Тезис «за AI-текст понижают» (хорошо хоть не унижают) звучит как здравый смысл, и я сам долго в него верил. Но верить, честно говоря, разонравилось, поэтому решил проверить руками на каком-нибудь реальном замере. В итоге я прогнал корпус страниц через пять нейросетей, посмотрел, что предсказывает попадание в их ответы, и сверил вывод с недавним разбором Ahrefs на 331 тысячу страниц (даже Лев Толстой слегка перевернулся). На самом деле, если отбросить шутки, получилось даже интереснее, чем ожидал: наказание следует не за сгенерированный текст как таковой, а за отсутствие реального содержания. Так сказать, за водичку.

Сразу разведу две оси, чтобы не путать. У меня — цитируемость в нейропоиске (кого ИИ берёт в источники и называет в ответе). У Ahrefs — позиции в органике Google. Это разные системы, и складывать их в одну кучу нельзя. Но, забегая вперёд, обе указывают куда-то в одну сторону.

Мой эксперимент: 5 нейросетей, сотни ответов

Схема простая. Я взял нишу, набрал по ней пул брендов и страниц, задал пяти нейросетям (ChatGPT, Claude, Perplexity, Gemini, Алиса) одинаковые вопросы, с которыми к ним реально приходят: кого посоветуешь, что знаешь про такой-то бренд, где выгоднее что-то сделать. Каждый вопрос — в нескольких формулировках и по несколько прогонов, чтобы не словить (хук справа) случайность. В итоге набралось несколько сотен ответов.

Для каждой страницы я прикинул две вещи:

• AI-долю — насколько текст похож на сгенерированный (прогнал через детектор AI-стиля).

• Фактическую плотность — числа, даты, конкретика, структура, наличие внешних подтверждений.

А целевая переменная такая — брала ли нейросеть эту страницу или бренд в источники и называла ли сама.

# упрощённая логика подсчёта, без обвязки
rows = load_measurements()          # страница -> {ai_share, fact_density, cited}
import numpy as np
ai   = np.array([r["ai_share"]     for r in rows])
fact = np.array([r["fact_density"] for r in rows])
cited= np.array([r["cited"]        for r in rows]).astype(float)

print("corr(AI-доля, цитирование) =", round(np.corrcoef(ai,   cited)[0,1], 3))
print("corr(фактура, цитирование) =", round(np.corrcoef(fact, cited)[0,1], 3))

Результат меня и переубедил. Связь «выше AI-доля → реже цитируют» оказалась около нуля: сгенерированность сама по себе почти ничего не предсказывала. А вот фактическая плотность коррелировала с цитированием заметно и устойчиво. Страницу с числами, датами и внятной структурой нейросети берут охотнее — даже если стилистически она вполне могла быть написана моделью. И наоборот: написанный человеком, но водянистый текст без фактуры проходит мимо.

То есть на моей оси — в источниках нейропоиска — наказывается пустота, а не авторство модели.

Что намерил Ahrefs на своей оси

Теперь про Google. Ahrefs разобрал 331 тысячу страниц: прогнали каждую через классификатор AI-доли, сопоставили с органическими позициями. Вывод тот же по мысли — явной связи «AI-текст → штраф» нет. В топе живут страницы с высокой AI-долей, включая почти полностью сгенерированные; проседает в среднем слабый и массово наштампованный контент, независимо от того, писал его человек или модель.

Две независимые оси — мои источники нейропоиска и их позиции Google — сошлись на одном: мерило не авторство, а польза и фактура. Это, пожалуй, самый устойчивый вывод из всей этой истории.

Но у метода Ahrefs (и моего) есть дыры

Радоваться рано — оба замера балансируют на шатком фундаменте, и это надо проговорить.

Дыра первая: детектор AI — не измерительный прибор. И у Ahrefs, и у меня независимая переменная измеряется классификатором AI-стиля, а он шумит: ложные срабатывания легко достигают десятков процентов. Если предиктор мерится с большой ошибкой, корреляция с ним затухает в сторону нуля. Это attenuation bias — и он означает, что отсутствие найденной связи и вариант «связь есть, но детектор её съел» в таком дизайне неразличимы.

Смоделирую, чтобы было видно. Пусть связь на деле есть, но детектор путает классы в 30% случаев:

import numpy as np
rng = np.random.default_rng(0)
n = 100_000
true_ai = rng.random(n)                          # истинная доля AI
signal  = 50 + 40*true_ai + rng.normal(0,10,n)   # связь ЕСТЬ: больше AI → хуже

noise = rng.random(n) < 0.30                      # детектор врёт в 30%
measured_ai = np.where(noise, rng.random(n), true_ai)

print("corr(истина)   =", round(np.corrcoef(true_ai,     signal)[0,1], 3))
print("corr(детектор) =", round(np.corrcoef(measured_ai, signal)[0,1], 3))

Истинная корреляция около 0.75, измеренная детектором — заметно ниже. Связь есть, а грязный инструмент её прячет. Так что мой результат около нуля и вывод Ahrefs об отсутствии связи надо читать с этой поправкой.

Дыра вторая: наблюдательный срез, а не эксперимент. И Ahrefs, и я смотрим на то, что уже в индексе и уже в ответах, — на уцелевших. Если система режет откровенный машинный мусор раньше, на этапе краулинга или отбора источников, в выборку он просто не попадает, и внутри уцелевших связи не видно по построению. Чтобы поймать штраф честно, нужен лонгитюд: когорта новых страниц, зафиксированная AI-доля на старте и слежение за траекторией недели и месяцы. Ни у него, ни у меня этого пока нет.

Что я из этого вынес

С практическим смыслом от я плюс-минус согласен. Позиция «Google и нейросети охотятся на AI-тексты» не выдерживает проверки. Опасно другое — прочитать это как «раз не штрафуют, можно штамповать»: массовая генерация пустых страниц проседает и там, и там.

Что делаю сам после этого замера:

• Не гонюсь за нулём по детектору AI — это оптимизация шума. Детектор не приговор и не мерило качества.

• Оцениваю страницу по фактуре: числа, даты, источники, структура, ответ на конкретный вопрос. Это то, что коррелирует и с позициями, и с попаданием в источники ИИ.

• Если захочу доказать наказуемость за AI строго — поставлю лонгитюд на когорте новых страниц, а не буду смотреть срез уже проиндексированного.

Итог: и мой замер по нейропоиску, и разбор Ahrefs по Google бьют в одну точку — наказывается пустота, а не то, кто держал (свечку?) перо. Но оба держатся на детекторе с шумом и наблюдательном срезе, так что доказательства 100-процентного отсутствия штрафа тут точно нет — есть схожие мысли и эмпирические выводы. Выводы, на мой взгляд, выглядят довольно реалистично.