Обновление BERT
Обновление BERT - это релиз Google от октября 2019 года, который внедрил BERT, двунаправленную языковую модель на основе трансформера, в ранжирование Поиска и отбор избранных сниппетов. Это было крупнейшее изменение алгоритма, которое Google внёс за пять лет, и первый случай, когда глубокие трансформерные модели затронули поиск в реальном времени в масштабе.
Обновление BERT - это релиз Google от октября 2019 года, который внедрил BERT, двунаправленную языковую модель на основе трансформера, в ранжирование Поиска и отбор избранных сниппетов. Это было крупнейшее изменение алгоритма, которое Google внёс за пять лет, и первый случай, когда глубокие трансформерные модели затронули поиск в реальном времени в масштабе.
Почему это важно
BERT стал мостом между поиском по совпадению ключевых слов и поиском по смыслу. До BERT Google мог понимать запросы вроде "stand alone" слово за словом, но спотыкался на предлогах, отрицаниях и порядке слов. После BERT запросы вроде "2019 brazil traveler to usa need a visa" стали пониматься правильно - Google осознал, что предлог "to" имеет значение и что запрос был о бразильцах, путешествующих в США, а не об американцах, путешествующих в Бразилию. Это положило начало эпохе трансформеров Google и привело напрямую к MUM (2021), AI Overviews (2024) и AI Mode (2025). Понимание BERT помогает объяснить, почему принцип "пишите для читателя, а не для ключевых слов" стал реальной SEO-стратегией, а не просто лозунгом.
Что BERT действительно делает
BERT (Bidirectional Encoder Representations from Transformers) - это модель Google Research 2018 года. Часть "двунаправленная" критически важна: в отличие от ранних моделей, читавших текст слева направо, BERT смотрит на каждое слово в предложении в контексте каждого другого слова, в обоих направлениях, одновременно. Это позволяет ему понимать:
Порядок слов: "Can you get medicine for someone pharmacy" против "Can someone get medicine at a pharmacy for you" - разные значения.
Предлоги: "to", "from", "for", "with" - маленькие слова, переворачивающие смысл запроса.
Отрицание: "do not" против "do" - легко упускается ключевыми моделями.
Многозначность: "bank" (берег реки) против "bank" (финансовое учреждение) определяется окружающими словами.
Где Google использовал BERT
Понимание запросов: определение того, что пользователь действительно имел в виду.
Отбор избранных сниппетов: выбор фрагмента, который по-настоящему отвечает на вопрос, а не просто содержит совпадающие ключевые слова.
Корректировка ранжирования: затронул около 10% англоязычных поисковых запросов на старте - крупнейшее изменение со времён RankBrain (2015).
Многоязычное расширение: в течение нескольких месяцев Google распространил BERT на более чем 70 языков, включая корейский.
Чего BERT не делал
Обратные ссылки: BERT изменил то, как Google понимает запросы, а не то, как он оценивает ссылки.
Определение качества контента: это пришло позже с обновлениями helpful content.
Авторитет сайта: сигналы авторитетности домена напрямую не затрагивались.
Удобство для мобильных устройств, Core Web Vitals: отдельные сигналы.
BERT касался конкретно слоя понимания языка в поиске.
Как BERT изменил практику SEO
Переспам ключевыми словами стал ещё менее эффективным: повторение "лучшая платформа для блог-SEO" 30 раз скорее вредило, чем помогало запросу, который BERT понимал как "какая платформа лучше всего подходит для SEO блога?"
Длиннохвостые разговорные запросы стало легче таргетировать: страницы, написанные как реальные ответы на реальные вопросы, начали ранжироваться лучше, чем списки, оптимизированные под ключевые слова.
Контент на основе вопросов укрепил позиции: страницы, выстроенные вокруг "что такое X" и "как мне сделать Y", выиграли, потому что BERT улучшил способность Google сопоставлять вопросы с ответами во фрагментах текста.
Длиннохвостый трафик резко вырос для сайтов, писавших естественно: особенно на неанглоязычных рынках, где инструментарий для работы с ключевыми словами был слабым.
Перестаньте пытаться перехитрить алгоритм: BERT стал моментом, когда "пишите для людей" превратилось из клише в полноценную стратегию, потому что Google наконец смог это распознать.
BERT в сравнении с более поздними моделями
| Модель | Год | Роль | Языки |
|---|---|---|---|
| RankBrain | 2015 | Первое машинное обучение в поиске | Английский |
| BERT | 2019 | Двунаправленный трансформер для понимания запросов | Английский, затем 70+ |
| MUM | 2021 | Многоязычная и многозадачная, в 1000 раз мощнее BERT | 75+ |
| Search Generative Experience / AI Overviews | 2024 | Генеративный синтез ответов | Основные языки |
| AI Mode | 2025 | Полноценный чат-интерфейс поиска | Расширяется |
Каждый шаг опирается на предыдущий. BERT остаётся основой - более новые модели расширяют, а не заменяют его понимание запросов.
Распространённые ошибки (тогда и сейчас)
Попытки "оптимизировать конкретно под BERT": BERT - это не фактор ранжирования, под который оптимизируют; это система понимания запросов, которая в любом случае вознаграждает естественный язык.
Предположение, что BERT полностью уничтожил ключевые слова: ключевые слова по-прежнему важны как сигналы; BERT лишь наказывает за механический переспам.
Чтение советов по BERT 2019 года в 2026 году: большинство из них вытеснено рекомендациями helpful content и реалиями ИИ-поиска.
Путаница BERT с helpful content: BERT касался понимания запросов; helpful content касался оценки качества страницы. Разные слои.
Источники: