Онлайн-школа английского в ответах GigaChat: разбор реального кейса 🔍

Примерно год назад ко мне обратилась онлайн-школа английского языка — небольшой проект с командой в семь человек, средний чек 4 500 рублей за месячный курс. Трафик шёл почти полностью из Яндекса и ВКонтакте. В GigaChat школу не было вообще — ни по одному запросу.

Задача звучала просто: попасть в ответы GigaChat по запросам типа «как выбрать онлайн-школу английского» и «где учить английский взрослому с нуля». Но простота была только видимой.

С чего начали: аудит и первые неприятные выводы

Я провёл базовый аудит — прошёлся по сайту, посмотрел структуру контента и проверил, как GigaChat отвечает на профильные вопросы в нише. Результат ожидаемый: в ответах всплывали статьи с образовательных порталов и агрегаторов, несколько материалов из Дзена и Хабра. Сайт клиента — нигде.

Проблема была не в техничке. Сайт нормально индексировался. Проблема была в контенте: все статьи были написаны под ключевые слова, а не под вопросы. Типичное «Английский для взрослых — обучение онлайн. Запишитесь сегодня». Никакой структуры, никаких конкретных утверждений. Ничего, что ИИ мог бы процитировать.

GigaChat, как и другие LLM, ищет не совпадение по словам, а пригодный к цитированию ответ. Структура, явные утверждения, факты — вот что он «берёт». У клиента этого не было.

Что сделали: три конкретных шага

Первым делом переписали три ключевые статьи — полностью, под логику LLM, не под плотность вхождений. Каждая статья теперь открывалась прямым ответом на вопрос в первых двух предложениях. Добавили подзаголовки с конкретными утверждениями: «Почему взрослым сложнее учить язык», «На что смотреть при выборе школы», «Как понять, что методика работает». Никаких лирических вступлений, никаких «мы рады приветствовать вас».

Второй шаг — разметка. Добавили Schema.org типа FAQPage на страницы с часто задаваемыми вопросами. Это сигнал для краулеров: здесь есть структурированные вопросы и ответы, их удобно использовать.

Третий шаг — внешние сигналы. Опубликовали три материала на внешних площадках: один разбор на тематическом образовательном форуме, одна гостевая статья на сайте о саморазвитии, одна публикация в Дзене со ссылкой на сайт. Не ради ссылочного веса — ради того, чтобы контент школы начал встречаться в разных местах. LLM доверяет источникам, которые упоминаются не в одной точке.

Результат через три месяца 📈

Первые цитирования в GigaChat появились примерно через пять недель после публикации переработанных статей. Не по всем запросам сразу — по двум из шести целевых.

Через три месяца школа упоминалась в ответах GigaChat по четырём запросам из шести. Органический трафик на сайт вырос на 34% — но здесь важен не сам рост, а его качество. Среднее время на сайте у новых пользователей увеличилось с 1:40 до 3:20. Люди, которые приходили, уже были «подготовлены» ответом ИИ — они искали конкретику, а не листали в поисках непонятно чего.

Конверсия в заявку на пробный урок выросла с 1,2% до 2,8%. За три месяца это дало дополнительно около 40 заявок — без роста рекламного бюджета.

Главное, что я вынес из этого проекта

GigaChat, в отличие от ChatGPT, работает с русскоязычным контентом плотнее и охотнее берёт материалы с российских площадок. Это означает, что у небольшой нишевой школы или сервиса есть реальный шанс конкурировать с крупными агрегаторами — если контент написан как ответ, а не как рекламный текст.

Три переработанные статьи сделали больше, чем год ключевых слов. Потому что ИИ не ищет «лучшую школу» — он ищет тот источник, из которого проще всего собрать ответ. Станьте этим источником — и трафик придёт сам. 🎯