В роботі проведено дослідження впливу мовних моделей (LLM) на методи оптимізації SEO даних з метою підвищення кількості органічного трафіку електронних комерційних платформ. Проаналізовано можливості швидкої адаптації великих обсягів контенту до вимог пошукових алгоритмів через використання інструментів побудованих на основі LLM моделей. Також було проведено порівняльний аналіз ефективності SEO-оптимізації із використанням нових інструментів та традиційних методів ручної оптимізації на прикладі e-commerce платформи з десятками тисяч товарних позицій і тисячами відвідувань. Результати демонструють значне скорочення часу на SEO-оптимізацію – до 85% для великих каталогів, а також підвищення якості метаданих та значне зростання органічного трафіку. Виявлені ключові переваги, такі як: масштабованість, можливість паралельної обробки, підтримка консистентності SEO-стандартів для старих продуктів та швидка реакція на зміни і тренди у пошукових системах. Дослідження підтверджує ефективність інструментів на основі LLM моделей у SEO-workflow e-commerce платформ для досягнення стабільного зростання органічного трафіку.
[1] Entities In SEO: What Are They And Why Do They Matter? [Електронний ресурс] – Режим доступу до ресурсу: https://www.searchenginejournal.com/entity-seo/492947/
[2] An SEO guide to understanding E-E-A-T [Електронний ресурс] – Режим доступу до ресурсу: https://searchengineland.com/guide/google-e-e-a-t-for-seo
[3] Henry Jones July 2, 2025 “The Impact of AI and LLM on Your Organic Traffic” [Електронний ресурс] – Режим доступу до ресурсу: https://proof3.co/insights/impact-of-ai-and-llm-on-organic-traffic
[4] Google Search Central Blog (2024). "Google Search's guidance about AI-generated content". [Електронний ресурс] – Офіційна позиція Google щодо контенту, створеного за допомогою штучного інтелекту: https://developers.google.com/search/blog/2023/02/google-search-and-ai-content
[5] Schweidel D., Knox G., et al. Moving Beyond ChatGPT: Applying Large Language Models in Marketing Contexts. – Journal of Marketing Research & Innovation, 2024. – Sciendo. – 14 с. – https://doi/org/10.2478/nimmir-2024-0004
[6] Aggarwal P., Murahari V., Rajpurohit T., Kalyan A., Narasimhan K., Deshpande A. GEO: Generative Engine Optimization. – KDD ’24 Proceedings. – ACM, 2024. – 12 с.
[7] Chodak G., Błażyczek K. Large Language Models for Search Engine Optimization in E-commerce / Grzegorz Chodak, Klaudia Błażyczek. – ResearchGate, 2024. – 15 с., https://doi/org/10.1007/978-3-031-56700-1_27
[8] Henry Jones July 2, 2025 “The Impact of AI and LLM on Your Organic Traffic” [Електронний ресурс] – Режим доступу до ресурсу: https://proof3.co/insights/impact-of-ai-and-llm-on-organic-traffic
[9] AI Statistics 2025: Top Trends, Usage Data and Insights [Електронний ресурс] – Режим доступу до ресурсу: https://www.synthesia.io/post/ai-statistics
[10] What is RAG (Retrieval-Augmented Generation)? [Електронний ресурс] – Режим доступу до ресурсу: https://aws.amazon.com/what-is/retrieval-augmented-generation/
[11] Boonstra, L. (2023). Prompt Engineering. O’Reilly Media.