Вчера, 27 августа 2026 года, побывал в Москве на встрече SEO-клуба Optimization, темой которой на этот раз стал довольно провокационный тезис: «Питон для SEO — прошлое. Вайб-кодинг SEO — настоящее». Фраза, конечно, рассчитана на то, чтобы зацепить, потому что Python никто пока не отменял и в ближайшее время вряд ли отменит. Более того, специалист, который умеет программировать и понимает, как устроены API, базы данных и нормальная разработка, сейчас, на мой взгляд, получает даже больше преимуществ. Но при этом невозможно не заметить, насколько стремительно за последние пару лет изменилась сама возможность создавать небольшие программы, парсеры, аналитические инструменты и дашборды без традиционного пути «идея — техническое задание — программист — очередь разработки — первая версия через несколько месяцев». Именно поэтому мне было интересно сходить и посмотреть, что под словом «вайб-кодинг» понимают люди, которые занимаются SEO не в теории, а каждый день работают с реальными сайтами, большими объёмами данных, индексацией, семантикой, конкурентами и внутренними процессами компаний. Встреча проходила в ресторане Eterno на Верейской улице, 29. Сама площадка находится внутри довольно эффектного бизнес-комплекса с огромным стеклянным атриумом, и ещё до начала мероприятия я успел сделать несколько фотографий пространства. Потом уже поднялся непосредственно в зал, где к этому времени постепенно собирались участники. А это уже я автор сего блога Сергей Учватов на входе на мероприятие Формат у SEO-клуба оказался довольно камерным, и для подобных профессиональных встреч это, скорее, плюс. Здесь нет большого зала на несколько сотен человек, где докладчик находится где-то далеко на сцене, а после выступления исчезает за кулисами. Спикеры буквально в нескольких метрах, участники сидят за столами, практически сразу можно задать вопрос, а после официальной части продолжить разговор уже в менее формальной обстановке. Я снял довольно много фотографий и видео, начиная буквально с момента, когда захожу в зал, поэтому к этой статье добавлю и небольшой видеорепортаж (там же и часть лекций спикеров). Кодинг на агентах без программистов Первым выступал Павел Никулин, CMO Centerex US, а его презентация называлась «Кодинг на агентах — без программистов». Причём уже после встречи мне удалось получить саму презентацию, поэтому теперь можно спокойно посмотреть не только на то, что успел сфотографировать с экрана, но и на логику всего доклада. Основная мысль была не в очередной истории о том, как нейросеть может написать несколько строк Python. Речь шла о гораздо более серьёзном сдвиге: современные AI-агенты умеют не просто подсказывать код, а сами планировать работу, создавать файлы, запускать программу, видеть ошибки, исправлять их и постепенно доводить проект до рабочего состояния. В качестве инструментов в презентации были показаны Claude Code, Cursor, Replit Agent, Lovable и Bolt, а отдельно упоминался MCP — Model Context Protocol, который позволяет подключать к агенту внешние источники данных и сервисы. Для SEO это особенно интересно, потому что агент можно связывать с Search Console, GA4, BigQuery и различными SEO API, после чего задача уже выглядит не как «напиши мне функцию», а как нормальный рабочий процесс: сходи за данными, обработай их, построй отчёт и покажи результат. В отдельном слайде Павел перечислял задачи, для которых такой подход уже вполне применим в SEO: анализ миллионов строк серверных логов, построение внутренней перелинковки, кластеризация больших массивов семантики, programmatic SEO с контролем качества, автоматические технические аудиты и собственный мониторинг поисковой выдачи. То есть речь шла не столько о генерации текстов, сколько именно об инженерной работе с данными, графами, эмбеддингами, API и пайплайнами. И вот здесь, мне кажется, начинается действительно интересная часть всей этой истории. Традиционно у SEO-специалиста довольно много идей, реализация которых упирается даже не в сложность программирования, а в экономику разработки. Допустим, нужен специфический внутренний дашборд по индексации определённых групп страниц. Для бизнеса это не новая функция интернет-магазина, не платёжная система и не что-то, что напрямую принесёт деньги уже завтра, поэтому совершенно логично, что подобная задача будет проигрывать по приоритету другим проектам. В результате появляется ТЗ, потом согласования, потом очередь BI- или IT-команды, потом несколько итераций, и первый рабочий вариант может появиться через два-три месяца. В презентации Павла эта схема противопоставлялась агентному подходу, когда SEO-специалист своими словами описывает, что именно он хочет увидеть, агент подключается к данным, пишет приложение или дашборд, после чего дальнейшие изменения делаются уже в обычном диалоге: добавить фильтр, сравнить период с прошлым годом, убрать брендовые запросы и так далее. Причём ближе к концу доклада были уже не абстрактные примеры из интернета, а собственные рабочие кейсы. Один из них — интерактивный дашборд по индексации кластеров и поддоменов, где данные об индексе поступают из A-Parser, а AI занимается обработкой и визуализацией. На создание такого инструмента, по данным презентации, потребовалось около двух часов. Другой проект заметно сложнее — полноценный flow для оценки Google Layers с использованием Google API, GSC, GA и OpenRouter. На него ушло около 28 часов. Ещё один инструмент для оценки видимости по метрикам индекса, где используются позиции и индекс из A-Parser, а модель помогает отсекать дропы и пропущенные данные и строить визуализацию, был собран примерно за восемь часов. Вот такие примеры уже гораздо интереснее бесконечных демонстраций «я попросил нейросеть сделать калькулятор, и она его сделала». Здесь мы имеем вполне конкретные SEO-задачи, которые раньше действительно могли бы месяцами ждать разработчика, а теперь специалист способен хотя бы попробовать собрать рабочую версию самостоятельно. После 15 минутного (показалось что часового) доклада пошли вопросы от участников. При этом понравилось, что презентация не строилась на принципе «нажал кнопку — AI всё сделал». Наоборот, отдельная часть была посвящена тому, как легко при неправильной работе с агентами получить очень дорогую ерунду. Если поставить задачу в стиле «сходи туда, не знаю куда и сделай мне хорошо», модель может долго что-то исследовать, вызывать сервисы, расходовать токены, заходить в циклы и в итоге выдать совсем не тот результат, который ожидался. Поэтому способность правильно сформулировать задачу становится отдельным навыком. Нужно заранее понимать, какой именно результат должен появиться на выходе: график, таблица, файл импорта, дашборд, список URL или что-то ещё; необходимо контролировать доступы, предусматривать уведомления об ошибках и неожиданных ситуациях, сохранять историю работы, документировать инструмент и не раздавать агенту больше прав, чем ему действительно требуется. На слайде с рисками эта мысль была сформулирована ещё шире: агент может ошибаться вполне уверенно, поэтому контрольные данные и код-ревью никуда не исчезают; API-ключи и доступы требуют нормальной защиты; одноразовые инструменты без владельца очень быстро превращаются в «зоопарк», а человек всё равно остаётся в контуре, потому что постановка задачи и интерпретация результата — это по-прежнему работа специалиста. В итоге главный вывод первого выступления я бы сформулировал примерно так: выигрывает не тот, у кого обязательно больше разработчиков, а тот, кто быстрее и точнее умеет превратить свою задачу в понятное задание для инструмента. И вот это уже довольно серьёзное изменение профессии. Вайб-кодинг в Ecommerce SEO — уже не эксперимент, а работающие инструменты Второй основной доклад делал Игорь Бальестерос, и здесь тема стала ещё интереснее благодаря огромному количеству конкретных цифр. Презентация называлась «Вайбкодинг для автоматизации в Ecommerce SEO», а в самом начале были заявлены четыре инструмента, которые SEO-команда написала себе самостоятельно: конвейер товарных подборок, универсальный парсер конкурентов, единая SEO-база и автоматические аудиты. Суммарно на разработку этих четырёх инструментов ушло 258 часов, а их эксплуатация обходится примерно в 86,4 тысячи рублей в месяц. Игорь при этом отдельно подчёркивает, что все приведённые цифры относятся к конкретным проектам и не являются каким-то универсальным отраслевым бенчмарком. Здесь почти сразу прозвучала ещё одна мысль, которая, на мой взгляд, отлично дополнила первый доклад: вайб-кодинг не должен превращаться в бесконтрольную запись в production. В презентации очень чётко проведена граница между внутренним и внешним контуром. Внутренний инструмент может читать краул, товарные фиды, логи, выгрузки, данные конкурентов, что-то вычислять, сопоставлять и готовить результат для человека. Цена ошибки здесь обычно сводится к тому, что расчёт придётся переделать. Совсем другая история начинается, когда система самостоятельно меняет то, что видят пользователь или поисковый робот: шаблоны, маршрутизацию, редиректы, sitemap, записи в базе данных. Здесь цена ошибки уже может измеряться трафиком и деньгами, поэтому нужны тесты, ревью, владелец системы и обычный процесс разработки. Мне кажется, что именно эта граница сейчас особенно важна, потому что после нескольких удачных экспериментов с AI появляется очень понятный соблазн дать системе всё больше прав. Раз уж программа умеет сама найти нужные страницы и подготовить рекомендации, почему бы сразу не разрешить ей эти страницы публиковать? А вот как раз этого делать не стоит. 40 тысяч кандидатов на страницы, из которых большинство надо выбросить Самым подробным кейсом у Игоря был конвейер товарных подборок для Ecommerce. До автоматизации четыре специалиста выпускали примерно одну-две тысячи подборок в месяц. Система работала, но физически существовал порог, ниже которого заниматься спросом было нерентабельно: если запросов мало, человек тратит на подготовку страницы слишком много времени относительно потенциального результата. После автоматизации кандидаты начали собираться сразу из пяти источников: запросов внутренних заказчиков, парсинга конкурентов, анализа семантики, товарного фида и внутреннего поиска сайта. В месяц через эту систему может проходить 30–50 тысяч потенциальных страниц. И здесь есть момент, который мне особенно понравился, потому что он довольно сильно отличается от нынешней моды на массовую AI-генерацию. Самая важная функция этого конвейера — не создать страницу, а вовремя сказать: «Нет, эта страница нам не нужна». В одном из разобранных примеров на вход поступило 40 тысяч кандидатов. После дедупликации осталось 23 тысячи, затем система убрала запросы, под которые на сайте уже существует подходящая страница, потом отсеяла слишком слабый спрос, проверила возможность нормально подобрать товары и наконец провела приёмку релевантности. До публикации в итоге дошли примерно шесть тысяч страниц, то есть около 15 процентов первоначального объёма. Другими словами, 85 процентов идей система забраковала. И это, на мой взгляд, очень хороший пример нормальной автоматизации. Наплодить при помощи AI десятки тысяч страниц сегодня действительно несложно. Намного важнее научить процесс не создавать дубли, мусор и страницы без реального пользовательского спроса. Экономика кейса тоже выглядит интересно. По данным презентации, количество кандидатов, которые команда способна рассматривать за месяц, выросло примерно с 4 до 40 тысяч, минимальная частотность кластера снизилась с 500 до 10 запросов в месяц, количество публикуемых подборок увеличилось примерно с 1500 до 6000, а трудозатраты команды на тысячу подборок сократились с 433 до 28 часов. При этом через шесть месяцев страницы, созданные конвейером, давали около 330 тысяч визитов в месяц. На разработку именно SEO-части этого конвейера ушло 96 часов, а эксплуатация моделей и инфраструктуры обходится примерно в 48 тысяч рублей в месяц. В самой презентации стоимость одной опубликованной страницы оценивается приблизительно в восемь рублей с учётом затрат на обработку большого числа кандидатов, которые потом всё равно были отброшены. После таких цифр разговор про вайб-кодинг уже окончательно перестаёт выглядеть как забава для энтузиастов. Универсальный парсер вместо нового скрипта под каждого конкурента Ещё один показанный инструмент — Uniparser, универсальный парсер конкурентов. Любой, кто когда- нибудь собирал данные с чужих сайтов, знает, что фраза «давайте просто спарсим конкурентов» обычно звучит намного проще, чем выглядит на практике. Где-то достаточно обычного HTTP-запроса, где-то нужны cookies, сессии и более реалистичные заголовки, где-то приходится подключать прокси, а часть сайтов вообще нормально отдаёт данные только через браузерный рендеринг. У команды Игоря этот процесс построен как многоступенчатая эскалация: сначала используются самые дешёвые методы, затем при необходимости подключаются более дорогие. Если сайт стабильно требует слишком сложного обхода, в какой-то момент честнее признать, что стоимость получения этих данных выше их пользы. На разработку ядра и механизма эскалации ушло 72 часа, а время подключения нового конкурента сократилось примерно с 32 до 1,5 часа. При этом около 86 процентов страниц собираются на первых двух относительно дешёвых уровнях. Это, кстати, ещё одна важная черта всех нормальных автоматизаций: хороший инструмент не обязательно должен уметь абсолютно всё. Иногда более разумный ответ системы — «это слишком дорого, не будем делать». Собственная SEO-база и автоматические аудиты Следующим инструментом стало единое хранилище, куда сводятся результаты краулинга, данные Яндекс Вебмастера и Google Search Console, sitemap, товарные фиды и логи поисковых роботов. Ключом связи служат нормализованный URL и дата, после чего информацию можно анализировать уже как единую систему: что заявлено в sitemap, куда ходит робот, что действительно находится в индексе и что в итоге получает трафик. Под наблюдением в этой базе находится около 2,4 миллиона URL, а объём логов составляет примерно 9,5 миллиона строк в сутки. На первую рабочую версию потребовалось 56 часов разработки, инфраструктура и хранение обходятся примерно в 12 тысяч рублей ежемесячно. Практическая польза здесь хорошо понятна: можно видеть проблемы с краулинговым бюджетом, сопоставлять товарную доступность с индексацией, находить несколько URL под один кластер, оценивать скорость реакции поисковых роботов и быстрее замечать последствия изменений в шаблонах или фидах. Четвёртый инструмент — автоматические аудиты конкурентов по SEO, GEO и AEO. Здесь LLM не предлагают самостоятельно фантазировать о том, что хорошо или плохо. Сначала система собирает и нормализует факты, применяет детерминированные правила, после чего модель уже пишет выводы по рассчитанным данным. И мне отдельно понравилось, что в презентации довольно осторожно относятся к GEO и AEO. Там прямо говорится, что это молодые направления, где связь между чеклистом и результатом слабее, чем в классическом SEO, поэтому наблюдения и гипотезы не стоит автоматически выдавать за доказанные факторы ранжирования. Такой подход мне гораздо ближе, чем попытка объявить очередной чеклист «секретом продвижения в нейросетях». Человек из этого процесса пока никуда не исчезает После двух докладов у меня осталось интересное впечатление: оба спикера говорили о довольно разных инструментах, но в одном месте их выводы практически совпали. AI очень хорошо умеет ускорять работу специалиста, однако экспертизу он пока не отменяет. У Игоря есть хороший пример с AI-судьёй, который оценивает релевантность товарной подборки. В начале такая модель ошибалась примерно в 20–30 процентах случаев. После подбора другой модели, изменения промпта, добавления более строгих критериев и примеров количество ошибок удалось снизить примерно до 10–15 процентов. Но десять процентов — это всё равно каждый десятый результат. Поэтому ручная приёмка остаётся частью процесса. И проблема не только в модели. В презентации отдельно разбираются качество кода, безопасность данных, поддержка внутренних инструментов и зависимость от конкретного автора. Скрипт может не упасть с ошибкой, а просто месяц тихо выдавать неправильные данные; человек, который его создал, может уйти из компании; через полгода никто уже не помнит, откуда вообще берётся определённая цифра в отчёте. Решения при этом совершенно не революционные: логирование, мониторинг результата, README, хранение конфигурации и кода в git, понятный владелец инструмента и периодическая ревизия всего этого хозяйства. То есть AI позволяет писать программы быстрее, но старые правила инженерной гигиены от этого не перестают работать. Скорее наоборот — чем легче стало создавать новые инструменты, тем проще за несколько месяцев развести вокруг себя такой зоопарк скриптов и агентов, что потом никто не сможет разобраться, что из них за что отвечает. Мастер-классы, вопросы и нормальное живое общение После основных докладов программа продолжилась уже в более практическом формате. Сдвинув столы начались сразу несколько мастер-классов: Дмитрий Канавин рассказывал о практической генерации статей через ИИ, Денис и Максим Нарижные — о скоринге доноров, Игорь Бальестерос разбирал простые SEO-задачи на примере одного сайта, Алексей Леонтьев показывал аналитические дашборды для SEO без отдельной команды аналитиков и разработки, Сергей Коломийчук собирал AI-инструмент для анализа и улучшения контента, а Алексей Чекушин разбирал исследование новой ниши при помощи ИИ-агентов. Сам набор тем, как мне кажется, очень хорошо показывает, куда всё движется. Искусственный интеллект уже не существует отдельно от SEO в виде очередного модного раздела «поговорим про ChatGPT». Он постепенно залезает буквально во все рабочие процессы: тексты, ссылки, семантику, аналитику, разработку внутренних сервисов, конкурентный анализ и исследование новых ниш. Потом общение продолжилось уже за столами. вот за это небольшие профессиональные встречи мне всегда нравились отдельно. Саму презентацию потом можно спокойно скачать и пересмотреть — собственно, именно так я и сделал, когда готовил эту публикацию. Но возможность сразу задать человеку конкретный вопрос, обсудить собственную задачу или просто обменяться опытом никакой PDF пока не заменяет. Так Python для SEO всё-таки умер? Ну и наконец можно вернуться к вопросу, который организаторы вынесли в название встречи. На мой взгляд — конечно, нет. Python никуда не исчезает, разработчики тоже никуда не исчезают, а знание программирования внезапно не стало бесполезным. Более того, человеку, который понимает хотя бы основы архитектуры, API, баз данных, безопасности и способен прочитать код, который сгенерировала модель, будет значительно проще отличить рабочий инструмент от красивой, но опасной поделки. Изменилось другое — и вот это изменение действительно серьёзное. Порог входа в автоматизацию резко снизился. Раньше между SEO-специалистом с идеей и работающим инструментом довольно часто стояла необходимость либо самостоятельно серьёзно изучать программирование, либо искать разработчика и доказывать приоритет своей задачи. Теперь первую рабочую версию во многих случаях действительно можно собрать самостоятельно, иногда за несколько часов. А уже после этого становится понятно, нужен ли инструмент вообще, какие данные в действительности требуются, где находится граница его возможностей и стоит ли дальше превращать прототип в нормальный поддерживаемый продукт. И здесь мне особенно понравилось, что оба выступления, несмотря на всю тему «без программистов», в итоге совсем не были про замену программистов. Они были про другое. Про то, что не каждая внутренняя SEO-задача вообще должна попадать в очередь большой разработки. Если инструмент нужен на несколько недель, если первая версия фактически нужна для того, чтобы самому понять требования, если он только читает данные и готовит результат для человека, то, возможно, сегодня гораздо разумнее сначала попробовать собрать его вместе с AI-агентом. А если инструмент начинает писать в production, влиять на пользователей, поисковых роботов, деньги и критические бизнес-процессы — здесь всё по-прежнему: тесты, разработчики, ревью и нормальная ответственность. Наверное, именно это я и вынес бы как главный вывод со встречи. Не «Python умер». Не «программисты больше не нужны».И даже не «нейросети теперь всё сделают сами». Скорее так: у SEO-специалиста появился ещё один очень мощный инструмент, который позволяет гораздо быстрее проверить собственную идею и превратить её в работающий прототип, а значит, всё большее значение будет иметь не только умение пользоваться готовыми сервисами, но и способность хорошо формулировать задачи, понимать данные и критически проверять то, что получилось на выходе. А что из всего этого останется через пару лет и во что превратится сама профессия SEO — посмотрим. За годы работы я уже несколько раз слышал, что SEO вот-вот закончится, но оно пока почему-то продолжает жить, просто каждый раз становится немного другим. По материалам встречи я также собрал отдельное видео — с площадкой, фрагментами докладов и общей атмосферой вечера. Его добавлю к статье после окончательного монтажа. Подробнее о следующих встречах можно посмотреть на сайте SEO-клуба Optimization, а ребятам спасибо за приглашение! ---------------- Ну и чтобы не потеряться в море информации и прочитать вовремя новый материал, добавляйтесь в друзья — задружить в Живом Журнале ------------------ Предлагаю также добавляться в друзья и подписываться на мои аккаунты в социальных медиа: Моя страница ВКонтакте Моя страница на Facebook Мой Телеграм Мой instagram Данный журнал является личным дневником, содержащим частные мнения автора. В соответствии со статьёй 29 Конституции РФ, каждый человек может иметь собственную точку зрения относительно его текстового, графического, аудио и видео наполнения , равно как и высказывать её в любом формате. Журнал не имеет лицензии Министерства культуры и массовых коммуникаций РФ и не является СМИ, а, следовательно, автор не гарантирует предоставления достоверной, непредвзятой и осмысленной информации. Сведения, содержащиеся в этом дневнике, а так же комментарии автора этого дневника в других дневниках, не имеют никакого юридического смысла и не могут быть использованы в процессе судебного разбирательства. Автор журнала не несёт ответственности за содержание комментариев к его записям. Понравился пост? Поделитесь с друзьями: