Nike и “AI-обзоры” вместо десятков гипотез: как оптимизировали поисковую контент-воронку под Topical Authority

Nike и “AI-обзоры” вместо десятков гипотез: как оптимизировали поисковую контент-воронку под Topical Authority

Контекст
В 2026 пользователи реже “доходят до клика” по холодному запросу: растёт доля zero-click (ответы дают прямо в выдаче и в AI-результатах). Одновременно меняется SEO-логика: чистое informational SEO (масса отдельных статей под ключи) уступает Topical Authority — когда бренд становится “главным источником” по теме за счёт системной базы знаний, связности материалов и консистентных ответов на смежные вопросы.

Nike столкнулась с типичной болью: команда выпускала много контента, но прирост органики не конвертировался в устойчивый спрос на конкретные продуктовые категории (например, беговая линейка и кроссовки для разных сценариев использования). По внутренним метрикам доля страниц, которые “помогали” в ранних этапах, росла, а доля целевых действий оставалась плоской: люди получали ответ “что выбрать”, но не доходили до нужного раздела каталога и консультации (в B2C это часто поиск подходящей модели/размера, в B2B-аналоге — выход на запрос в продажи).

Задача
Нужно было перестроить контент так, чтобы:
— страницы реально работали на формирование контекста и доверия к бренду (Topical Authority), а не просто закрывали отдельные запросы
— связка “AI-обзор → продуктовая страница/категория → целевое действие” становилась предсказуемой
— при этом снизить стоимость производства: креативы и тексты нельзя делать вручную “десятками версий” на каждую связку запросов

Решение
Команда собрала не “контент-пул”, а контент-модель: матрицу тем и сценариев (тип активности, уровень подготовки, ограничения по суставам/амортизации, климат, тип покрытия, частота тренировок). Дальше включили три слоя AI-инструментов.

1) AI-генерация и нормализация структуры под вопросы пользователя
Использовали LLM-подход для разметки “информационных потребностей” и перевода их в единый шаблон ответа:
— короткий критерий выбора (что важно именно вам)
— сравнение вариантов по параметрам (амортизация, вес, поддержка, сцепление)
— “пороговые” случаи, когда лучше выбрать другую категорию
— блок “следующий шаг”: куда перейти на сайте (категория/гайд по размеру/сервис подбора)

Важно: генерировали не финальные тексты на поток, а каркас и список вопросов, чтобы редакторы закрепляли экспертность бренда и удерживали точность терминов.

2) Библиотека brand-knowledge для единых формулировок
Создали контент-базу: стандартизировали описания материалов, сезонности, логики посадки/подошвы, принципы рекомендаций по нагрузке. Так бренд одинаково отвечал на одни и те же вопросы на разных страницах — это повышает связность и уменьшает “шумы” в сигнале поисковикам.

3) AI-overviews и интерактивные “выжимки” на уровне страницы
На ключевых посадочных страницах (категории и гайды) добавили короткие обзоры прямо в начале: они работают как “собственный ответ” для zero-click сценария. По сути это мини-справка, которая закрывает вопрос пользователя до конца и подталкивает к действию: выбор модели по критериям + быстрые фильтры.

Параллельно внедрили privacy-first аналитику пути: смотрели не last-click, а связку “просмотр обзора → переход в категорию → событие (просмотр карточек/фильтров/поиск размера/добавление в корзину)”. Где возможно — оценивали инкрементальность (incrementality) на уровне сегментов: контрольные группы получали другой порядок блоков или другой формат обзора.

Результат (цифры)
За 10–12 недель после внедрения:
— доля органического трафика на “обзорные” страницы выросла на **+18%** (по группам запросов, которые раньше приводили только к чтению без перехода)
— глубина просмотра после AI-обзоров увеличилась на **+24%**: пользователи чаще шли от ответа к каталогу
— конверсия в целевое действие (просмотр карточки/фильтра/размера) выросла на **+11%** именно на страницах с системным ответом, а не просто с количеством публикаций
— показатель “помощь контента” улучшился: доля страниц, которые становились первым входом в серию (gating воронки), поднялась с **21% до 29%**
— при этом производство стало дешевле: за счёт един
…