Руководитель AI-направления в Т-Банке обнаружил неприятную вещь: в ответах ChatGPT и Claude на вопрос о заметных AI-продактах в России его просто не было. Хотя у человека есть выступления, статьи и реальный продуктовый опыт, для модели он как будто не существовал. История быстро превращается из личной обиды в практический кейс про видимость в ChatGPT: если вас нет в данных, на которые опирается модель, вас нет и в ответе.
О своём опыте автор рассказал в подробном гайде, сообщает Habr / Карьера. Его тезис простой: большие языковые модели узнают о людях из двух типов источников. Первый — структурированные базы вроде Wikidata и Google Knowledge Graph. Второй — страницы, которые можно нормально прочитать и проиндексировать. Если вы не представлены ни там, ни там, никакой личный бренд в соцсетях сам по себе проблему не решит.
Дальше начинается самое интересное, потому что речь не про абстрактный «прокачай цифровое присутствие», а про вполне инженерный чек-лист. Автор разбил задачу на пять шагов: сделать персональный сайт читаемым для краулеров, явно разрешить доступ ботам, ускорить индексацию через консоли поисковиков, завести сущность в Wikidata и связать между собой сайт и профили. Ключевая мысль звучит трезво: модели не обязаны догадываться, кто вы такой. Им нужно отдать данные в понятном формате.
Почему обычного сайта и соцсетей уже мало
Первая проблема оказалась банальной и оттого показательной. Персональный сайт автора уже существовал, но был собран как обычное React-приложение. Для человека это не проблема: браузер скачивает HTML, затем JavaScript, исполняет код и дорисовывает страницу. Для краулера картина другая: он приходит по URL, видит исходный HTML и уходит. Если в HTML лежит пустой контейнер и ссылки на скрипты, то содержимого для него просто нет. Проверка тоже предельно приземлённая: открыть страницу и посмотреть исходный код. Если там нет текста, бот его тоже не увидит.
Решением автор называет SSR — server-side rendering. В его варианте это стек на FastAPI, PostgreSQL, Jinja2 и Railway, где сервер сразу отдаёт готовую HTML-страницу с текстом. Здесь важен не конкретный фреймворк, а сам принцип: всё, что вы хотите сообщить машине, должно присутствовать в документе в момент первого запроса. Это касается не только основной биографии, но и деталей, которые любят прятать в эффекты. В гайде есть показательный эпизод с анимацией числа: у автора на сайте размер команды прокручивался от 0 до 250, и продвинутый краулер мог зафиксировать именно первый кадр. В сухом остатке машина получала не «руковожу 250 людьми», а «руковожу 0 людьми». Небольшой привет всем, кто любит фронтенд-магии больше, чем контроль над данными.
После того как сайт стал читаемым, автор занялся следующей преградой: не все агенты пойдут на новый домен сами и сразу. Для этого он рекомендует базовый набор из robots.txt, llms.txt, JSON-LD и sitemap. Robots.txt нужен не как пережиток SEO-нулевых, а как явный сигнал для AI-ботов, что им здесь не закрыли дверь. По словам автора, после того как крупные издатели в 2023–2024 годах начали массово блокировать AI-краулеров, у OpenAI и Anthropic появились более осторожные дефолты: при сомнении боты могут просто пропустить сайт. Поэтому недостаточно абстрактного Allow для всех, лучше явно перечислить основных агентов по имени. llms.txt, JSON-LD и sitemap решают другую задачу: помогают машине быстрее понять, кто перед ней, где главные страницы и как между собой связаны факты.
Зачем IT-специалисту Wikidata и что это меняет
Самый важный шаг в гайде — попадание в Wikidata. Автор отдельно подчёркивает, что именно этот пункт работает не только на поисковую выдачу, но и на более длинный цикл: записи из Wikidata могут уходить в Google Knowledge Graph и дальше попадать в обучающие датасеты крупных лабораторий. Если совсем упростить, это уже не просто «страница в интернете», а структурированная сущность, которую машина легче связывает с именем, должностью, работодателем и публичными активностями. Для людей, которые строят карьеру в AI, продукте, разработке или консалтинге, это, по сути, новый слой профессиональной инфраструктуры: не только резюме и не только Telegram-канал, а машиночитаемая идентичность.
На этом фоне особенно хорошо видно, куда вообще движется рынок личного бренда в IT. Раньше было достаточно, чтобы вас находил Google и узнавали на конференциях. Теперь появляется ещё одна воронка внимания: ответы LLM, где пользователь спрашивает не «найди сайт эксперта», а «кто в России делает сильные AI-продукты» или «каких специалистов по LLM стоит читать». Если ваше имя не попадает в этот слой, вы выпадаете из части новых рекомендаций, экспертных подборок и даже первичного discovery. Причём сильнее всего это ударит не по медийным суперзвёздам, а по крепким специалистам среднего и высокого уровня, у которых есть реальные кейсы, но нет нормально оформленного цифрового следа.
Для разработчиков и продуктовых команд в этой истории есть и более прикладной вывод. Сайт, который хорошо выглядит для человека, уже не гарантирует, что его поймёт машина. Значит, SSR, структурированная разметка, карты сайта и управляемая индексация становятся не только инструментами маркетинга, но и частью базовой инженерной гигиены. Для фаундеров и HR смысл такой же прагматичный: если компания хочет, чтобы её руководители, евангелисты и эксперты чаще появлялись в ответах ассистентов, это нужно проектировать как систему, а не ждать милости от алгоритма.
Вся эта история пока выглядит как ранняя стадия новой дисциплины на стыке SEO, knowledge graph и репутационного менеджмента для LLM. Но ранняя стадия не значит маргинальная. Скорее наоборот: через год такие вещи, как видимость в ChatGPT, могут стать такой же рутиной, как корпоративный блог, schema-разметка или профиль на GitHub. Вопрос уже не в том, будут ли специалисты оптимизировать своё присутствие под модели, а в том, насколько быстро рынок превратит это в обязательный минимум для тех, кто хочет быть найденным не только людьми, но и машинами.