Сразу дисклеймер, чтобы потом не было вопросов. Всё, что ниже, это реконструкция по трём независимым источникам: официальный документ Search Quality Rater Guidelines (QRG), показания и материалы суда DOJ против Google, и слитая документация Content Warehouse API 2024 года. Это НЕ официальная формула ранжирования. QRG вообще не содержит весов факторов - это рамка оценки качества для живых асессоров. Но именно эта рамка, как выяснилось на суде, напрямую кормит обучение ранжирующих моделей. Часть связок доказана, часть документирована по слитым полям, часть остаётся интерпретацией сообщества. Я честно помечаю уровни.
Почему оценки асессоров вообще влияют на выдачу
Главное открытие последних двух лет - не сам факт существования асессоров (их Guidelines публикуются открыто с 2015 года), а доказанная связь их оценок с обучением алгоритма.
В разборе это фактор F-RATER-001 с самым высоким уровнем подтверждения (official-confirms-unofficial). Опора - страница 154 судебных материалов плюс поля из слива: ratingScore с пометкой used for training, taskLevelRating в структуре релевантности per-doc. То есть человеческая оценка - это не косметика и не ручная модерация отдельных URL. Это обучающая выборка для модели, которая потом ранжирует миллиарды страниц, которые ни один асессор в глаза не видел.Показания Панду Наяка (VP Search) на процессе DOJ: модели RankEmbed и RankEmbedBERT - ядро ML-ранжирования Google - обучаются на двух главных источниках данных: логи поиска и оценки живых асессоров. Именно rater-trained модели дали Google ощутимое преимущество на сложных и редких запросах.
Практический вывод из этого один и он неприятен для любителей быстрых трюков
Две независимые оси: Page Quality и Needs MetЕсли приём улучшает один SEO-показатель, но ухудшает то, что асессор оценил бы как Trust, качество основного контента или попадание в потребность - вы оптимизируете ПРОТИВ обучающей рамки. Краткосрочный рост, долгосрочный конфликт с тем, на чём модель училась отличать хорошее от плохого.
Это базовая развилка, которую путают чаще всего. В QRG два отдельных рейтинга, и они ортогональны.
Код: Выделить всё
ОСЬ 1 - PAGE QUALITY (PQ) ОСЬ 2 - NEEDS MET (NM)
качество страницы вне запроса польза результата ПОД запрос
----------------------------- --------------------------
Lowest Fails to Meet
Low Slightly Meets
Medium Moderately Meets
High Highly Meets
Highest Fully Meets
драйверы: драйверы
- качество Main Content - попадание в доминирующий интент
- E-E-A-T - точность и консенсус
- цель страницы - свежесть (для time-sensitive)
- репутация сайта/автора - полнота (особенно YMYL)
Точность как гейт, а не как бонус
Отдельно стоит F-RATER-046. Фактическая точность и соответствие экспертному консенсусу - это обязательное условие для Highly/Fully Meets, а не приятная добавка. Устаревшая или недостоверная информация снижает NM независимо от того, насколько точно страница отвечает на запрос. Для YMYL устаревший материал может быть не просто бесполезен, а прямо опасен. Требований к длине нет, но для сложных тем короткий ответ часто = вводящий в заблуждение ответ.
E-E-A-T: Trust как несущая опора
Четыре буквы, но они неравнозначны. Experience (личный опыт), Expertise (экспертиза), Authoritativeness (авторитетность) - это компоненты. Trust (надёжность) - это фундамент (F-RATER-010, подтверждён).
E-E-A-T оценивается триангуляцией - три источника сигнала сходятся в одну точкуНенадёжная страница имеет низкий E-E-A-T независимо от опыта, экспертизы и авторитета автора. Можно быть гениальным экспертом и иметь нулевой Trust - и тогда весь E-E-A-T обнуляется. Обратное не работает: авторитет не вытягивает недоверие.
Код: Выделить всё
E-E-A-T = пересечение трёх взглядов
-------------------------------------
1. ЧТО САЙТ ГОВОРИТ О СЕБЕ -> About, контакты, профиль автора, квалификация
2. ЧТО ГОВОРЯТ ДРУГИЕ -> репутация, упоминания, отзывы вне сайта
3. ЧТО ВИДНО В САМОМ MC -> глубина, оригинальность, признаки реального опыта
если три взгляда расходятся - Trust проседает
Важная ловушка: репутация не компенсирует тематический пробел
F-RATER-058 (документирован, QRG p.60). Недостаточный для конкретной темы E-E-A-T - самостоятельное основание для Low. Ни сила бренда, ни тип сайта не закрывают нехватку компетентности по конкретной странице.
Код: Выделить всё
ПРИМЕРЫ НИЗКОГО ТЕМАТИЧЕСКОГО E-E-A-T
- кулинарный сайт публикует налоговые советы
- рецензия на ресторан от человека, который там не был
- крупный новостной бренд даёт медицинские рекомендации без врача
Вывод: бренд != компетентность в любой теме
YMYL - это не абстракция, это классификатор в данных
YMYL (Your Money or Your Life) - темы, способные существенно повлиять на здоровье, финансы, безопасность, благополучие. Для них стандарт PQ резко выше, требования к Trust и E-E-A-T максимальны (F-RATER-007, подтверждён).
И вот что превращает это из философии в инженерию: в слитом PerDocData есть конкретные поля ymylHealthScore и ymylNewsScore - алгоритмическая реализация YMYL-гейта (F-RATER-006, подтверждён, классификатор go/ymyl-classifier-dd). Страница получает скор автоматически по теме и контексту. Замаскировать YMYL-контент под обычный не выйдет - классификация идёт по содержанию, а не по вашему намерению.
Свежее обновление: YMYL расширили в сентябре 2025
11 сентября 2025 Google обновил Guidelines (документ вырос со 181 до 182 страниц). Два значимых изменения
Код: Выделить всё
ИЗМЕНЕНИЕ 1: переименование категории
было: "YMYL Society"
стало: "YMYL Government, Civics & Society"
смысл: явно включены выборы, госинституты, доверие к
публичным процессам - контент, влияющий на
гражданское доверие, теперь жёсткий YMYL
ИЗМЕНЕНИЕ 2: критерии оценки AI Overviews
впервые асессорам даны примеры оценки AI-ответов
по тем же осям, что сниппеты и knowledge panels
- точность информации
- корректная атрибуция процитированных источников
- полезность сводки для пользователя
Что асессор пометит как Lowest - и почему это алгоритмический риск
Шкала Lowest - не про слабый текст, а про вредную или обманную цель. Гейт вреда проверяется ДО любых критериев MC и E-E-A-T: вред, ненадёжность и спам переопределяют любую экспертизу (F-RATER-024).
Код: Выделить всё
ТРИ КОРЗИНЫ LOWEST (хватает одной)
----------------------------------
HARMFUL физический, финансовый, эмоциональный вред;
опасные советы на YMYL
UNTRUSTWORTHY обман, дезинформация, нет инфо о создателе
SPAMMY мусорный, скопированный или отсутствующий MC
Abuse-паттерны спам-политики
Три явно прописанных паттерна (F-RATER-028/029/030), все три ведут в Lowest вне зависимости от способа создания
Код: Выделить всё
1. SCALED CONTENT ABUSE массовая генерация малоценных
страниц без оригинальности
(в т.ч. шаблонный ИИ под ключи)
2. EXPIRED DOMAIN ABUSE покупка трастового домена с историей
под несвязанный новый контент
3. SITE REPUTATION ABUSE чужой контент на авторитетном сайте
ради его сигналов = parasite SEO
F-RATER-027. Копипаст, рерайт с указанием источника, сырой ИИ без оригинального вклада, gibberish, тонкий аффилиат с описаниями от производителя. Общий знаменатель - нулевая добавленная ценность.
Deceptive Design / InformationКлючевой тезис: ссылка на источник НЕ заменяет собственного вклада. Рерайт чужого материала остаётся проблемой, даже если вы честно сослались. Минимальный стандарт - оригинальный экспертный анализ, реальный опыт использования или собственные данные. Это же касается ИИ-текста: проблема не в том, что он ИИ, а в отсутствии оригинального вклада.
F-RATER-026. Реклама под видом MC, фиктивные авторские профили, имперсонация брендов, ложные заявления об экспертизе, чужие trust-логотипы без реальной аффилиации. Классика - sponsored answer на форуме в формате обычного ответа. Реклама и дополнительный контент должны быть визуально отличимы от основного. Контрольный вопрос: может ли посетитель однозначно понять, что реклама, кто отвечает за контент и какова цель страницы?
Прозрачность, основной контент и свежесть
Main Content как центральный драйвер PQ (F-RATER-009). Качество MC оценивается по четырём осям: усилие, оригинальность, навык/талант, точность. Играет очень большую роль в PQ. Компиляция всегда слабее оригинальных данных, экспертного анализа или реального опыта. Для новостей приоритет - оригинальная журналистика, а не агрегация.
Информация о сайте и создателе (F-RATER-016). Адекватные About и контакты - условие High/Highest. Полное отсутствие такой информации на YMYL-странице - сильный low-quality риск.
Код: Выделить всё
МИНИМУМ ПРОЗРАЧНОСТИ
все сайты -> About + контакты
YMYL -> + идентификация автора с квалификацией
e-commerce -> + customer service, возврат, реквизиты
Сводный чек-лист
Код: Выделить всё
TRUST первым прозрачность, точность, нет обмана и
скрытого конфликта интересов
E-E-A-T по теме проверь, что компетентность относится
именно к ЭТОЙ теме, а не вообще
YMYL по-взрослому эксперт-автор, консенсус, контакты;
помни про новую категорию Government/Civics
MC с вкладом оригинальный анализ/опыт/данные;
ссылка не заменяет вклад
PQ и NM обе качество страницы И попадание в интент
Lowest-аудит три корзины harmful/untrustworthy/spammy
+ три abuse-паттерна
свежесть честно обновляй контент, а не дату
Резюме без воды: QRG и слив сходятся в одной мысли - Google технически приближает свою оценку качества к тому, что увидел бы вдумчивый человек-асессор. Поэтому самая устойчивая стратегия совпадает со скучным советом, который раздражает любителей трюков: реальный опыт, проверяемая экспертиза, честность о себе и точность по консенсусу. Это не потому что Google добрый, а потому что именно на этом обучены его модели.Доказано (official-confirms-unofficial): оценки асессоров обучают RankEmbed/RankEmbedBERT (DOJ); YMYL-классификаторы существуют как поля в данных; E-E-A-T и повышенный стандарт YMYL - официальная рамка QRG.
Документировано по сливу: модель pXLQ/Chard и псевдо-рейтеры; конкретные abuse-паттерны; шкалы PQ и Needs Met с их гейтами.
Чего нельзя обещать: QRG не даёт весов, и нет публичной формулы вида "сделай X - получи позицию Y". E-E-A-T - это рамка оценки, а не отдельный множитель в ранжировании. Никто извне не знает точного веса pXLQ или ratingScore в финальном скоринге. Связь "асессор -> обучение модели -> выдача" реальна и доказана, но она статистическая и непрямая: конкретная страница не получает рейтерскую оценку напрямую. Любой, кто гарантирует вам топ за счёт "оптимизации под E-E-A-T", продаёт интерпретацию как факт.