Aviasales: как LLM помогла усилить Topical Authority и снизить нулевые клики без “воды”

Aviasales: как LLM помогла усилить Topical Authority и снизить нулевые клики без “воды”

Контекст
К 2026 поисковая выдача все чаще закрывает запросы прямо в AI-ответах (overview-сущностях), поэтому “чистый” informational SEO начинает проседать. Для Aviasales это особенно чувствительно: многие пользователи приходят с очень конкретными задачами (“как найти билеты дешевле именно на даты X”, “какие правила пересадки”, “как работает возврат”). Если на сайте нет собственной экспертизы, алгоритмы быстрее трактуют страницу как универсальную и не дают ей выигрывать в топе.

Задача
Нужно было одновременно:
— удержать долю органики по транзакционным темам (маршруты, пересадки, возвраты), где много нулевых кликов;
— расширить Topical Authority по “сквозным” кластерам (тарифы/правила, авиакомпании, сценарии поездок);
— ускорить производство контента без потери качества (в e-com и travel средний пользователь быстро отличает “генерик” от реальных условий).

Решение
Команда Aviasales собрала конвейер на базе LLM-помощника для редакции и аналитики спроса, но с жесткими правилами качества.

1) Карта тем и “вопросов с намерением”
Сначала LLM помогла разложить поисковые формулировки в сценарии: покупка, изменение/отмена, пересадка, багаж, документы. Важно: модель не “придумывала” темы — она группировала реальные запросы и уточняющие вопросы. Далее каждый кластер закрепили за редактором и саппортом (чтобы правила/условия были проверяемыми).

2) Шаблон страниц под Topical Authority
Для каждой темы задавались обязательные блоки:
— “Что влияет на цену/условия” (факторы, которые реально проверяются);
— “Типовые ограничения” (на что жалуются пользователи);
— “Как сделать действие” (пошагово, но только в рамках правил);
— “Частые ошибки” (с опорой на обращения);
— “Где найти официальное” (ссылки на источники и формулировки условий).
LLM писала черновик и структуру, но финальные формулировки по политикам проверялись.

3) Проверка фактов через внутреннюю базу и контроль “галлюцинаций”
Чтобы не получить юридически неверные “советы”, LLM подключали к внутренним материалам (FAQ, регламенты, типовые ответы). Если в черновике встречалась информация вне базы, модель отправляла текст в статус “нужна проверка” — без допуска к публикации.

4) Конверсия смысла в поисковый формат
Так как zero-click растет, страницы донастраивали под форматы ответов: краткий вывод в начале, затем разворот “почему/как”, и отдельно — блок “на практике”. Это повышает шанс, что AI-ответы будут ссылаться на страницу как на первичный источник объяснения.

Результат
За период теста по тематическим кластерам (travel rules/возврат/пересадки) команда увидела:
— рост видимости по расширенным запросам (не только “билеты”, а уточнения про правила и сценарии);
— снижение доли страниц, которые получали много показов, но почти не приводили к взаимодействию (за счет более точного попадания в намерение);
— ускорение цикла производства: подготовка черновика сокращалась на порядок по сравнению с ручным стартом, при этом доля правок редактора оставалась управляемой благодаря контролю фактов.
Если перевести на язык метрик 2026: эффект был не “от одной статьи”, а от сборки системы Topical Authority — чтобы в AI-overviews и выдаче бренд чаще выглядел как источник конкретных знаний, а не как агрегатор.

Урок
1) LLM в SEO — это не замена экспертизы, а ускоритель сборки структуры и вопросов. Побеждает тот, кто превращает контент в *свой* справочник.
2) В нулевые клики выигрывает контент с собственной проверяемой позицией: правила, частые ошибки, сценарии.
3) За качество отвечает процесс: факты из внутренней базы + “нет базы — нет публикации”. Тогда вы получаете скорость, не платя риском.

Если хотите, могу дать шаблон технического задания для редактора: как формировать блоки страницы так, чтобы она работала и в выдаче, и в AI-ответах.

— @AIinMarketingRuPro