Как Stanley 1913 перестраивает контент под AI-поиск и LLM-рекомендации

Американский бренд Stanley 1913 перестраивает контент-стратегию под AI-поиск: добавляет FAQ к карточкам товаров, инструкции по уходу и подробные описания поводов для покупки — всё, что нужно большим языковым моделям, чтобы рекомендовать продукт в ChatGPT или Perplexity. По данным Pew Research Center, 42% взрослых американцев уже используют AI-чатботы для поиска информации, но контент большинства брендов до сих пор заточен под визуальное восприятие человеком, а не под парсинг LLM.

Почему визуальный контент перестаёт работать в AI-поиске

Stanley 1913 построил узнаваемость на креаторском контенте: визуальные кампании к Дню матери, Неделе благодарности учителям, коллаборации с инфлюенсерами. Человек считывает смысл с картинки, лица, тональности — языковая модель этого не умеет. LLM агрегирует текстовые данные с открытых страниц: описания товаров, статьи, обзоры, FAQ. Если детального текста нет, бренд просто не попадёт в ответ ChatGPT, даже при миллионных охватах в соцсетях.

Главный бренд-офицер Stanley 1913 Кейт Ридли объясняет: «Мы делали много визуала вокруг праздников, но не прописывали, почему термокружка — хороший подарок медсестре или учителю. Теперь понимаем: для LLM это критично». Бренд начал встраивать в карточки товаров ответы на запросы, которые люди задают AI-ассистентам: «что подарить на День матери», «как выбрать термос для фитнеса», «уход за стальной посудой».

Как Stanley 1913 адаптирует контент под языковые модели

Компания запустила кросс-функциональную рабочую группу: контент, SEO, e-commerce, технологии, PR и маркетинг. Задача — не просто добавить текст на сайт, а выстроить единую систему данных о продуктах, которую LLM смогут парсить из любого источника. Ридли подчёркивает: «Мы строим руководства и метрики специально для LLM, чтобы все отделы действовали синхронно».

На инфраструктурном уровне Stanley 1913 тестирует Universal Commerce Protocol от Shopify и Google — протокол позволяет подтягивать товарный каталог прямо в диалог с чатботом. Бренд использует структурированную разметку Schema.org, чтобы данные одинаково читались и классическими поисковиками, и AI-агентами. Совместно с платформой Yotpo Discovery команда отслеживает, как часто продукты Stanley 1913 упоминаются в ответах LLM и цитируются как источник.

«Stanley 1913 блестяще вернул себе внимание через живых креаторов и инфлюенсеров. Теперь брендам нужно воспринимать AI-платформы как инфлюенсеров нового типа — места, где потребители открывают бренды, изучают их и принимают решения о покупке», — Дебра Ахо Уильямсон, основатель Sonata Insights.

Работа с внешними источниками и заработанными медиа

LLM опираются не только на собственные сайты брендов, но и на сторонние публикации: обзоры в СМИ, партнёрский контент, отзывы покупателей. Stanley 1913 отслеживает, какие площадки AI-поисковики считают авторитетными, и направляет туда PR-усилия. Культурные кампании — например, недавнее партнёрство с певицей Кейси Масгрейвс — генерируют упоминания в прессе и обсуждения за пределами собственных каналов, что увеличивает шансы попасть в выдачу LLM.

Ридли уточняет: «Мы не бросаем соцсети ради AI-платформ. Нам нужно и то, и другое, чтобы предоставить максимум информации о продуктах. Но для LLM информация должна быть в явном текстовом виде — иначе модель просто не сможет с ней работать». Трафик на сайт Stanley 1913 вырос на 35,5% год к году и достиг 6,6 млн визитов в июле 2026 года по данным Similarweb — и с ростом аудитории растёт число точек контакта, через которые потребитель может обнаружить бренд.

Что это значит для российского рынка и брендов

В России доля поисковых запросов через AI-ассистенты пока ниже, чем в США, но тренд набирает обороты: Яндекс интегрировал YandexGPT в поиск, пользователи всё чаще обращаются к Алисе и сторонним чатботам за рекомендациями. Российские бренды сталкиваются с той же проблемой: визуальный контент для сторис и Reels не содержит структурированных данных, которые нужны языковым моделям.

Практический вывод: если карточка товара на маркетплейсе или корпоративном сайте не отвечает на вопросы «для чего», «кому подойдёт», «как использовать», бренд рискует выпасть из AI-рекомендаций. Это особенно критично для категорий с высокой конкуренцией — косметика, электроника, спортивные товары, — где потребитель выбирает между десятками похожих предложений.

Чек-лист: как адаптировать контент под AI-поиск

• Аудит карточек товаров: проверьте, есть ли в описаниях ответы на типовые вопросы — «как выбрать», «для какого повода», «чем отличается от аналогов». Если описание короче 300 знаков и состоит из перечисления характеристик, его нужно дополнить.
• Добавьте FAQ на уровне продукта: разместите 3–5 вопросов с ответами прямо в карточке. Формулируйте вопросы так, как их задают люди в поиске: «можно ли мыть в посудомойке», «подходит ли для горячих напитков», «какой объём выбрать для офиса».
• Структурированная разметка: внедрите Schema.org типов Product, FAQPage, HowTo. Это помогает поисковикам и LLM корректно интерпретировать данные на странице.
• Контент вокруг поводов: создайте гайды и подборки под конкретные сценарии использования — «подарки коллегам», «термосы для походов», «посуда для пикника». Каждый гайд должен содержать развёрнутые описания, а не только фото и списки товаров.
• Мониторинг упоминаний в AI: регулярно проверяйте, как чатботы отвечают на запросы по вашей категории. Если бренда нет в ответах, проанализируйте, какие источники модель цитирует, и работайте над присутствием там.
• Синхронизация отделов: контент, SEO, e-commerce и PR должны работать по единым гайдлайнам. Создайте внутренний документ с требованиями к описаниям товаров и обновите его с учётом задач AI-оптимизации.

Метрики и измерение результатов

Stanley 1913 использует партнёрские инструменты для отслеживания частоты упоминаний в ответах LLM и цитирования продуктов. На российском рынке пока нет готовых аналитических платформ для GEO (Generative Engine Optimization), но можно замерять косвенные показатели: прирост брендовых запросов в Яндекс.Вордстате после публикации расширенных описаний, изменение позиций сайта в колдунщиках «быстрых ответов», рост трафика из чатботов в веб-аналитике.

Важно понимать: коммерческий эффект от AI-оптимизации доказать сложнее, чем ROI классической контекстной рекламы. Бренды инвестируют в инструменты для оценки видимости в LLM-ответах, но прямую связь с продажами пока установить трудно. Stanley 1913 делает ставку на долгосрочную стратегию: выстраивает инфраструктуру данных сейчас, чтобы оставаться видимым по мере роста доли AI-поиска.

Частые вопросы

Что такое оптимизация контента под AI-поиск и LLM

Это адаптация текстов на сайте, в карточках товаров и внешних публикациях под требования больших языковых моделей: добавление FAQ, подробных описаний сценариев использования, структурированной разметки и ответов на естественные вопросы пользователей. Цель — попасть в ответы ChatGPT, Perplexity, YandexGPT и других AI-ассистентов, которые агрегируют информацию из открытых источников.

Как измерить эффективность контента для языковых моделей

Можно отслеживать частоту упоминаний бренда и продуктов в ответах LLM с помощью специализированных платформ (например, Yotpo Discovery), мониторить прирост брендовых запросов в классических поисковиках после публикации расширенных описаний, анализировать трафик из чатботов в веб-аналитике и позиции в блоках «быстрых ответов». Прямую связь с продажами установить сложно, поэтому бренды фокусируются на показателях видимости.

Нужно ли отказываться от визуального контента ради текстового

Нет, визуальный контент остаётся важным для социальных сетей и креаторских кампаний. Задача — дополнить его текстовыми данными, которые смогут парсить языковые модели: описаниями поводов для покупки, инструкциями, FAQ. Stanley 1913 продолжает работать с инфлюенсерами и одновременно насыщает карточки товаров информацией для AI-поиска.