Художник и искусственный интеллект. Часть 24.

Поговорим про маркетплейсы, то есть про алгоритмическую пищевую цепь, на примере беговых лыж и увидим грядущее усложнение онтологии выдачи; сделаем попытку внятно сформулировать, а, быть может, даже и описать сдвиг парадигмы, который сейчас происходит. А также поймем, почему семантическая оптимизация для художника — это не шаманизм, а управление векторами через текст.

«Art-оптимизатор». Евгения Корнеева 2026. Алгоритм-арт.

Сегодня стратегия, когда можно было вывести продукт в топ продаж только за счет высокой конверсии и большого объема продаж, постепенно уходит в прошлое, или, лучше сказать, — перестаёт быть достаточной.

Объём продаж не перестал быть сигналом — однако теперь он фильтруется через портрет пользователя. Рекомендательные системы по-прежнему обучаются на конверсии и продажах, но на все более персонализированных.

В наши дни продавцу маркетплейса потребуется относиться к каждой карточке товара как к источнику знаний для ИИ. Не просто перечислять характеристики, а объяснять, какую проблему решает ваш продукт, для кого он, в каких ситуациях и в каком смысле он используется.

Ваши описания должны быть настолько полными и конкретными, чтобы ИИ мог с уверенностью рекомендовать их в ответ на определённые состояния пользователя.

Поисковая оптимизация ограничена

Старая парадигма маркетплейсов была пирамидой. В её основе лежала механика: «Листинг создаётся для алгоритма». Продавец скармливал алгоритму ключевые слова, высокую конверсию и частоту продаж.

Алгоритм на основе данных ранжировал: «Товар Х хорошо продаётся по запросу Y». Результат ранжирования был однозначен: «Надо показывать товар Х всем, кто вводит Y, потому что он нравится большинству». Сегодня эта модель в чистом виде больше не сработает.

Ирония в том, что её уничтожит развитие самого ИИ. Современный алгоритм — это интерпретатор предсказания вашего поведения, который вычислит на основе ваших данных персонализированное векторное представление ваших шаблонов — вашу цифровую проекцию.

Что стоит за метафорой «алгоритм — интерпретатор»

Но здесь важно не отрываться от технической реальности. За метафорой «алгоритм — интерпретатор» стоит конкретная инженерия. Когда мы говорим, что алгоритм вычисляет: «Какие чувства и эмоции в этом предмете?» — это художественный образ. Работает алгоритм иначе: он преобразует ваш текст в векторное представление — эмбеддинг, где слова «ветер, лицо, свобода, холод, уверенность» образуют координаты в многомерном пространстве фиксированной размерности.

То есть определяет, насколько статистически часто слова встречаются в одном контексте с определённым потребительским поведением. Это корреляция, а не понимание.

Вектор «тревожного горожанина» — это не психологический портрет, а просто кластер координат в заданном пространстве.

Если пользователь ранее взаимодействовал с контентом, породившим близкий вектор, система вычисляет математическую близость.

При этом эмбеддинг товара строится не только из вашего текста. Алгоритм учитывает также: поведенческие сигналы — кто кликает и покупает; визуальные эмбеддинги — что изображено на фото; эмбеддинги бренда, категории, ценового сегмента.

Эти разнородные векторы не сливаются в один, а комбинируются: текст, изображение, цена и поведенческие фичи обрабатываются отдельно, а их скоры агрегируются моделью Learning-to-Rank.

Текст — это тот компонент, которым вы можете управлять напрямую.

Ваша задача — не «накормить ИИ чувствами», а создать текст, который при векторизации даст числовой вектор, максимально близкий к векторам целевого состояния аудитории.

Магия — в результате; однако метод — управляемая семантика.

Что это значит для вас, художника?

Ваше описание товара перестало быть просто текстом для SEO. Оно стало источником знаний для нейросети.

В алгоритме больше не определяется: «Какие ключевые слова написал продавец?»

В нём вычисляется: «Какие проблемы, чувства, эмоции, контексты и сценарии в этом предмете?»

Новая философия потребует, чтобы вы осознанно «накормили» ИИ чувственным контекстом.

Ваша задача — описать «смысловой пучок», ассоциативное облако, которое ИИ сможет распутать и сопоставить с такими же сложными, размытыми человеческими и даже неочевидными самим пользователем запросами: не теми словами, которые покупатель набирает в поиск с клавиатуры своего смартфона, а с теми смыслами, которыми он руководствуется в своем поведении на самом деле.

Ключевые слова никуда не уходят

Маркетплейсы и сейчас, и в обозримом будущем едут на ключевых словах. Это фундамент, и без него товар не найдут. Но дьявол в деталях.

Вопрос не в том, работают ли ключевые слова. Вопрос в том, как именно они работают и как меняется их вес в общей формуле ранжирования.

Здесь необходимо чётко понимать архитектуру. Современный поиск и рекомендательные системы маркетплейса — это НЕ один большой ИИ LLM ChatGPT, который вычисляет всё и сразу.

Это гибридный конвейер, где параллельно работают несколько механизмов:

BM25 — алгоритм текстовой релевантности, который оценивает, насколько хорошо карточка товара соответствует поисковому запросу. Он учитывает частоту ключевых слов в документе, но штрафует за перенасыщение — попытку «напихать» ключей слишком плотно.

Векторный поиск по эмбеддингам — то есть смысловая близость текстов;

Графы взаимодействий — что и с чем покупают;

Коллаборативная фильтрация — показывающая, как похожие пользователи покупают похожие товары.

Важно: векторный поиск по эмбеддингам работает не только в рекомендациях. Современные поисковые движки всё чаще гибридные — даже когда пользователь вбивает запрос в строку, параллельно с BM25 срабатывает векторный поиск.

Карточка может показаться в выдаче по семантической близости, даже без точного совпадения слов.

Однако ключевые слова остаются страховкой — полагаться только на векторный поиск в поисковой выдаче пока нельзя.

Коллаборативная фильтрация никуда не уходит

Гибридный поиск формирует пул кандидатов, который затем проходит через многоуровневый ранкер, то есть векторный поиск работает на этапе отбора, а финальное ранжирование учитывает сотни признаков, включая коммерческие и логистические.

Коллаборативная фильтрация — это не «старый путь», который сменяется «новым». Она никуда не уходит.

Коллаборативная фильтрация работает одновременно со смысловыми эмбеддингами.

Вектор пользователя строится в том числе через поведение похожих людей. Итоговый скор — это сплав: сигнал «похожие пользователи» плюс сигнал «похожие смыслы».

Скор формируется моделью Learning-to-Rank, которая взвешивает сигналы нелинейно.

Эмбеддинги не заменяют коллаборативную фильтрацию, а надстраиваются над ней, решая проблему «пузыря бестселлеров».

Смысловая оптимизация бьёт именно в компоненту векторного поиска и влияет на формирование рекомендаций.

Это не про «ИИ чат-бот всё поймёт», а про то, что математика семантической близости становится главным инструментом попадания в персональную ленту, а ключевые слова остаются главным инструментом для поисковой строки.

Понимание этой архитектуры освобождает от магического мышления и даёт трезвую схему: текст должен быть одновременно BM25-дружественным (релевантным ключам без переспама) и эмбеддинг-богатым (насыщенным сценариями и контекстами).

Два трека: поисковая строка и лента рекомендаций

Представим пользователя. Он открывает приложение маркета с мыслью «хорошо бы попробовать беговые лыжи». Что происходит? Два основных параллельных процесса из возможных.

Трек 1. Человек вбивает в строку «лыжи беговые»

Следует парсинг запроса. Алгоритм раскладывает его на токены: «лыжи», «беговые». Выполняет сопоставление. Ищет карточки, где эти токены есть в ключевых полях: название, характеристики, описание. Именно здесь в дело вступает BM25, оценивая релевантность.

При этом параллельно — в гибридных системах — срабатывает векторный поиск, подтягивая карточки, семантически близкие запросу, даже без точного совпадения слов.

Ранжирование выстраивает найденное по классическим факторам: релевантность текста, цена, конверсия, остаток на складе, скорость доставки, кошелек пользователя.

На этом этапе ваша «смысловая оптимизация» про «ветер в лицо и свободу» не сработает в BM25. Процессу наплевать; он выполняет прямой запрос.

Если у вас нет слова «лыжи» в карточке, BM25 вас не покажет, даже если вы описали «деревянные удлинители шагов для скольжения по белому безмолвию».

Но на этапе векторного поиска — сработает, если эмбеддинг текста окажется близок к эмбеддингу запроса, поскольку в гибридных системах поиск может компенсировать отсутствие точных токенов, но BM25 остаётся якорем.

Точное совпадение ключей получает высокий вес, но семантический запрос может пройти без них, если плотность контекста высока.

Отсюда мы видим, что ключевые слова — это обязательный минимум, и это не изменится, пока существует текстовая поисковая строка.

Трек 2. Человек ничего не вбивает, и он смотрит ленту

И вот тот тонкий момент, где идёт эволюция — «Рекомендации и воронки».

Проблема старой модели в том, что значительное количество продаж на маркетплейсах происходит не через прямой поиск, а через рекомендательные блоки: «Похожие товары», «С этим также покупают», «Персональные рекомендации на главной», «Товары в вашей ленте».

И здесь классическая модель «ключевого слова» ломается. Пользователь не набрал слово «лыжи». Он просто скроллит ленту.

И перед алгоритмом встаёт задача: что ему выдать, чтобы он кликнул и купил? У машины есть два способа определить, что ваш продукт — это то, что нужно этому конкретному пользователю:

Старый путь (Коллаборативная фильтрация): «Пользователь X похож на пользователя Y». «Y купил лыжи Z, значит, X тоже нужны лыжи Z». Это работает, но создаёт «пузырь бестселлеров» и игнорирует нюансы.

Новый путь (Смысловая / Векторная близость): Система вычисляет цифровой портрет пользователя X не только на основе того, что он покупал, но и на основе шаблонов его взаимодействия со средой.

X — это не просто «мужчина 35 лет». X — это вектор: «интересуется дорогим outdoor-оборудованием, читает статьи про выживание в тайге, но при этом часто смотрел «туры выходного дня с комфортом» и «отель с камином в Подмосковье»».

Внутренний конфликт: хочет героизма, но ценит уют. И тут ваш товар. Не просто «лыжи», а «лыжи для первого похода: прощающие ошибки, дающие уверенность новичку, чтобы он не возненавидел лес».

Именно такое описание при векторизации даёт вектор, математически близкий к вектору «хочу героизма, но боюсь дискомфорта».

Алгоритм не показывает вас в рекомендательном блоке не из-за отсутствия или наличия ключей. Вы просто не попадаете в рекомендательный блок, потому что система не имеет данных для вычисления сходства, какому человеку и в каком его состоянии вы нужны.

Вы для него — просто «лыжи», а не «инструмент безопасного входа в сложное хобби для тревожного горожанина».

Важно понимать, что система не сопоставляет состояния понятийно, а вычисляет сходство между «вектором продукта» и «вектором пользователя».

Алгоритм проецирует историю взаимодействий человека и описание товара в одно латентное пространство, где геометрическая близость означает высокую вероятность клика или покупки.

При этом коллаборативная фильтрация продолжает работать параллельно со смысловой близостью. Это не замена одного другим, а два механизма, работающие одновременно. Итоговый скор рекомендации — их комбинация.

Как измерить правильность эмбеддинга (никак)

Итак, мы видим, что на маркетплейсах алгоритм одновременно использует: поисковую релевантность (токены), поведенческую историю пользователя, коллаборативную фильтрацию, смысловые эмбеддинги из описаний, а также реальные продажи и конверсию.

Мы видим, что смысловая оптимизация не заменяет продажи, а становится условием входа в те сегменты ленты, где продажи возможны.

Как измерить, что смысловой эмбеддинг правильный? SEO можно было измерить по позициям. А как измерить «близость к вектору тревожного горожанина»?

Безусловно, художник опирается прежде всего на свою интуицию, однако есть и инструментальные рабочие метрики для продавца:

CTR в рекомендательных блоках для карточек с насыщенным смысловым описанием vs для карточек без него — при одинаковых ключевых словах и цене.

Время удержания пользователя на карточке — показатель, что ИИ подобрал товар под состояние, и человек «узнал себя» в сценарии.

Доля входа в корзину из рекомендаций без предшествующего поискового запроса — прямой сигнал, что товар показан «не по ключу, а по смыслу».

Возвраты и повторные покупки — если ваше описание точно описало сценарий, человек вернётся в вашу карточку, а не уйдёт к конкуренту.

Без этих метрик смысловая оптимизация остаётся искусством. С ними — становится инструментальной инженерной дисциплиной — то есть искусством, которое можно проверить.

Верно и то, что сегодгя продавец видит эти метрики только опосредованно и условно — через отчёты об источниках трафика.

Осмысленное движение продавца по лыжне

И вот как выглядит осмысленное движение продавца по лыжне сегодня:

Необходимо жестко вшивать ключевые слова в канву смыслового описания, следуя первому треку.

Но также следовать второму треку, описывая не чувства вместо характеристик, а характеристики как источник чувств и решений.

Плохой пример: «Эти лыжи — полёт души над снежной равниной» — нет, это не то, что вам нужно.

Хороший пример: «Сердечник из дерева (характеристика) снижает вибрацию (функция), поэтому после 3 часов катания (сценарий) ваши колени скажут спасибо, и вы захотите вернуться на трассу завтра (состояние)».

Необходимо понимать, что и поисковая строка, и рекомендации — это единый путь.

Сегодня ваш текст должен ехать, учитывая обе линии, поскольку смысловая оптимизация становится условием входа в дополнительные сегменты ленты, и поскольку это играет решающую роль на старте, когда поведенческих данных ещё нет.

Смысловой текст решает проблему холодного старта, давая алгоритму векторную опору. То есть у ваших новых карточек нет истории кликов или покупок, поэтому поиск по описанию становится единственным каналом попадания в рекомендации на этапе «холодного старта».

Граница между поиском и рекомендациями размыта: векторный поиск работает в обоих треках. Текст должен быть силён и по BM25, и по эмбеддингам.

Четыре задачи в одной карточке

Новая эпоха — это не отказ от ключевых слов, а условие писать тексты, которые одновременно:

• парсятся поиском (ключи, характеристики);

• порождают богатый эмбеддинг для рекомендаций (сценарии, боли, контексты);

• и при этом читаются человеком как полезные, а не как SEO-каша.

Это три задачи необходимо решить в одной карточке.

И четвёртая, неочевидная задача: измерять результат не по позициях в поиске, а по CTR в ленте, времени на карточке и доле переходов из рекомендаций.

То есть научиться замечать, находят ли тебя те, кто не искал. По тому, как долго читают карточку, как часто возвращаются, и как редко возвращают товар. Одновременно помня, что цифры в кабинете — это просто подтверждение интуиции вскользь, а не замена ей.

Большинство продавцов едут по одной колее не потому, что не знают про смыслы, и не из-за сложности измерений, а потому что не умеют писать документально-художественные тексты для ИИ и человека одновременно и продолжают измерять только поисковые позиции, не учитывая важность персональных рекомендаций ленты.

Технический детерминизм и ренессанс человечного текста

Помните, что новые технические зеркала — это не магия всезнающего ИИ, который сам «всё вычисляет», а измеримые математические операции. Если вы научитесь в них иногда смотреть — вы будете видеть немного больше.

Главное — не бойтесь, что ваш способ чувствовать текст неправильный. Технически эмбеддинг вашего текста будет либо детерминированно близок к вектору состояния конкретного покупателя, либо нет, но именно ваша интуиция решает, в какое состояние целиться. Математика подтвердит, попали вы в цель или нет, но выбор цели — ваш творческий акт.

И, быть может, в итоге, в недалёком будущем технический детерминизм парадоксальным образом приведёт к ренессансу осмысленного, человеческого и эмпатичного текста.

Время SEO-галиматьи завершено, потому что, хотя системы не отказываются от BM25, они компенсируют его ограничения. Отныне эмбеддинг будет безжалостно точен в отсеивании текстов, за которыми нет реальной поведенческой модели.

Теперь не товар ищет своего покупателя через ключевые слова, а состояние ищет свой товар через смысловые векторы.

Ваша задача как продавца — не просто заполнить характеристики для парсинга, а математически точно описать состояние покупателя с вашим товаром, чтобы система могла вас сопоставить. Это и есть смысловая оптимизация как инженерная дисциплина.

Более того, что если следующим шагом возможно будет предположить, что архитектура выдачи в силу своей конструкции создаст давление в сторону большей человечности, для того, чтобы вы получили нужные вам цифры.

Система будет требовать: «Предъявите мне структуру человеческого опыта, который можно кластеризовать». А сделать это можно будет только одним способом — действительно понимая боль, контекст и радость того, кто будет скользить по снегу.

Машина не потребует искренности, она потребует предсказуемой корреляции между текстом и поведением. Человечность здесь — наиболее устойчивый способ построить эту корреляцию.

Вы напишете с душой не потому, что ИИ это поймёт и оценит, а потому что это будет единственный способ настроить его математику.

Ваш текст — это среда, в которой происходит встреча. Он не «оптимизируется», а «настраивается» как инструмент. Он должен порождать эмбеддинг, который войдёт в резонанс с вектором пользователя. Это принципиально иное отношение: не «нужно дать алгоритму то, что он хочет», а «создать пространство, в котором произойдёт совпадение», поскольку для эмбеддинговой модели товар — это точка в многомерном пространстве.

Так человек, пытаясь быть понятым машиной, вынужден будет предельно точно формулировать свою человеческую суть.

Впрочем, верно и то, что сейчас это только оптимистичный вероятностный горизонт, и говорить об этом возможно, преждевременно.

© Евгения Корнеева 2026 Художник и искусственный интеллект.

Читать по теме далее ➤➤➤
Нейросеть как новый инструмент творчества. Художник и искусственный интеллект. Попробуем новые методы и рассмотрим техническую философию процесса.

Uvircolor

Евгения Корнеева 15.05.26