AI-оверлей и «нулевой клик»: как Aviasales выстроил Topical Authority через собственные данные и LLM-аналоги

AI-оверлей и «нулевой клик»: как Aviasales выстроил Topical Authority через собственные данные и LLM-аналоги

Рынок изменился: в 2026-м чистое informational SEO (просто ответы на запросы) все чаще «съедает» выдача с AI-обзором. Пользователь не кликает, а забирает суть прямо в Search. У брендов, которые раньше жили трафиком из статей, растёт доля страниц, которые ранжируются, но почти не дают визитов. Одновременно усиливается конкуренция за доверие: алгоритмы и пользователи хотят не объём публикаций, а устойчивую экспертизу по теме — то, что на практике превращается в Topical Authority (тематическую авторитетность), подкреплённую данными.

Контекст кейса (в духе 2026): Aviasales как поисково-медийный сервис по тревелу находится на стыке Search, контента и продуктовых данных (цены, доступность, маршруты, сезоны). На горизонте нескольких итераций команда столкнулась с падением доли органики в верхней части воронки при росте видимости в «AI-ответах». Это не про отказ от контента, а про смену формата: контент должен давать не «информацию вообще», а ответ, который невозможно получить без внутренних знаний бренда.

Задача:
— сохранить органический спрос при росте zero-click;
— увеличить число кликов из Search не через «оптимизацию под робота», а через более высокий уровень доверия (качественная полнота, точность и персонализируемость);
— связать контент с продуктом так, чтобы статьи работали не как энциклопедия, а как путь к целевому действию (подбор рейса/уведомления/покупка).

Решение:
1) Декомпозиция тем на «страницы-агрегаторы знаний».
Команда выделила кластеры запросов по сценариям: «когда лететь», «как найти дешевле», «какие направления лучше в сезон», «какой аэропорт удобнее». Каждая страница-агрегатор опиралась не на общие советы, а на собственные статистики агрегирования (сезонность, распределение цен по дням недели, влияние канала ввода спроса на доступность).

2) Построение “data-first” контент-генерации.
Тексты собирались LLM-подобными инструментами, но фактура шла из витрин данных: сводные таблицы и правила расчёта формировали “каркас” ответа. Модели использовались для:
— перефразирования и структурирования (чтобы финальный текст читался как экспертное объяснение),
— генерации вариаций блоков (например, разные гипотезы «почему цены отличаются» под разные сценарии пользователя),
— адаптации под формат AI-overview (краткие тезисы + пояснение «откуда это»).

3) Атрибуция источника в самом контенте.
Чтобы обойти доверительный барьер zero-click эпохи, на страницах появились микро-секции “на основе данных сервиса”: период выборки, покрытие направлений, ограничения («данные по рынку внутри X», «статистика по популярности маршрутов»). Это повышало вероятность, что AI-обзор (и пользователь) будет воспринимать страницу как первоисточник/носитель компетенции.

4) Связка с продуктовым действием.
Каждый тематический материал заканчивался не «ссылкой на поиск вообще», а точным действием: уведомления по направлению, подбор альтернатив по ближайшим датам, рекомендации по «коридорам» времени. По сути контент превращался в микро-RevOps-цепочку: маркетинг → релевантное действие → последующий контакт через retention-сценарии.

Результат (формат цифр как в отчетах команды):
— рост доли видимости в выдаче с AI-обзорами по ключевым кластерам (ориентир: +20–35% по отчетным сегментам видимости в течение 2–3 месяцев после внедрения data-first страниц);
— снижение «провалов кликабельности»: при почти неизменной доле zero-click улучшился CTR на страницах-агрегаторах (ориентир: +8–12% по страницам с собственной статистикой по сравнению с «советами без данных»);
— рост возврата пользователей на продукт через контент: доля пользователей, начавших с обзора/гайда и дошедших до пользовательского действия (поиск/уведомление) увеличилась (ориентир: +10% в когортах 30 дней);
— выигрыш по эффективности контента: меньше страниц «в никуда», больше публикаций, которые реально обслуживают сценарии и дают поведенческий результат (переход от объёма к ценности смыслов).
…