ИИ очень убедительно ошибается в SEO-текстах. Как мы это отловили и что изменили в работе

06.10.2026

Автор: Владимир Синицын, основатель компании «Системное SEO»

В марте 2026 года наш заказчик, агентство недвижимости, работающее с клиентами в Анталье, Бодруме и Аланье, отправил нам скриншот с вопросом: «Это точно?» На изображении была статья, опубликованная три недели назад, посвященная ВНЖ в Турции при покупке недвижимости. В тексте упоминалась сумма в 75 000 долларов, якобы необходимая для получения вида на жительство.

На самом деле, правильный порог составлял 200 000 долларов. Изменение вступило в силу 16 октября 2023 года, за полтора года до нашей публикации.

Статью создала одна из ведущих языковых моделей (LLM). Она прошла все наши проверки, включая редакторскую вычитку, и уверенно предоставила устаревшую информацию.

Клиент обратил внимание на ошибку. За неделю ему написали три потенциальных покупателя, которые планировали приехать с 75 тысячами долларов. Один уже забронировал билеты, второй обсуждал с менеджером планировку кухни, а третий самостоятельно связался через статью. Всем им пришлось объясняться и извиняться.

Тогда мы осознали главную проблему: не в том, что AI плохо пишет, а в том, что он убедительно ошибается.

Этот случай стал поворотным моментом, после которого мы пересмотрели технологический процесс работы с AI-контентом. Далее расскажем, какие именно ошибки допустила модель, почему они возникли, как теперь устроена наша система проверки фактов и что она делает с той же темой сегодня.

Какие ошибки допустила модель

Было создано две статьи для одного клиента, обе посвящены Анталье. После ручной экспертизы мы составили список ошибок.

Порог ВНЖ 75 000 USD вместо 200 000 USD. Актуальная сумма — 200 000 USD, порог изменился 16 октября 2023 года. Модель предоставила данные, ушедшие в прошлое, с полной уверенностью.

Смешение ВНЖ и гражданства за инвестиции. Модель написала: «Для гражданства достаточно 200 000 долларов». На самом деле: гражданство — 400 000, ВНЖ — 200 000. Модель объединила два разных порога, создав несуществующую программу.

Неверная характеристика района Kepez. Модель описала его как «центральный и дорогой». В реальности — периферийный, бюджетный. Клиент работает в бюджетном сегменте. Статья создавала впечатление, что продаются премиальные объекты по низкой цене, что негативно влияло на конверсию.

Выдуманная налоговая шкала. В тексте была таблица с процентами подоходного налога на арендные доходы. Все цифры выглядели правдоподобно, но ни одна не соответствовала турецкому законодательству. Модель сгенерировала их, так как «должна была быть таблица».

Некорректные ставки по ипотеке. Модель указала «12–15% годовых». На момент публикации (март 2026 года) средние ипотечные ставки в Турции составляли около 37% (ключевая ставка ЦБ — 37%, ипотечные — 35–38%). Разница не в несколько процентов, а в разы.

Противоречие между двумя статьями. В одной упоминалось «ВНЖ на 2 года с продлением», в другой — «на 1 год». Обе были опубликованы на одном сайте.

Самое неприятное заключалось не в том, что модель ошибалась, а в том, что она делала это убедительно. Тексты были грамотными, логичными и прошли наши сканеры на потерю контекста, лемматизацию и стилистику. Они были идеальными по форме, но лживыми по фактам. Проблема заключалась не в качестве языка, а в достоверности информации.

Почему модель уверенно ошибается

LLM обучается на данных с фиксированной датой. Все, что произошло позже, для нее — «слепая зона». Однако модель не осознает этого и отвечает с такой же уверенностью, с какой рассказала бы о законе Ома.

Порог ВНЖ в Турции — свежее регуляторное изменение. Ипотечные ставки — величина, меняющаяся ежемесячно. Характеристика района — субъективная оценка, зависящая от источника.

Все три категории подпадают под одну формулу: факты с высокой турбулентностью. Именно на них LLM ошибается уверенно.

Однако их можно выявлять заранее: выделять в тексте цифры, даты, ставки, юридические требования и оценочные характеристики, а затем отправлять на отдельную проверку по актуальным источникам.

Именно тогда мы поняли, что ошибка не в AI. Ошибка была в нашей редакционной логике. Мы проверяли стиль, структуру и читаемость, но почти не уделяли внимания фактам. После этого случая мы разделили эти процессы.

Что мы создали в ответ

Проблема не в модели. Проблема в нас: мы доверили AI проверку фактов, которую должны были выполнять сами. Модуль, о котором пойдет речь, — внутренний инструмент агентства. Мы разработали его для себя, чтобы избежать подобных ошибок в будущем.

Мы разделили пайплайн на два контура: сканеры формы и «Глубокую проверку». Первые проверяют «не поплыл ли текст». Вторая отвечает на вопрос «правда ли то, что в нем написано». Общая схема выглядит так:

Рассказываем, как это работает на примере турецкой истории.

Шаг 1. Извлечение утверждений.

До того как статья пойдет к судье, отдельная модель анализирует текст и вытаскивает конкретные фактические утверждения. Промпт примерно такой:

Извлеки из текста все утверждения, содержащие: (а) численные значения, (б) даты и сроки, (в) названия законов, программ, регуляторных порогов, (г) статистические данные. Верни JSON: {claim, category, source_hint}.

На выходе получается список утверждений. Для нашей турецкой статьи модуль вытащил 19 позиций.

Шаг 2. Категоризация.

Каждое утверждение попадает в одну из трех категорий.

Стабильное: закон Ома, столица Франции, дата основания Google.
Условно стабильное: численность населения города, средняя площадь квартиры в районе.
Турбулентное: ставка ЦБ на дату, порог регуляторных программ, налоговые ставки, инвестиционные пороги.

Для статьи про Турцию это выглядело так:

«Kepez — район Антальи» — стабильное.
«Средняя стоимость аренды в Kepez» — условно стабильное.
«Порог ВНЖ 75 000 USD» — турбулентное.

Шаг 3. Верификация турбулентных.

Каждое турбулентное утверждение проверяется отдельным запросом с веб-поиском. Не «модель говорит», а «модель говорит + официальные источники или несколько независимых профильных публикаций подтверждают».

В нашем случае поисковая проверка на «Turkey residence permit real estate threshold» дала бы:

официальные ресурсы турецких госорганов: 200 000 USD;
юридические порталы (Deloitte, Baker McKenzie): 200 000 USD;
форумы застройщиков: 200 000 USD.

Расхождение с утверждением модели «75 000» — флажок.

Шаг 4. Отчёт эксперту.

Флажки собираются в единый отчёт по статье. Эксперт видит четыре типа маркеров:

???? Подтверждено источниками — факт устоял под проверкой.
???? Опровергнуто или выдумано — источники говорят иное. Требует замены.
???? Требует внимания — вероятно устарело, либо противоречит другим утверждениям в тексте.
⚪ Не удалось проверить — поисковики не дали определённого ответа.

Шаг 5. Fact Score и вето-логика.

По итогам проверки модуль рассчитывает единый показатель Fact Score (от 0 до 100). Всё, что ниже 70, автоматически не публикуется. Эксперт-фактчекер отрабатывает отчёт, вносит правки, статья снова гоняется через сканер. И только потом публикация.

Это методичная работа, а не революционная механика. Но она перекрывает большинство случаев, когда модель уверенно врёт про свежие факты. Оставшийся хвост — когда веб-поиск тоже подтверждает устаревшую информацию. От этого никакая автоматика не спасёт, только эксперт в конце пайплайна для тем с высокой ценой ошибки.

И ещё одно важное уточнение. Мы описываем свой подход в деталях не потому, что предлагаем купить инструмент. А потому, что каждое агентство, всерьёз работающее с AI-контентом, столкнётся с той же проблемой. Наш пайплайн — один из возможных ответов. Его можно собрать на open-source инструментах, на связке из готовых LLM API и веб-поиска, на любом стеке. Механика важнее конкретной реализации. Мы делимся именно механикой.

Проверка на живом кейсе: та же тема, новый пайплайн

Прежде чем показывать цифры за квартал, покажу то, что убедит сильнее любой статистики. В июле 2026 года мы взяли ту же самую тему, из-за которой всё начиналось: «ВНЖ в Турции при покупке недвижимости». И прогнали её через новый пайплайн с нуля.

Система сгенерировала статью объёмом 2 064 слова в тональности «Финансист-практик» — это одна из редакционных персон, которую мы задаём генератору. SEO Score, внутренний показатель полноты и структуры — 65 из 100. Обычный рабочий прогон.

Интерфейс SEO-Модуля: сгенерированная статья про ВНЖ в Турции

Обратите внимание на meta description: там уже стоит правильные «200 000 USD по отчету оценки и в ТАПУ, оплата безналом. Это не устная норма, а фактическая планка».

Но главное не то, что система написала. Главное то, что она сама себя проверила.

Модуль «Глубокая проверка»: Fact Score 62/100, 19 утверждений, 12 проблем

Итог автоматической проверки: Fact Score 62 из 100. «Глубокая проверка» сама оценила текст как «требует внимания» — не «публикуй», не «выкидывай», а «прочти эксперту глазами и реши».

Что именно поймала:

Проверено утверждений: 19.
Найдено проблем: 12.
Готовых автоисправлений: 6.
Источников проверено: 12.

Критический флаг — 1 штука. Тот самый диапазон «75 000 — 200 000 USD». Автоматика отметила его как устаревший факт и предложила замену: «Минимум для вида на жительство по покупке недвижимости в 2026 году составляет 200 000 USD по отчету оценки и в ТАПУ». Ровно та ошибка, из-за которой полтора года назад клиент рисковал потерять покупателей.

Важные флаги, 4 штуки. Тут интересно: не всё из них — ошибки. Часть просто требует внимания эксперта.

Флаги категории «Важно»: срок долгосрочного икамет, натурализация

Срок непрерывного проживания для долгосрочного «икамет» — 8 лет. Статус: подтверждено профильными турецкими юридическими порталами. Утверждение оставлено как есть.

«5–8 лет для натурализации через проживание» — устаревшая формулировка. По статье 11 Закона о гражданстве Турции срок — 5 лет. Рекомендация — уточнить.

Флаг «Логический разрыв»: модуль поймал внутреннее противоречие в тексте

Программа гражданства за инвестиции 400 000 USD — подтверждено международными юридическими порталами (Global Residence Index, Legal 500).

Внутри одного абзаца — логический разрыв. Система поймала, что фразы «75 000 — 200 000 USD как фактическая планка» и «75 000 давно не работает» противоречат друг другу. Эту штуку не поймает ни один AI-детектор, только фактчек с логической проверкой.

Итог этого прогона: 6 из 12 проблем система готова исправить автоматически. Остальные 6 требуют человека, потому что связаны с формулировками, нюансами и решениями редактора. Это не «замена копирайтера», скорее редакционный контур, который берёт на себя рутину, а эксперту оставляет то, что человек делает лучше AI.

Что стало с той статьёй

Возвращаясь к событиям марта 2026-го: обе исходные статьи мы переписали в течение недели после сигнала клиента. Клиент пересчитал калькулятор ВНЖ на сайте. Три покупателя, которые собирались приехать «с 75 тысячами», получили извинения и правильные цифры. Двое из них купили квартиру, просто на другую сумму. Один отказался. Возможно, он прав по-своему.

После этой истории мы перестали спрашивать «насколько хорошо AI пишет». Теперь мы спрашиваем: «какой ущерб принесёт его ошибка, если никто её не заметит».

Ту статью три недели никто не замечал. Кроме клиента, у которого стояли на кону сделки. Ответ на этот вопрос определяет, сколько экспертной проверки нужно добавить в пайплайн: на каких этапах подключать человека и какие факты перепроверять до публикации.