения ссылок. Алгоритм TrustRank-типа со временем научился различать такие страницы: они изолированы от основного академического контента, не имеют входящих ссылок от других академических ресурсов и часто содержат тематически нерелевантный контент. Такая ссылка не только не даёт трастового веса, но может стать сигналом манипуляции.