Глоссарий.

Адрес сайта, который вводят в браузере, например velvetum.com. Арендуется на год с продлением.

Домен — это имя вашего сайта, по которому его находят: например, velvetum.com. За числовым адресом сервера стоит удобное человекочитаемое имя. Домен не покупают навсегда, а арендуют — обычно на год, с ежегодным продлением. Если аренду не продлить, сайт по этому адресу перестаёт открываться.

Место, где хранятся файлы сайта, чтобы он был доступен в интернете круглосуточно.

Хостинг — это место, где хранятся файлы сайта и откуда они отдаются посетителям: сервер в дата-центре, работающий круглосуточно. Без хостинга сайт негде разместить. Оплачивается помесячно или за год. Современные сайты часто размещают на облачных платформах, которые берут на себя скорость и бесперебойную работу.

Технология шифрования данных между сайтом и посетителем. Тот самый замочек и «https» в адресной строке.

SSL-сертификат включает защищённое соединение: данные, которые посетитель вводит на сайте, передаются в зашифрованном виде. Внешне это замочек в адресной строке и приставка «https» вместо «http». Без сертификата браузер помечает сайт как «не защищён», а поисковики понижают его в выдаче. Сегодня это обязательный минимум для любого сайта.

Работа над сайтом, чтобы он показывался выше в обычной выдаче Яндекса и Google по запросам клиентов.

SEO (search engine optimization) — поисковое продвижение: работы, благодаря которым сайт поднимается в обычной выдаче Яндекса и Google и приводит посетителей без оплаты за каждый клик. Сюда входят понятная структура, скорость, корректные заголовки и описания, полезные тексты. SEO даёт результат не сразу, а через недели и месяцы, зато трафик потом идёт стабильно.

Сайт, который одинаково удобно открывается и на компьютере, и на телефоне.

Адаптивный сайт автоматически подстраивается под устройство: на компьютере показывает несколько колонок, на телефоне — одну, увеличивает кнопки и шрифт. Это важно, потому что больше половины посетителей заходят с телефона, и неудобный мобильный сайт теряет клиентов.

Библиотека UI от Meta, де-факто стандарт фронтенда современных сайтов и веб-приложений.

React описывает интерфейс как функции от состояния и переиспользуемые компоненты. На нём построены крупнейшие продукты — Facebook, Instagram, Airbnb, Vercel, OpenAI Console. В AI-First архитектуре React особенно удобен тем, что Server Components в связке с Next.js позволяют рендерить страницы на сервере и отдавать поисковым ботам и нейропоиску чистый HTML без необходимости исполнения JavaScript на их стороне.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк · Топ инструментов UX/UI 2026: Figma, Sketch, Framer, Penpot и другие · Языки веб-разработки в 2026: выбор стека под бизнес, а не под моду

Фреймворк поверх React от компании Vercel с встроенной маршрутизацией, серверным рендерингом, оптимизацией шрифтов и изображений.

Next.js — основной фреймворк стека студии. App Router, Server Components, кэширование на уровне Vercel CDN и встроенная поддержка Schema.org через generateMetadata дают идеальную AI-First базу: ботам отдаётся быстрый HTML с разметкой, пользователю — интерактивный SPA. Студия использует Next.js 16 и Tailwind 4 как стандарт всех клиентских сайтов с 2025 года.

Utility-first CSS-фреймворк: вёрстка собирается из коротких классов вроде flex, gap-4, text-lg прямо в HTML.

Tailwind ускоряет разработку и упрощает консистентность дизайн-системы — все отступы, цвета и шрифты задаются через токены config'а. Версия 4 поддерживает CSS variables, layered cascade и работает быстрее предыдущих поколений. В стеке студии Tailwind 4 закрывает 100% стилей клиентских сайтов: кастомный CSS остаётся только под сложные эффекты — параллакс, scroll-driven animations, 3D-сцены.

Хостинг и CDN, создатели Next.js. Деплой через git push, edge-сеть в 70+ регионах, встроенная аналитика и WAF.

Vercel — основная платформа студии. Preview-деплой на каждый push, мгновенный rollback, edge functions, image optimization, defence WAF и аналитика Core Web Vitals из коробки. Для бренда это означает, что новая статья журнала или фикс на главной выходит в продакшен за минуты, а CDN кэширует страницы по всему миру — что напрямую влияет на TTFB и LCP, ключевые метрики попадания в нейропоиск.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк

Компоненты React, выполняющиеся только на сервере: они отдают HTML в браузер и не загружают свой код на клиент.

Server Components резко уменьшают объём JavaScript, который скачивает пользователь, и упрощают доступ к базам данных и API напрямую из компонента. В AI-First дизайне они особенно ценны: страница приходит в браузер и к ботам как чистый HTML с уже встроенной Schema.org-разметкой, и нейропоиск читает её без исполнения скриптов. Студия рендерит большинство контентных страниц как Server Components.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк

Компоненты React с интерактивностью: обработчики событий, состояние, эффекты. Исполняются в браузере пользователя.

В App Router Client Components помечаются директивой 'use client' и используются строго там, где нужна интерактивность — формы, плееры, 3D-сцены, анимации скролла. Чрезмерное превращение страниц в клиентские — типичная ошибка, которая ломает SEO и LCP. Практика: по умолчанию Server, переход в Client только при доказанной необходимости.

Рендеринг страницы на сервере при каждом запросе: пользователь и боты получают готовый HTML.

SSR обеспечивает максимально свежий контент и хорошо подходит динамическим разделам — каталогу, поиску, личным кабинетам. Минус — нагрузка на сервер и более высокий TTFB по сравнению со статикой. В Next.js SSR — один из режимов рендеринга наряду с SSG, ISR, PPR; студия выбирает режим по нагрузке и частоте обновления страницы.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк · Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги

Сборка всех страниц сайта в HTML на этапе деплоя и отдача их через CDN без обращения к серверу.

SSG даёт максимальную скорость и идеально подходит контентным сайтам, журналам, лендингам. Большая часть страниц velvetum.com — статика, кешируемая на edge Vercel: TTFB меньше 200 мс из любой точки мира, что критично для AI-First индексации. При изменении контента в Sanity срабатывает on-demand revalidation, и страница перестраивается без полного редеплоя.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк

Гибрид статики и SSR: страница кэшируется, но пересобирается по расписанию или по сигналу.

ISR решает дилемму между свежестью и скоростью. Страница один раз генерируется, отдаётся через CDN всем посетителям, в фоне пересобирается по revalidate-таймеру или вызову revalidateTag. Студия использует ISR на разделах с регулярным обновлением — журнал, кейсы, цены — чтобы не платить за SSR на каждом запросе и при этом не зависеть от ручного редеплоя.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк

Рендеринг страницы в браузере пользователя через JavaScript после загрузки пустого HTML-каркаса.

CSR был доминирующим подходом в эпоху SPA (React, Angular, Vue) и до сих пор используется в админках, дашбордах, личных кабинетах. Для публичных страниц CSR проигрывает SSR и SSG по скорости и индексируемости: бот должен исполнить JavaScript, а нейропоиск часто этого не делает. Стандарт студии запрещает чистый CSR на маркетинговых страницах клиентских сайтов.

Похожие статьи:Next.js или React в 2026: библиотека или полноценный фреймворк

Гибрид статической и динамической частей одной страницы: статичная оболочка отдаётся мгновенно, динамические блоки стримятся.

PPR появился в Next.js 14-15 и закрывает уязвимое место чистой статики: страница может иметь персональный блок (корзина, рекомендации, login), но при этом не терять преимуществ статического кеша на главной массе содержимого. Практика: PPR на главных страницах клиентских сайтов с динамическим hero или персональной рекомендацией.

Сеть граничных серверов, кэширующих сайт ближе к пользователю — обычно в десятках регионов одновременно.

CDN кардинально снижает TTFB и LCP, особенно для аудитории за пределами одного дата-центра. Vercel Edge Network имеет 70+ регионов; Cloudflare — 300+. В AI-First подходе CDN важен ещё одним эффектом: краулеры нейропоисков заходят из разных регионов мира, и без CDN половина запросов рискует упереться в медленный origin.

Исполнение кода не в одном дата-центре, а на граничных нодах CDN, ближайших к пользователю.

Edge Functions в Next.js и Vercel позволяют делать персонализацию, A/B-тесты, гео-редиректы и middleware на edge — без обращения к origin. Это резко снижает задержку для пользователей по всему миру и делает возможным сценарии вроде «сменить язык страницы по cookie или IP за 10-20 мс». Студия использует edge для cookie-локализации velvetum.com и собственных AI-агентов.

Время от запроса до получения первого байта ответа сервера. Целевой ориентир — меньше 200 мс.

TTFB зависит от расстояния до сервера, сложности рендеринга и кэширования. На velvetum.com средний TTFB по миру — около 170 мс благодаря связке Next.js + Vercel CDN. В AI-First подходе TTFB напрямую влияет на индексируемость: краулеры с тайм-аутом отказываются от медленных страниц, и сайт выпадает из выдачи нейропоиска.

Похожие статьи:Производительность сайта в 2026: почему скорость — это не PageSpeed · Как попасть в нейроответы Яндекса и Google

Метрика Core Web Vitals: время появления крупнейшего видимого элемента — обычно hero-картинки или заголовка. Целевой ориентир — меньше 2.5 с.

LCP отражает «когда пользователь увидел, что страница содержит». Плохой LCP всегда связан с тяжёлыми изображениями, отсутствием next/image, медленным сервером или блокирующими скриптами в head. Чек-лист pre-deploy включает обязательное измерение LCP на трёх устройствах и тип соединения 4G — нельзя выходить в прод с LCP больше 3.5 секунд на mid-tier мобильном.

Похожие статьи:Производительность сайта в 2026: почему скорость — это не PageSpeed · Next.js или React в 2026: библиотека или полноценный фреймворк · Как попасть в нейроответы Яндекса и Google

Метрика Core Web Vitals, заменившая FID в 2024: время отклика интерфейса на любое взаимодействие. Цель — меньше 200 мс.

INP считает не первую, а самую медленную задержку отклика на странице за всё время сессии. Плохой INP виден на тяжёлых React-страницах с большим количеством состояний и анимаций. Практика: тяжёлые анимации hero выносить в IntersectionObserver, тяжёлые компоненты грузить через dynamic import, на формы вешать debounce. После таких правок INP velvetum.com — стабильно ниже 100 мс.

Похожие статьи:Производительность сайта в 2026: почему скорость — это не PageSpeed · Карта будущего SEO 2025–2030: 8 сдвигов от ключей к AI-цитируемости

Метрика Core Web Vitals: суммарный визуальный сдвиг страницы во время загрузки. Цель — меньше 0.1.

CLS портится, когда у изображений не задана ширина и высота, шрифты подменяются с FOIT/FOUT, рекламные блоки подгружаются после первого экрана. Стандарт студии: для всех изображений обязательно width/height, для шрифтов — next/font с display swap и точной размерной заменой fallback, для рекламы — заранее зарезервированные слоты.

Похожие статьи:Производительность сайта в 2026: почему скорость — это не PageSpeed · Как попасть в нейроответы Яндекса и Google · Карта будущего SEO 2025–2030: 8 сдвигов от ключей к AI-цитируемости

Метрика производительности: время до первого видимого контента на странице — текст, иконка, картинка.

FCP отражает скорость старта рендеринга и в норме идёт раньше LCP. Хороший FCP — меньше 1.8 секунды на 75-м перцентиле. FCP портится теми же причинами, что и LCP: медленный сервер, блокирующий CSS, тяжёлый JavaScript в head. Замер FCP сравнивает мобильную и десктопную версии — на премиум-проектах ожидаем FCP меньше 1.2 секунд на 4G.

Встроенный компонент Next.js для оптимизированной отдачи изображений: автоматический WebP/AVIF, responsive sizes, lazy load.

next/image закрывает 80% работы над визуальной частью Core Web Vitals: формат, размер, ленивая загрузка, plaiceholder, blur-up. Стандарт студии: на всех клиентских сайтах изображения — только через next/image, исходники — на Cloudinary с автотрансформациями. Это даёт LCP-картинку в 50-150 КБ вместо классических 500-2000 КБ.

Встроенный механизм Next.js для оптимизированной загрузки веб-шрифтов: subset, preload, авто-fallback, нулевой layout shift.

next/font убирает FOIT и FOUT, режет TTF до нужных кириллических/латинских поднаборов и подбирает метрики системного fallback так, чтобы переключение шрифтов не двигало layout. Стандарт студии: Cormorant Garamond italic для заголовков, Inter Tight для подписей, JetBrains Mono для технических надписей — всё через next/font с display swap.

Формат разметки Schema.org через JSON-объект в теге script. Рекомендуемый Google и Яндекс способ описать сущности страницы.

JSON-LD удобнее микроразметки в HTML: разметка не мешает рендерингу и легко собирается из данных страницы. В стеке студии Schema.org-разметка генерируется в Server Components и встраивается в head: Organization для бренда, BreadcrumbList для навигации, BlogPosting для статей, FAQPage для FAQ, DefinedTermSet для глоссария. Без JSON-LD сайт практически невидим для AI Overviews.

Старый способ Schema.org-разметки: атрибуты itemscope/itemtype/itemprop прямо в HTML-разметке.

Microdata и RDFa поддерживаются всеми поисковыми системами, но менее удобны: разметка перемешана с вёрсткой и хуже масштабируется. Google и Яндекс рекомендуют JSON-LD как основной формат; Microdata оставляют для сценариев, где разметка должна совпадать с видимым текстом (например, отзывы с рейтингами в карточках товара).

Архитектурный стиль HTTP-API: ресурсы, методы GET/POST/PUT/DELETE, статусы, JSON в теле ответа.

REST остаётся базовым стандартом для интеграций между сайтом, CMS, CRM, бухгалтерией и платёжными провайдерами. В AI-First сценариях REST API сайта становится дополнительным каналом для AI-агентов: если данные о ценах, услугах и наличии доступны по REST с понятной схемой, агентный браузер может использовать их в реальном времени.

Запросный язык от Meta для API: клиент сам декларирует, какие именно поля нужны, и получает ровно их одним запросом.

GraphQL хорош для приложений с многими типами данных и сложными зависимостями. В классических контентных сайтах он часто избыточен — REST или встроенный data fetching Next.js покрывают задачи проще. В стеке студии GraphQL используется в основном для headless-CMS Sanity и в E-commerce-проектах поверх Shopify.

Сайт, работающий как приложение: офлайн-режим, установка на главный экран, push-уведомления.

PWA уместен для сервисов с регулярным повторным использованием: личный кабинет, дашборд, медиа-плеер, e-commerce. Для маркетинговых лендингов PWA — overkill: установки никто не делает, и расходы на манифест и Service Worker не окупаются. velvetum.com работает как лёгкий PWA — это даёт офлайн-фолбэк и быстрые повторные заходы.

Скрипт, работающий в фоне между сайтом и сетью: кэширует ресурсы, обрабатывает офлайн-запросы, доставляет push-уведомления.

Service Worker — техническая основа PWA. В руках команды без опыта легко превращается в источник багов: устаревший SW может месяцами отдавать устаревшую версию сайта. Практика: SW активируем только там, где он действительно нужен, и всегда добавляем механизм принудительного обновления версии при деплое.

Защищённый протокол доставки сайта поверх TLS. HTTP/2 и HTTP/3 — современные версии с мультиплексированием и сниженной задержкой.

HTTPS обязателен — без него Google и Яндекс понижают сайт в выдаче, а нейропоиск практически игнорирует. HTTP/2 поднимает скорость за счёт мультиплексирования запросов в одном соединении, HTTP/3 поверх QUIC ещё лучше работает на нестабильных мобильных сетях. Vercel автоматически подаёт HTTPS+HTTP/2 на все клиентские проекты студии.

Практики и стандарты, делающие сайт пригодным для людей с разными возможностями: зрение, моторика, слух, когнитивные особенности.

WCAG 2.2 описывает требования к контрасту, навигации с клавиатуры, доступным именам элементов, корректной семантике HTML, alt-текстам, аудиоописанию. Здесь a11y — это не только этическое требование, но и юридический риск: ADA-иски и российские нормы для госуслуг прямо опираются на WCAG. Стандарт студии: WCAG AA на всех клиентских сайтах, AAA — на проектах с явной B2C-аудиторией старше 55.

Одностраничный сайт с одной целью: получить заявку, регистрацию, продажу или подписку.

Классический лендинг строится по схеме: первый экран с оффером, блок с пользой, блок с социальным доказательством, форма заявки. В верхнем ценовом сегменте лендинг это не шаблон, а индивидуальный проект с собственной типографикой и сценарием. В AI-First подходе лендинг получает Schema.org разметку (Service, Offer, FAQPage) и попадает в нейроответы по конкретным запросам услуги.

Сайт из нескольких страниц с собственной навигацией: главная, услуги, портфолио, о компании, контакты, блог.

Многостраничный формат подходит, когда у компании несколько направлений работы или несколько целевых аудиторий. Для AI-First архитектуры многостраничный сайт даёт больше точек входа в нейропоиск: каждая страница услуги отвечает на свой узкий вопрос пользователя и может попасть в свой собственный нейроответ.

Система управления контентом, через которую владелец сайта добавляет и редактирует страницы, статьи, товары без участия программиста.

Популярные CMS: 1С-Битрикс, WordPress, Tilda, Webflow, Sanity, Strapi. В верхнем ценовом сегменте чаще используют headless CMS: контент хранится отдельно от вёрстки, что даёт полную свободу дизайна и быструю работу сайта. В AI-First подходе важна именно headless архитектура: контент структурирован машинно-читаемо и легко получает Schema.org разметку.

Безголовая CMS, в которой панель управления контентом отделена от фронтенда сайта.

В классической CMS дизайн и контент жёстко связаны темой оформления. Headless CMS отдаёт контент через API, а фронтенд строится отдельно на современном стеке: Next.js, React, Vue. Это даёт быструю работу сайта, свободу дизайна и удобное добавление AI-First разметки. Примеры: Sanity, Strapi, Contentful, Directus.

Метрики качества сайта от Google: скорость загрузки (LCP), отзывчивость на действия (INP), визуальная стабильность (CLS).

Core Web Vitals напрямую влияют на позиции в Google и на пользовательский опыт. Хорошие значения: LCP меньше 2.5 секунд, INP меньше 200 миллисекунд, CLS меньше 0.1. В AI-First подходе скорость сайта важна вдвойне: медленные страницы хуже индексируются нейросетями и реже попадают в нейроответы. Скорость это не PageSpeed Insights в вакууме, а реальное время до первого осмысленного контента у конечного пользователя.

Подход к проектированию сайта, при котором мобильная версия делается первой, а десктоп масштабируется из неё.

Более 70 процентов российского трафика приходит с мобильных устройств. Google и Яндекс индексируют сайт прежде всего по мобильной версии. Мы сначала проектируем макет под телефон, а потом расширяем до десктопа. AI-First подход совместим с mobile-first полностью: чёткая структура одинаково хорошо читается и нейросетью, и на маленьком экране.

UX это пользовательский опыт: путь от первого клика до достижения цели. UI это визуальный интерфейс: цвет, типографика, кнопки, иконки.

UX и UI решают разные задачи. UX-дизайн отвечает на вопрос «удобно ли пользоваться сайтом». UI-дизайн отвечает на вопрос «как сайт выглядит и как ощущается». В верхнем ценовом сегменте без сильного UI сайт не вызывает доверия. Без проработанного UX даже красивый сайт не конвертирует. AI-First подход добавляет третий слой: понимает ли нейросеть, что на этом сайте можно делать и как.

Отношение выручки к рекламным затратам. Считается как revenue / ad spend. Ниже 2.5× — повод пересмотреть креатив или таргетинг.

ROAS — основная метрика performance-маркетинга. Норма зависит от ниши: в e-commerce с маржой 30-40% точкой безубыточности обычно становится ROAS около 3-4×, в премиум-услугах с длинным циклом сделки осмысленна и ROAS 1.5-2× при условии правильной модели LTV. В нашей практике ROAS считается с учётом ассоциированных конверсий, а не только last-click.

Стоимость одного лида: затраты на канал делятся на число полученных заявок.

CPL — самая интерпретируемая performance-метрика для B2B и premium-услуг. В верхнем ценовом сегменте российских студий веб-дизайна осмысленный CPL для лендинга обычно укладывается в 1500-6000 ₽, для агентств в нишах с высоким LTV — может выходить и за 10 000 ₽. Студия смотрит CPL в связке с CR заявка → подписанный договор: дешёвые лиды без конверсии часто хуже дорогих, но релевантных.

Стоимость привлечения одного клиента: затраты на маркетинг и продажи делятся на число оплативших.

CAC учитывает не только рекламу, но и зарплаты команды продаж, инструменты, креативы. Сравнение CAC и LTV — главная проверка устойчивости юнит-экономики: классическое правило «LTV должен быть минимум в 3× больше CAC» работает в большинстве цифровых бизнесов. Практика для клиентов: считать CAC не помесячно, а по когортам — это убирает шум резких всплесков рекламы.

Суммарный доход с одного клиента за всё время жизни в продукте.

LTV рассчитывается через средний чек, частоту повторных покупок и среднюю длительность жизни клиента. Для премиум-услуг с одним проектом и редкими повторами в роли LTV часто берут «выручку с проекта плюс ожидаемое продление поддержки». Замер на собственных клиентах: LTV кратно вырастает у компаний, выстроивших журнал и AI-видимость — повторные заходы и реферальные обращения дают второй цикл сделок.

Регулярная ежемесячная выручка от подписочных или контрактных клиентов.

MRR — главная метрика SaaS- и подписочных бизнесов. Считается без учёта разовых платежей и сезонных всплесков. Практика для клиентов: разделять MRR на new / expansion / contraction / churn — это даёт честную картину роста и сразу подсвечивает, на чём сидит бизнес — на новых сделках или удержании.

Годовая регулярная выручка: MRR × 12 или сумма годовых контрактов.

ARR — удобная единица для B2B-продаж и инвестиционных историй: один годовой контракт легче коммуницировать, чем 12 месячных. Студия использует ARR в работе со studio-клиентами как ориентир для абонентских пакетов на поддержку, контент и AI-видимость.

Доля клиентов, прекращающих пользоваться продуктом за период. Считается customers lost / customers start.

Churn — обратная сторона retention'а. В подписочных бизнесах с месячной оплатой здоровый churn — 3-7%, в годовых корпоративных — единицы процентов. Наблюдение: даже двух-трёхпроцентное снижение churn'а через лучший UX и обновлённый сайт часто даёт больше прироста выручки, чем удвоение рекламного бюджета.

Доля пользователей, остающихся активными через N дней / недель / месяцев после первого визита или покупки.

Retention считают как кривые когорт: какой процент пользователей, зарегистрировавшихся в неделю X, активен через 1, 4, 12, 52 недели. Хорошие сервисы стабилизируются на плато, плохие плавно уходят в ноль. Для сайта retention — это в первую очередь возвраты: повторные заходы из закладок, прямого трафика, email- и push-рассылок.

Последовательность шагов пользователя от первого касания до целевого действия: показ → клик → заявка → оплата.

Анализ воронки показывает, на каких этапах теряется аудитория. Top-of-funnel — широкая верхушка, охват и узнаваемость; bottom-of-funnel — узкое горло, готовые к покупке. Практика: вместо общей конверсии сайта считать отдельные CR-метрики по этапам и оптимизировать самый слабый, а не среднее.

Отношение кликов к показам в рекламе, выдаче или письмах. Считается clicks / impressions × 100%.

Средний CTR контекстной рекламы в России — около 5-8% на брендовых запросах и 1-3% на общих коммерческих. В email-рассылках норма — 2-5%. В нейропоисковой выдаче традиционный CTR теряет смысл: пользователь видит ответ и часто не кликает. Поэтому метрики AI-видимости (упоминания, цитаты) важнее классического CTR.

Доля сессий с одной страницей: пользователь зашёл, ничего не сделал и ушёл.

Высокий bounce rate сам по себе не диагноз: на хорошо проработанной странице FAQ или одностраничном лендинге норма доходит до 70-80% — пользователь нашёл ответ и закрыл вкладку. Наблюдение: bounce rate имеет смысл смотреть в связке со временем на странице и долей доскролла, иначе он легко обманывает.

Процесс получения контактов потенциальных клиентов через сайт, рекламу, контент, события.

Современная лидогенерация в верхнем ценовом сегменте строится не только на формах захвата, но и на узнаваемости в нейропоиске: компания, которую ChatGPT и Алиса упоминают в ответе на профильный запрос, получает «предодобренные» обращения с гораздо более высокой готовностью к сделке. Студия закладывает лидогенерацию в архитектуру сайта на этапе проектирования.

Доля целевой аудитории, способная узнать или вспомнить бренд без подсказки.

Узнаваемость считается через бренд-опросы, прямые заходы, поисковые запросы по имени компании, упоминания в нейроответах. В 2026 году упоминания в нейропоиске стали отдельным каналом узнаваемости: пользователь видит бренд в ответе ChatGPT или Алисы и запоминает его без перехода на сайт. Рабочая практика — отслеживать AI-упоминания так же системно, как поисковые запросы.

Место бренда в восприятии аудитории относительно альтернатив: дороже / надёжнее / быстрее / премиальнее.

Позиционирование задаётся языком сайта, выбором кейсов, тоном журнала, ценовой политикой. В AI-First подходе позиционирование напрямую транслируется в нейроответы: модели цитируют те формулировки, которые встречают на сайте. Студия собирает позиционирование клиента в формулировку на главной — она и становится тем самым «цитатником» для AI.

Описание идеального клиента: индустрия, размер компании, роль, географические и поведенческие признаки.

ICP — отправная точка маркетинга и продаж в B2B. Чёткий ICP экономит бюджет: рекламные каналы и креативы настраиваются под конкретный сегмент, а не на всех. Практика для клиентов: формулировать ICP в трёх измерениях — бизнес-портрет, личностный портрет лица принимающего решения, точки боли — и обновлять профиль не реже раза в полгода.

Размер рынка: TAM — весь возможный, SAM — обслуживаемый, SOM — достижимый в обозримом горизонте.

TAM/SAM/SOM описывают разные уровни амбиций: «весь рынок мира», «то, что можно обслужить географически и продуктово», «то, что реально взять за 12-24 месяца». В пресейле важна не только цифра, но и логика: как именно SAM считается из TAM и SOM из SAM. Наблюдение: для большинства студий и B2B-сервисов SOM — это конкретный список 50-300 компаний, а не процент абстрактного рынка.

Две основные модели продаж: B2B — компания продаёт компании, B2C — компания продаёт частному лицу.

B2B-сделки длиннее, дороже, многоступенчатее, эмоционально холоднее. B2C — короче, эмоциональнее, чувствительнее к цене и визуальной части. Для сайта различие принципиальное: B2B опирается на кейсы, методики, журнал и авторские определения, B2C — на быструю покупку, отзывы, понятный оффер. Студия работает в обоих сегментах с разной структурой страниц и тоном.

Состояние, в котором продукт стабильно решает значимую проблему конкретного сегмента, а спрос превышает усилия по его поддержанию.

Классический индикатор PMF — Sean Ellis Score: «насколько вы расстроитесь, если продукт исчезнет?». 40%+ ответов «очень расстроюсь» считается порогом. Для сайта PMF косвенно отражается через органические упоминания, прямые заходы, NPS. Наблюдение: компании без PMF чаще всего пытаются вылечить ситуацию редизайном — и почти всегда зря.

Главная метрика продукта, точнее всех остальных отражающая создаваемую ценность для пользователя.

North Star у Spotify — время прослушивания, у Airbnb — ночи бронирования, у Facebook — daily active users. Хорошая North Star коррелирует с долгосрочной выручкой, но не равна ей. Для независимой веб-студии North Star — число запущенных AI-First проектов в год: оно одновременно про ценность для клиента и про устойчивость бизнеса студии.

Daily Active Users и Monthly Active Users: число уникальных пользователей за день и за месяц.

Отношение DAU/MAU называется stickiness и показывает, насколько продукт встроен в ежедневную жизнь пользователя. Stickiness 50%+ — признак инструмента, без которого аудитория не обходится (мессенджеры, банковские приложения). На контентных сайтах DAU/MAU обычно ниже, и сравнение имеет смысл скорее с самим собой во времени, чем с эталоном.

Доля новых пользователей, дошедших до ключевого действия, после которого продукт реально приносит ценность.

Активацию определяет команда продукта: для SaaS это обычно «создал первый проект и пригласил команду», для e-commerce — «совершил первый заказ», для контентного сайта — «вернулся на третий визит». Практика для клиентов: формулировать активационное событие в первую неделю работы и оптимизировать страницу под него, а не под абстрактные клики.

Минимально жизнеспособный продукт. Первая версия сайта или сервиса с базовым набором функций для проверки гипотезы.

MVP запускается быстро, чтобы получить обратную связь от реальных пользователей и понять, нужен ли продукт. В контексте сайтов MVP это лендинг с одной услугой и формой заявки, а не полноценная корпоративная платформа. Студия поддерживает формат MVP-запусков: лендинг за 1-2 дня, потом доработки по результатам реальных заявок.

Процент посетителей сайта, совершивших целевое действие: заявку, покупку, регистрацию, звонок.

Конверсия считается по формуле: целевые действия делятся на общее число посетителей и умножаются на 100 процентов. Средняя конверсия лендинга в верхнем ценовом сегменте от 1 до 5 процентов в зависимости от ниши, источника трафика и стоимости услуги. На конверсию влияют качество дизайна, скорость сайта, чёткость оффера, релевантность трафика, доверие к бренду.

Подход к созданию сайтов, при котором архитектура, структура страниц и логика контента изначально проектируются с учётом того, как сайт читают и интерпретируют поисковые ИИ (Google AI Overviews, Алиса Поиск, ChatGPT Search, Perplexity) и нейросети (ChatGPT, Claude, Gemini, YandexGPT).

AI-First дизайн рассматривает искусственный интеллект как активного участника интернет-экосистемы. ИИ не «ранжирует страницы» в классическом смысле, он оценивает смысл, структуру и пригодность контента для генерации ответа. Сайт, спроектированный по AI-First, готов к попаданию в ответы Алисы, ChatGPT, Perplexity, Copilot сразу после запуска. AI-First не означает использование ИИ-инструментов в процессе разработки. Это означает другую логику проектирования: сначала продумывается, как сайт будет прочитан нейросетью, и только потом, как он будет выглядеть для пользователя.

Похожие статьи:Что такое AI-First дизайн сайта

Оптимизация сайта под генеративные поисковые системы и нейросети: Алиса, ChatGPT, Perplexity, Google AI Overviews.

GEO работает с тем, как нейросеть выбирает источники для своего ответа. В отличие от классического SEO, GEO опирается не на ключевые слова и ссылочный профиль, а на смысловую плотность, чёткость определений, структурированность контента и наличие машинно-читаемой разметки. GEO не заменяет SEO, а расширяет его: классическая выдача всё ещё работает, но всё больше пользователей получают ответ напрямую в нейропоиске и не переходят на сайт.

Похожие статьи:Как попасть в нейроответы Яндекса и Google

Оптимизация структуры и контента сайта под прямые ответы поисковых ассистентов и нейросетей (Perplexity, ChatGPT Search, Google AI Overviews, Алиса Поиск).

AEO фокусируется на формате контента, который нейросеть может извлечь и процитировать целиком. Это короткие чёткие определения, FAQ-блоки, пошаговые инструкции, таблицы сравнения. AEO считают частным случаем GEO. Если GEO про общую видимость сайта в генеративной выдаче, то AEO про конкретный формат: чтобы блок текста стал готовым ответом без дополнительной обработки нейросетью.

Похожие статьи:Особенности GEO-оптимизации страницы услуги

Прямой ответ ИИ-поиска в виде текста с ссылками на источники, который заменяет классический список сайтов в выдаче — формируют Google AI Overviews, Алиса Поиск, Perplexity и ChatGPT Search.

Нейроответ формируется языковой моделью на основе нескольких сайтов-источников. Пользователь видит готовый ответ и часто не переходит на сайт. Реферальный трафик из классической выдачи в 2025 году в среднем сократился на 25 процентов по данным Digital Content Next. В информационных тематиках падение достигает 70 процентов и более. Попадание в нейроответ становится новой главной метрикой видимости сайта.

Похожие статьи:Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги

Поисковая система с интегрированной языковой моделью: Алиса Поиск, Google AI Overviews, ChatGPT Search, Perplexity, Copilot.

Нейропоиск отличается от классического поиска тем, что языковая модель формирует ответ на запрос пользователя, а не просто выдаёт список ссылок. Сайт попадает в нейропоиск через структурированный контент, Schema.org-разметку, llms.txt и AI-First архитектуру. По данным Digital Content Next за 2025 год, нейропоиск перехватил до 25 процентов трафика классической выдачи, в информационных нишах падение реферального трафика достигает 70 процентов.

Похожие статьи:Ошибки бренд-блогинга 2026: почему большинство компаний теряет аудиторию в первом квартале · Как попасть в нейроответы Яндекса и Google

Браузер со встроенным ИИ-агентом, который выполняет задачи на сайтах за пользователя: ищет, сравнивает, заполняет формы, оформляет заказы. Примеры: Arc, Dia, Comet, Perplexity Browser, ChatGPT Atlas.

Примеры агентных браузеров: Arc, Dia, Comet, Perplexity Browser, ChatGPT Atlas. Агентный браузер читает сайт иначе чем человек: ему важна семантическая разметка, понятная иерархия страниц, машинно-читаемые формы и навигация. Сайты без AI-First архитектуры агенту трудно интерпретировать, и он чаще выбирает конкурентов с более чистой структурой.

Большая языковая модель, генерирующая текст. Лежит в основе ChatGPT, Claude, Gemini, YandexGPT, GigaChat.

LLM не индексирует страницы напрямую. Она работает с фрагментами текста, которые поисковая система передаёт ей как контекст. Чем чище структура страницы и чем плотнее в ней полезный смысл, тем выше шанс, что LLM выберет именно её фрагмент при генерации ответа. Поэтому в AI-First дизайне каждый блок сайта проектируется как самодостаточный смысловой контейнер.

Похожие статьи:Топ-10 AI-помощников и сервисов 2026 для бизнеса: гид по выбору · ИИ в госпроектах 2026: от интересной идеи до обязательного требования

Стандарт структурированной разметки для машинного чтения сайта — её читают Google, Bing, Яндекс, ChatGPT Search и Perplexity. JSON-LD это формат, в котором эта разметка добавляется на страницу.

Schema.org описывает типы объектов на сайте: организация, статья, FAQ, продукт, отзыв, услуга, контактные данные. Эта разметка не видна пользователю, но её читают поисковые системы и нейросети. Без Schema.org нейросеть угадывает смысл контента из текста. Со Schema.org она получает явную инструкцию: это статья, это автор, это дата, это цена. AI-First сайты используют расширенные типы Schema.org: DefinedTerm для глоссария, FAQPage для вопросов, Article для статей, Service для услуг.

Специальный файл в корне сайта с кратким описанием контента для языковых моделей вроде Claude, Perplexity и ChatGPT. Аналог robots.txt, но для LLM, а не для поисковых ботов.

Стандарт предложен llmstxt.org в 2024 году. В llms.txt владелец сайта в формате Markdown описывает структуру сайта, ключевые разделы, контакты и ссылки на важные страницы. LLM использует этот файл как карту сайта при ответе на вопросы пользователей. Файл размещается по адресу example.com/llms.txt. На текущий момент его читают Anthropic Claude, Perplexity и часть AI-агентов. Яндекс и Google пока не используют llms.txt официально, но рекомендуют его для будущей совместимости.

Похожие статьи:Что такое AI-First дизайн сайта

Структурированный фрагмент сайта, который нейросеть — ChatGPT, Claude, Perplexity, Google AI Overviews — с высокой вероятностью выберет для цитирования в своём ответе.

Контент-магниты для ИИ это материалы с высокой смысловой плотностью: экспертные разборы, объяснительные статьи, структурированные FAQ, методические руководства, чек-листы. Они дают исчерпывающий ответ на конкретный вопрос, легко делятся на смысловые фрагменты и мотивируют пользователя перейти на сайт за деталями. В AI-First подходе контент-магниты закладываются в архитектуру сайта на этапе проектирования, а не добавляются после запуска.

Архитектура, в которой языковая модель (ChatGPT, Claude, Perplexity) отвечает не из своей памяти, а из подключённой базы знаний: сайта, документации, корпуса статей.

RAG разворачивает классический LLM-цикл: вместо генерации «на угад» модель сначала ищет релевантные фрагменты во внешнем индексе, потом формирует ответ с опорой на них. Для нейропоиска это означает простое правило: чем чётче структурирован контент сайта, тем легче ретривер собирает релевантные куски в контекст модели. Студия проектирует страницы так, чтобы каждый блок был самодостаточным RAG-кандидатом — со своим заголовком, определением и Schema.org-разметкой.

Числовое представление фрагмента текста в виде вектора, по которому ChatGPT, Claude, Google и Яндекс AI ищут смыслово близкие документы.

Embeddings переводят слова и абзацы в точки многомерного пространства, где близость двух точек означает близость смысла. Это база современного семантического поиска: вместо совпадения по ключевым словам система сравнивает векторы и находит концептуально похожие документы. Сайты со чистой структурой блоков и явными определениями дают на embedding'ах более плотные кластеры и чаще попадают в выдачу нейропоиска.

Поиск по embedding'ам: запрос превращается в вектор, и система возвращает документы с ближайшими векторами по косинусной близости. На этом работают ChatGPT Search, Perplexity, Google AI Overviews и Алиса Поиск.

Векторный поиск не зависит от точного совпадения слов и хорошо работает с перефразировками, синонимами и нечёткими формулировками. Это та техника, которой пользуются ChatGPT Search, Perplexity, Алиса Поиск и Google AI Overviews. В нашей практике важна не сама векторная БД, а исходный контент: чем плотнее смысл в каждом блоке, тем выше шанс, что вектор страницы окажется ближе к запросу пользователя.

Приём промптинга, используемый в Claude Extended Thinking, GPT thinking и Gemini Deep Think — модель проходит задачу пошагово, проговаривая ход рассуждений до финального ответа.

Chain-of-thought резко повышает качество ответов на задачи с логикой — расчёт, сравнение, выбор. Современные LLM используют его автоматически в режимах reasoning (Claude Extended Thinking, GPT thinking, Gemini Deep Think). Для сайта это означает простое следствие: контент, в котором уже есть пошаговые разборы и сравнения, читается моделью охотнее — она тратит меньше токенов на свой собственный chain-of-thought.

Дисциплина формулирования запросов к LLM (ChatGPT, Claude, Gemini, YandexGPT) так, чтобы модель давала точный, полезный и предсказуемый ответ.

Prompt engineering работает с тремя слоями: системным промптом, пользовательским запросом и контекстом из RAG. Хороший промпт задаёт роль, цель, ограничения и формат ответа. Для AI-First дизайна сайтов это означает, что и сам сайт можно рассматривать как «промпт для нейропоиска»: чёткие заголовки, явные определения, FAQ-блоки — это инструкции для модели, как именно её ответ должен опираться на эту страницу.

Ситуация, когда нейросеть — ChatGPT, Claude, Gemini, Perplexity — уверенно выдаёт несуществующий факт, источник, цитату или ссылку.

Галлюцинации возникают, когда у модели нет надёжного источника, но она вынуждена заполнить пробел в ответе. RAG-архитектура и опора на Schema.org-разметку сайта снижают вероятность галлюцинаций — модель цитирует конкретный фрагмент вместо догадки. Для бренда это вторая причина строить AI-First сайт: чем больше у модели проверяемых данных о компании, тем меньше шанс, что она выдумает за вас факты и причинит репутационный ущерб.

Дообучение готовой LLM (OpenAI GPT, Anthropic Claude, Google Gemini) на собственном датасете под узкую задачу, тон или предметную область.

Fine-tuning меняет веса модели, в отличие от RAG, который только подмешивает контекст. Это дороже и нужнее, когда требуется специфический стиль ответа или работа в редкой нише. Для большинства бизнес-задач достаточно связки «качественный сайт + RAG-инструмент». Студия рекомендует fine-tuning только там, где у клиента есть стабильный поток уникальных данных и явный регуляторный или брендовый барьер для использования общих моделей.

Способы постановки задачи LLM (ChatGPT, Claude, Gemini): zero-shot — без примеров, few-shot — с 2-5 примерами правильных ответов прямо в промпте.

Zero-shot опирается на знания модели «как есть». Few-shot задаёт желаемый формат ответа через примеры — и часто этого достаточно вместо fine-tuning'а. В AI-First дизайне роль «примеров» играет сам сайт: качественные блоки в журнале и кейсах формируют у модели понимание, как именно компания формулирует свои услуги, и она воспроизводит этот формат в нейроответах.

Минимальная единица текста, с которой работает LLM (ChatGPT, Claude, Gemini, YandexGPT): примерно 0.7 английского слова или 0.5 русского.

Токенизация разбивает текст на куски, по которым модель считает вероятности следующего токена. На токенах считается и стоимость API, и размер контекстного окна. Длинные ответы стоят дороже коротких, многословные тексты на русском тратят примерно в полтора-два раза больше токенов, чем те же мысли на английском. Для AI-First дизайна это аргумент в пользу плотных формулировок без воды: они и читаются лучше, и оптимальнее по токенам для нейроответов.

Максимальный объём текста в токенах, который LLM может удерживать в одном запросе — Claude Sonnet 200K, Gemini 1M, GPT-5 1M+.

Окна выросли с 4K у GPT-3.5 до 200K у Claude Sonnet и 1M+ у Gemini, GPT-5 и Claude Opus 4.7. Большое окно позволяет загружать целый сайт или корпус статей одним пакетом и получать ответ, опирающийся сразу на много страниц. Для бренда это означает новый рычаг: качественный журнал из 30-50 статей умещается в одно окно крупной модели и формирует устойчивую позицию в нейроответах.

Параметр LLM (ChatGPT, Claude, Gemini), регулирующий случайность ответа: ниже — детерминированнее и сухее, выше — креативнее и непредсказуемее.

На temperature 0 модель почти всегда выдаёт один и тот же ответ на один и тот же запрос. На 0.7-1.0 она ищет разные формулировки и допускает творческие сравнения. Для деловых задач — поиск фактов, описание услуги, обработка заявок — в собственных AI-агентах студия ставит низкую температуру, чтобы ответы были стабильными. Для копирайта и креатива — выше.

Поиск по смыслу, а не по совпадению слов: запрос и документы сравниваются через embedding'и. На этом работают Google AI Overviews, Perplexity, ChatGPT Search и Алиса Поиск.

Семантический поиск даёт релевантные результаты даже на запросы с опечатками, перефразировками и общим описанием задачи. Это основа нейропоиска и RAG-приложений. Для сайта вывод простой: дублирование одних и тех же ключей в SEO-текстах больше не работает; работает чёткое определение услуги, развёрнутые ответы на типовые вопросы и связка между страницами через смысл, а не только через ссылки.

Связка классического keyword-поиска и векторного: финальный ранкер объединяет оба сигнала — production-стек у Google AI Overviews, Алисы и корпоративных Claude/ChatGPT RAG.

Гибридный поиск решает крайности: чистый keyword пропускает синонимы, чистый векторный — теряет точные совпадения брендов, артикулов, номеров. Реальный production-поиск Алисы, Google AI Overviews и крупных корпоративных RAG-систем — почти всегда гибридный. Для AI-First сайта это означает простое следствие: одинаково важны и точные термины (бренд, услуга, регион), и развёрнутый смысл вокруг них.

Структурированный граф сущностей и связей между ними: компания, продукт, человек, событие. Используют Google Knowledge Graph, Яндекс «Объекты» и Wikidata для заземления ответов LLM.

Google Knowledge Graph и Яндекс «Объекты» подбирают сущности по Schema.org-разметке, Википедии, авторитетным каталогам. В AI-First подходе knowledge graph важен дважды: он питает классическую выдачу с rich snippet'ами и одновременно служит фоном для нейроответов — модель опирается на сущности из графа, чтобы не выдумывать факты о компании.

Блок с генеративным ответом Google в верхней части выдачи, заменяющий классические сниппеты на ряд запросов.

AI Overviews появились в США в 2024 году и постепенно раскатываются по другим странам. По данным Pew Research, на запросах с AI Overviews кликабельность классической выдачи падает примерно на половину. Попадание в AI Overviews определяется качеством Schema.org-разметки страницы, чёткостью определений и доверительными сигналами домена. AI-обвязка и DefinedTermSet — две главные точки опоры для русскоязычных сайтов, которые хотят оказаться в AI Overviews по своей теме.

Похожие статьи:Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги · Что такое AI-First дизайн сайта

Генеративный ответ Яндекса на основе YandexGPT, встроенный в основную выдачу yandex.ru.

Яндекс выкатил полноценный нейроответ в 2024 году и в 2025-м расширил его на коммерческие тематики. Алиса Поиск выбирает источники по комбинации классических факторов ранжирования и оценки структуры контента. Чтобы попадать в Алису Поиск, сайту нужны чёткая структура заголовков, FAQ-блоки, Schema.org-разметка и журнал с экспертной плотностью — реестр чек-листов предписывает закладывать это ещё на этапе проектирования.

Search-AI движок, который отдаёт ответ списком цитируемых источников с прямыми ссылками на сайты — конкурент ChatGPT Search, Google AI Overviews и Claude Citations по прозрачности атрибуции.

Perplexity заметно отличается от ChatGPT и Алисы тем, что цитирует источники видимо: каждый кусок ответа подписан номером и ссылкой. Это делает Perplexity самым ценным каналом для бренда — клики из него ближе к классическому поисковому трафику, а попадание в цитаты напрямую видно в логах referer. Студия в собственных проектах отслеживает Perplexity Citations как один из ключевых маркеров AI-видимости.

Режим ChatGPT с доступом к актуальной выдаче через Bing и собственный поисковый стек OpenAI.

ChatGPT Search появился в 2024 году и стал стандартным режимом в 2025-м. Источники в нём цитируются менее явно, чем в Perplexity, но влияние на дискавери сравнимое: значительная доля бизнес-аудитории первой проверяет компанию через ChatGPT, а не через классический поиск. Для бренда это означает, что AI-First сайт должен давать модели ясные ответы о позиционировании, услугах, ценах и контактных каналах.

Похожие статьи:Что такое AI-First дизайн сайта · Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги

Семейство моделей Anthropic с длинным контекстом, поддержкой инструментов и встроенным механизмом цитирования источников.

Claude активно используется в B2B-сценариях за счёт большого контекстного окна (200K-1M+ токенов), сильной аккуратности и Citations API, который явно помечает использованные источники. Для AI-First сайта это важный канал: длинный контекст позволяет загрузить весь журнал и кейсы компании одним пакетом и получать ответы, опирающиеся именно на ваш контент. Velvetum использует Claude как основной движок собственных AI-агентов.

Совокупность практик подготовки сайта к генеративному поиску (ChatGPT, Claude, Perplexity, Google AI Overviews, Алиса Поиск): семантика, структура, разметка, авторитет.

Generative SEO — общий термин, который часто используют как синоним GEO. Различие в акценте: SEO исторически про ранжирование, generative SEO — про подбор сайта в качестве источника для модели. Студия считает, что в 2026 году разделять их искусственно нельзя: любая SEO-стратегия, не учитывающая нейропоиск, оставляет компанию без половины будущего трафика.

Открытый протокол Anthropic для подключения внешних инструментов и источников данных к LLM единым стандартом.

MCP стандартизирует «как агент общается с внешним миром»: файлы, API, базы, CMS, бухгалтерия, аналитика. Без MCP под каждый инструмент нужно писать кастомный коннектор. С MCP агент пользуется любым совместимым сервером. Студия строит собственные MCP-серверы для журнала, парсера лидов и Vercel-деплоя — это позволяет AI-агентам выполнять полный цикл от ресёрча до публикации без ручной склейки.

Похожие статьи:Топ-10 AI-помощников и сервисов 2026 для бизнеса: гид по выбору

Конкретное измеримое утверждение в материале — число, дата, доля, метрика — на которое опирается аргумент статьи.

Факт всегда привязан к источнику или замеру: «по данным X», «по замеру», «в выборке Y». В отличие от мнения или общего утверждения, факт можно перепроверить или процитировать как готовый ответ. Высокая плотность фактов в материалах журнала повышает шансы попадания статьи в нейроответы Алисы, ChatGPT, Perplexity и Google AI Overviews.

Внутренний эталон качества Velvetum, по которому сверяется каждая работа студии — от вёрстки до AI-обвязки.

Velvetum-стандарт описывает конкретные пороги: значения Core Web Vitals, плотность Schema.org-разметки, формат AI-First архитектуры, минимальный объём AI-обвязки на странице. Velvetum-стандарт не предъявляется заказчику как требование — это внутренний чек-лист студии, выполнение которого обязательно перед сдачей проекта.

Количественное наблюдение или метрика, полученные в проекте или внутреннем исследовании студии.

Замер — это всегда конкретное число с контекстом: дата, источник, выборка, способ измерения. Замеры используются для подтверждения фактов и формируют доказательную базу авторских материалов. Замеры публикуются в журнале студии с привязкой к прецедентам и реестру чек-листов студии.

Авторская методика Velvetum по решению конкретной задачи в проектировании сайта или digital-продукта.

Метод раскладывается на 6-7 последовательных шагов и привязан к конкретному типу проекта: лендинг, многостраничный сайт, AI-First архитектура, журнал, e-commerce. Каждый метод опирается на замеры и проверен прецедентами из реальных проектов студии.

Регулярное действие в работе студии, ставшее частью внутреннего стандарта.

Практика отличается от метода масштабом: метод решает конкретную задачу, практика — повторяемое действие в каждом проекте. Примеры: AI-аудит перед запуском, Schema.org-разметка ключевых блоков, параллельные замеры в трёх нейропоисках, pre-deploy critic перед каждым прод-деплоем.

Уровень зрелости проекта или направления по внутренней шкале: от базового сайта до полной AI-First архитектуры с агентной обвязкой.

Velvetum выделяет четыре уровня зрелости: базовый сайт без AI-обвязки, сайт со Schema.org-разметкой, AI-First архитектура с llms.txt и DefinedTermSet, агентно-готовая среда с MCP-стеком. Уровень зрелости используется как ориентир в коммерческих переговорах: на каком уровне сейчас клиент и куда планируется двигаться.

Описание конкретного проекта с задачей, решением и измеримыми результатами.

Кейс публикуется после согласования с клиентом и содержит исходную задачу, выбранный метод, ход работы и итоговые замеры. Кейсы формируют доказательную базу студии и используются в нейроответах как реальные примеры — со Schema.org Article-разметкой для машинного чтения.

Структурированная проверка сайта или digital-продукта по чек-листу: AI-готовность, скорость, разметка, конверсия, бренд.

Аудит проводится за 1-3 дня и заканчивается отчётом с реестром чек-листов: что есть, чего нет, что критично исправить. Аудит охватывает шесть блоков — техническая база, Core Web Vitals, Schema.org, AI-First архитектура, UX-поток, бренд-консистентность.

Конкретный технический или дизайн-приём, применяемый в проектах.

Приём — атомарная единица практики. Примеры: параллакс через CSS scroll-driven animations, инлайн-критический CSS в head, JSON-LD DefinedTerm для каждого ключевого термина статьи, hreflang ru↔en на всех страницах. Приёмы собраны в реестр чек-листов и применяются в зависимости от уровня зрелости проекта.

Ритм работы студии по проекту: частота созвонов, спринтов, сдач этапов.

Такт зависит от формата работы. В коротком проекте 3-10 дней такт — ежедневный созвон плюс дневная сдача. В долгом проекте 1-3 месяца такт — еженедельный созвон плюс спринт-сдача. Такт фиксируется на старте и не меняется без согласования с клиентом.

Базовый принцип, на котором строится каждый проект студии.

Velvetum выделяет шесть опор: AI-First архитектура, mobile-first, скорость рендеринга, доступность, Schema.org-разметка, сильная авторская эстетика. Опоры действуют независимо от ниши и уровня зрелости проекта — это база, ниже которой студия не работает.

Развёрнутый аналитический разбор кейса с акцентом на выводы и обобщения.

В отличие от кейса в описательном формате, прецедент извлекает закономерности и формулирует выводы. Прецеденты публикуются в журнале студии и формируют корпус знаний для AI-цитирования. Каждый прецедент привязан к измеримым замерам и проверенному методу.

Прозрачная разбивка стоимости проекта по этапам, ролям и временным затратам.

Чек выдаётся клиенту до старта работ и фиксирует: что входит в каждый этап, какая роль студии занята, какой бюджет на какой блок. После сдачи чек сверяется с фактическими часами — отклонение более 10 процентов фиксируется в отчёте и обсуждается с клиентом.

Качественная или количественная закономерность, замеченная в работе с проектами и нишами.

Наблюдение — не строгий факт, а паттерн, требующий дальнейшей проверки замером. Наблюдения публикуются в журнале студии с пометкой «по внутреннему наблюдению» и формируют гипотезы для последующих исследований и прецедентов.

Аналитическое разложение явления, рынка или проекта на составные части.

Разрез — формат разбора статьи в журнале: сложная тема, например AI-First архитектура корпоративного сайта, делится на 4-7 смысловых блоков с подзаголовками, примерами и замерами. Разрезы оптимизированы под нейроответы — каждый блок отвечает на свой узкий вопрос пользователя.

Зафиксированная последовательность шагов в работе, обязательная для всех проектов студии.

Протокол отличается от практики формальностью: протокол всегда задокументирован, всегда применяется, всегда проверяется. Примеры — протокол pre-deploy, протокол приёмки CMS, протокол смены DNS, протокол миграции домена. Отклонение от протокола фиксируется в отчёте.

Авторская формулировка термина в материалах студии — короткая, структурная, готовая к AI-цитированию.

Авторское определение строится по схеме «X — это Y» с em-dash и плотной аргументацией. Такие определения собраны в Velvetum-лексикон и публикуются в глоссарии студии со Schema.org DefinedTerm-разметкой, что повышает шансы цитирования в нейроответах.

Авторский словарь Velvetum: набор терминов и определений, формирующий узнаваемый язык студии.

Velvetum-лексикон включает в себя двадцать общих терминов из AI, веб-разработки и бизнеса плюс тридцать собственных конструкций студии. Лексикон опубликован в глоссарии velvetum.com со Schema.org DefinedTermSet-разметкой и служит главным AI-цитируемым активом студии.

Развёрнутый метод с пошаговым описанием, чек-листами и примерами применения.

Методика — более полная и формализованная версия авторского метода. Включает контекст применения, последовательность шагов, чек-лист после каждого шага, типовые ошибки, замеры из реальных проектов. Методики публикуются как структурированные материалы в журнале с разметкой Article и HowTo.

Структурированный перечень обязательных проверок по конкретной задаче — pre-deploy, аудит, приёмка, миграция.

Чек-лист содержит от 8 до 64 пунктов в зависимости от типа задачи. Каждый пункт проверяется до перехода на следующий этап. Чек-листы используются как фильтр качества и фиксируются в реестре чек-листов студии.

Подробный аналитический материал о конкретной теме, продукте, нише или конкуренте.

Разбор отличается от прецедента фокусом: разбор смотрит на внешнее явление — рынок, продукт, тенденцию, чужой кейс. Прецедент — на собственный проект студии. Разборы публикуются в журнале с привязкой к замерам и наблюдениям.

Финальное обобщение в материале, готовое к самостоятельному цитированию нейропоиском.

Вывод выносится в конец каждой большой статьи и формулируется одной-двумя строками. Цель — дать нейропоиску готовый сжатый ответ на вопрос статьи. Выводы помечаются заголовком «Прямой вывод» или «По итогам» для машинного выделения.

Авторская формулировка ключевой темы материала в начале статьи — задаёт смысловую рамку всего разбора.

Формулировка располагается в первом абзаце и формулирует тему через прямое определение с em-dash и плотной аргументацией. AI-краулеры ChatGPT, Claude, Perplexity, Google AI Overviews и Yandex Neuro цитируют формулировки буквально, потому что они структурно похожи на готовый ответ.

Внутренняя тестовая среда, на которой проверяются сайты до выкладки в продакшен.

Стенд воспроизводит продовое окружение клиента: домен, SSL, CDN, аналитика, лимиты. На стенде проводятся замеры Core Web Vitals, A/B-тесты блоков, тестирование AI-обвязки на реальных нейропоисках. Без приёмки на стенде сайт в прод не выходит.

Срок возврата вложений клиента в сайт через выручку или экономию.

Окупаемость считается по формуле: бюджет проекта делится на месячный прирост выручки от сайта. Замеры на собственных проектах показывают окупаемость 1-4 месяца для лендингов и 4-8 месяцев для многостраничных сайтов. Окупаемость фиксируется в прецеденте после 90 дней работы сайта.

Единая база чек-листов студии: ~64 пункта для основных задач, привязанных к уровням зрелости.

Реестр чек-листов объединяет чек-листы pre-deploy, аудита, приёмки, миграции, AI-обвязки и других задач. Реестр используется как единая точка истины для всех проектов студии. Обновляется после каждого прецедента, давшего новый вывод.

Технологический набор Velvetum для разработки клиентских сайтов: Next.js 16, Tailwind 4, TypeScript, Vercel, Sanity, Cloudinary.

Стек выбран по четырём критериям: скорость рендеринга, поддержка AI-First архитектуры, удобство headless-CMS, эстетическая гибкость. Стек применяется как база; для специфических задач — 3D, AR, e-commerce, медиа-обработка — добавляются профильные библиотеки и сервисы.

Автономный AI-агент студии для конкретной задачи: аудит, ресёрч, генерация черновика, мониторинг нейропоисков.

AI-агенты построены на Claude Code и Claude Agent SDK. Каждый агент специализирован: critic-агент аудирует сайт перед deploy, research-агент собирает данные по нише, journal-агент генерирует черновики статей. Агенты не подменяют разработчика — они ускоряют рутинные операции.

Внутренняя автоматизация для определённого процесса — публикация журнала, генерация Schema.org, A/B-тестирование блоков.

Движок отличается от AI-агента уровнем абстракции: агент — это исполнитель задачи, движок — это инфраструктура процесса. Примеры — контент-движок журнала, движок A/B-тестов hero, движок мониторинга нейропоиска. Движки разрабатываются под конкретный повторяющийся процесс и встраиваются в стек студии.

Структурное изменение в подходе, влияющее на все проекты студии: смена технологии, методики, новая опора.

Сдвиг фиксируется в журнале студии с пояснением: что было, почему меняется, что становится. Сдвиги случаются 2-4 раза в год и затрагивают весь стек или внутренний стандарт студии. Примеры — сдвиг с Next.js 15 на Next.js 16, переход на Vercel Sandbox для AI-агентов.

Полный круг работы над проектом — от заявки до публикации и пост-релизной поддержки.

Цикл делится на пять стадий: знакомство и чек, проектирование, разработка, приёмка, поддержка с регулярным аудитом. Цикл задаёт ритм отношений с клиентом: каждая стадия имеет свой чек-лист и такт, что позволяет не упускать критичные шаги под давлением сроков.

Разделение бюджета или объёма работ на части в проекте: по этапам, ролям, рискам.

Сплит используется в коммерческих переговорах и внутренней аналитике студии: какой блок стоит сколько, сколько часов уходит на дизайн против разработки, какой процент в цикле занимает приёмка. Сплит позволяет точечно поднять прибыльность без удорожания итогового счёта клиенту.

Прозрачное правило возврата средств клиенту, если работа не достигает стандарта студии.

Возврат — часть приёмки: если по чек-листу проект не сошёлся, клиент получает возврат непринятой части бюджета без бюрократии. Это техника снятия страха перед предоплатой и одновременно внутренний триггер качества — студия имеет прямой финансовый стимул довести каждый замер до стандарта студии.

Чистая прибыльность отдельного проекта или направления после всех затрат.

Маржа считается по проекту, не по студии в целом — это даёт точную картину, какие форматы работают, а какие проедают команду. Наблюдение: AI-First лендинги дают маржу 50-65%, тогда как сложные многостраничные сайты — 30-45%. Маржа учитывается при формировании чека.

Качественная и количественная отдача проекта клиенту — обращения, выручка, экономия, узнаваемость.

Отдача шире, чем окупаемость: она включает не только деньги, но и стратегические эффекты — узнаваемость в нише, рост AI-видимости, упрощение продаж. Отдача фиксируется в прецеденте через 90-180 дней после запуска и используется в маркетинге студии и в коммерческих переговорах с новыми клиентами.

Набор технических и организационных мер по защите данных клиента и его сайта.

Периметр защиты включает WAF на Vercel, ограничение IP-адресов админки, двухфакторную аутентификацию для всех сервисов команды, отдельные доступы под клиентов, регулярные ротации ключей. Конкретный состав мер зависит от уровня зрелости проекта: чем выше уровень и регулятивная нагрузка, тем плотнее периметр.

Регулярная проверка проекта после запуска — корректность работы, метрики, AI-видимость.

Надзор проводится по графику: первая проверка через 7 дней после запуска, далее ежемесячно в первые 90 дней, затем ежеквартально. На каждой проверке снимается замер по Core Web Vitals, попаданиям в нейропоиск, конверсиям. Надзор — основа абонентского обслуживания студии.

Документированный сценарий действий для конкретной ситуации — инцидент, миграция, запуск, аудит.

Карта движения — гибрид протокола и чек-листа: пошаговый плейбук, который сотрудник студии может пройти даже без полного контекста проекта. Карты собраны в реестр чек-листов и обновляются после каждого прецедента, давшего новые выводы.

KPI проекта: измеримая метрика, по которой студия и клиент сверяют успех.

Показатель формулируется до старта работ и фиксируется в чеке: например, «снизить TTFB до 200 мс», «попасть в нейроответы Алисы по 5 целевым запросам за 90 дней», «увеличить конверсию заявок на 30%». Показатели обязательно числовые и привязаны к замеру.

Эталонное значение метрики, к которому проект должен приблизиться или превзойти.

Ориентир задаёт диапазон «хорошо» по конкретной метрике на основе замеров прошлых проектов и внешних эталонов. Например: LCP меньше 2.0 с на 4G mid-tier, plot ToFu/MoFu/BoFu статей не реже 8/4/2 в месяц, контент-плотность журнала — 10+ фактов на статью.

Опорная точка в материале или странице, на которую возвращается аудитория или внутренние ссылки.

Якорь — это слоган, цена, цитата или образ, которые становятся точкой входа в позиционирование. Например, «от 4 900 ₽» — якорь pricing-страницы, повторяющийся в журнале и SEO-сниппетах. Якоря выбираются осознанно и не меняются от месяца к месяцу: их стабильность даёт узнаваемость.

Численная сторона проекта: бюджет, часы, маржа, окупаемость, KPI.

Арифметика — общее имя для всех числовых блоков работы студии. Она задокументирована в журнале и коммерческих материалах: какие цифры публикуем, какие держим внутри, как они получены. Арифметика отличает студию от агентств, которые продают результат «по ощущениям».

Группа проектов или замеров, из которой делаются выводы и обобщения.

Выборка всегда сопровождается описанием: размер, период, ниши, тип проектов. Без выборки числа в журнале становятся анонимными и теряют доказательную силу. Студия публикует выводы только после проверки на выборке минимум из 5-10 проектов или замеров.

Стандартный паттерн по интеграции сайта клиента с CRM: заявки, источники, статусы, дедупликация.

Интеграция с CRM — это не «прокинуть форму на webhook», а полноценный контур: правильные UTM-метки, источник по cookie velvetum_utm, дедупликация по телефону и email, статусы лидов с обратной синхронизацией. Студия поддерживает интеграции с amoCRM, Bitrix24, HubSpot, Pipedrive, Salesforce.

Превращение AI-модели или гипотезы в работающий процесс внутри проекта клиента.

Операционализация модели охватывает выбор провайдера и модели, формат хранения данных, мониторинг качества, fallback'и, билинг. Это та часть AI-проекта, без которой пилот не превращается в продакшен. Практика — закладывать операционализацию в чек ещё до запуска первого прототипа.

Процесс плавного запуска нового сайта или функции: feature flags, поэтапная выкладка, мониторинг.

Развёртывание начинается с preview-деплоя на отдельный субдомен, затем выкатывается на часть трафика через cookie или гео-сегмент, потом — на 100%. Это снижает риск проседаний метрик на боевом домене и даёт время заметить регрессии до того, как их увидят все пользователи.

Конкретное действие деплоя в продакшен: команда, регион, версия, ответственный.

Прод-деплой фиксируется в журнале выкаток студии: что было задеплоено, кем, в какое время, какой чек-лист пройден pre-deploy. Это создаёт audit trail и упрощает разбор инцидентов. Все клиентские сайты студии деплоятся через Vercel с обязательным запуском critic-агента перед прод-деплоем.

Целостный план технической и контентной структуры сайта: страницы, данные, разметка, AI-обвязка.

Архитектура раскладывается на три слоя: маркетинговый (главная, услуги, кейсы), контентный (журнал, глоссарий, FAQ), агентный (llms.txt, MCP-эндпоинты, Schema.org). Архитектура утверждается до старта вёрстки и закрепляется как протокол проекта.

Контур аналитики: метрики сайта, AI-видимости, конверсий и юнит-экономики проекта.

Аналитика связывает Vercel Analytics, Яндекс.Метрику, Google Analytics, специальные пайплайны мониторинга нейропоиска и CRM. Главное отличие от классической веб-аналитики — включение AI-метрик: упоминания в нейроответах, цитирования в Perplexity, рост AI-referral'ов.

Системы, заменяющие ручной труд на повторяющихся операциях: парсинг, генерация черновиков, мониторинг.

Автоматизация строится на Claude Agent SDK, Vercel, Sanity, Cloudinary. Примеры: автоматический парсинг лидов на Яндекс.Картах, генерация черновиков статей журнала через AI-агентов, daily-мониторинг нейропоиска по списку ключевых запросов. Каждая автоматизация — отдельный движок.

Внутренний пайплайн по созданию журнала: от идеи до публикации и AI-индексации.

Контент-движок включает: подбор тем по наблюдениям, ресёрч-агент, черновик, редактуру шеф-редактора, фактчекинг, Schema.org-разметку, публикацию через Sanity, IndexNow-уведомление поисковых систем, мониторинг попадания в нейроответы. Движок поддерживает темп 4-8 статей в месяц на проект.

Набор AI-сервисов и моделей: Claude, GPT, Gemini, Yandex Foundation, специализированные RAG-системы.

AI-стек подбирается под задачу: Claude Opus и Sonnet для длинного контекста и сложных рассуждений, GPT — для конкретных productivity-задач, Gemini Deep Think — для исследовательских пайплайнов, локальные модели — для приватных данных клиентов. Студия не зависит от одного провайдера и проектирует пайплайны с fallback'ами.

Набор MCP-серверов, которыми пользуются AI-агенты студии и клиентов.

MCP-стек включает серверы для Vercel, Sanity, GitHub, Cloudinary, Figma, Yandex/Google поиска. Это превращает AI-агента в полноценного цифрового сотрудника: он умеет создавать ветки, деплоить превью, обновлять контент, искать референсы, парсить рынки — без ручной склейки скриптов под каждый сервис.

Customer Match Card — внутренний документ с описанием клиента, его ICP, ситуации и истории сделок.

CMC заводится на каждого клиента и пополняется при каждом контакте: что обсуждали, какие гипотезы проверяли, какие замеры брали, какой уровень зрелости у текущей ситуации клиента. Это основной инструмент памяти студии в долгих отношениях и переходе клиентов между менеджерами.

Главный смысловой блок страницы, удерживающий внимание пользователя и формирующий нейроответ.

Фокус-блок располагается выше скролла на первом экране и формулирует ключевой оффер через опорную формулировку с em-dash. Его задача — закрепиться в нейропоиске как готовый ответ на главный запрос ниши и одновременно дать живому пользователю ощущение «это про мою задачу».

Воронка из двух шагов: микро-конверсия (расчёт, скачивание, бронь) и затем full-фрейм-заявка.

Двухэтапная воронка повышает конверсию: пользователь сначала совершает лёгкое действие (онлайн-калькулятор, скачивание чек-листа) и оставляет минимальные контакты, а полную заявку отправляет в спокойном темпе. Это снижает CPL и увеличивает отдачу.

Скоринг состояния проекта или направления по трёхцветной шкале: зелёный (норма), жёлтый (риск), красный (вмешательство).

Светофор появляется в аудите и надзоре: каждая метрика и каждое направление получают цвет, и команда видит, куда смотреть в первую очередь. Конкретные пороги фиксируются в реестре чек-листов под каждый уровень зрелости.

Долгосрочная модель работы с клиентом: подписка, абонент, фикс-договор с пересмотром раз в полгода.

Партнёрский формат отличается от разовых проектов глубиной интеграции: студия становится частью команды клиента, регулярно проводит аудит, ведёт журнал и AI-видимость. Формат позволяет рассчитывать окупаемость на дистанции и снижает риск исчезающего эффекта после запуска сайта.

Принцип Velvetum: гипотеза → замер → вывод → обновление практики. Никаких изменений без проверки.

Научный подход запрещает менять важные элементы сайта без замера до и после. Хотите редизайн hero — снимаем CR, скорость, поведенческие за две недели, запускаем новую версию, повторяем замер. Через 4-8 недель смотрим на статистически значимое движение. Этот подход спасает от ритуальных редизайнов «по ощущениям».

Подгонка модели, метрики или процесса под конкретный контекст клиента.

Калибровка обязательна, когда ориентир из общей практики не совпадает с реальностью клиента: иная ниша, иной размер бизнеса, специфические регулятивные условия. Калибровка фиксируется в CMC и при следующей приёмке проверяется на соответствие новой реальности.

Гибридная модель: студия плюс in-house команда клиента работают как одна команда с разделёнными зонами.

Гибрид удобен крупным клиентам с собственным dev и маркетинг-отделом: студия закрывает дизайн, AI-обвязку, журнал и аудит, in-house — продакт, аналитику, бэкенд. Чёткое разграничение зон отражено в чеке и протоколе совместной работы.

Формат постановки целей в проектах: 3-5 квартальных OKR с измеримыми key results.

OKR-протокол связывает показатели эффективности с конкретным горизонтом 90 дней. Каждый OKR содержит цель, 2-4 key results, ответственного и замер контроля. Протокол совпадает по ритму с надзором — это удобно, потому что одни и те же замеры закрывают и операционный контроль, и стратегические OKR.

Анализ продукта или сайта с точки зрения разных поколений аудитории: gen Z, миллениалы, gen X, бумеры.

Метод поколенческого аудита нужен, когда у клиента широкая аудитория и единая страница не может говорить со всеми. Аудит фиксирует, какие тексты, форматы, визуальные коды работают для каждого поколения и где нужно делать раздельные сценарии — например, отдельную мобильную версию или альтернативный лендинг под gen Z.

Численная оценка зрелости сайта или процесса по шкале уровней зрелости: от 1 (базовый сайт) до 4 (AI-агентная среда).

Индекс зрелости считается по 20-40 параметрам: техническая база, скорость, разметка, AI-обвязка, контент, аналитика, поддержка. Результат — число с разбивкой по подкатегориям. Индекс используется в аудите и в коммерческих переговорах: «вам имеет смысл двигаться с уровня 2 на уровень 3».

Подход к улучшению пользовательского опыта без полного редизайна: точечные фиксы по приоритету.

Метод UX-усиления собирает 10-30 точечных гипотез по аудиту, сортирует их по воздействию и сложности, выкатывает по 3-5 в спринт. Это альтернатива «редизайнить всё подряд»: каждый фикс измеряется отдельно, и при положительном замере фиксация добавляется во внутренний стандарт студии.

Правило: в любой момент в работе одного проекта — не больше трёх главных приоритетов.

Приоритет тройки защищает команду от размывания фокуса. Три приоритета формулируются на старте недели и пересматриваются на ретро. Всё, что не вошло в тройку, либо ждёт, либо передаётся на следующий цикл. Правило применяется и внутри студии, и в работе с клиентскими командами.

Архитектура работы с персональными данными в проектах: что собираем, где храним, как удаляем.

Контур приватности фиксирует жизненный цикл данных пользователя: минимизация на сборе, шифрование при хранении, чёткое право на удаление, открытая политика обработки. Контур учитывает требования российского ФЗ-152, европейского GDPR и внутренних правил клиента. Соответствие проверяется на приёмке и в надзоре.

Защита сайта в три слоя: WAF на CDN, контроль доступа на уровне приложения, мониторинг инцидентов.

3-уровневая защита — стандарт студии для премиум-проектов и B2B-клиентов с чувствительными данными. WAF Vercel отбивает базовые атаки, контроль доступа защищает админку и API, мониторинг быстро выявляет аномалии трафика и поведения. Аудит проверяет все три слоя как обязательный пункт перед запуском.

Протокол проверки сайта перед прод-деплоем: critic-агент, smoke-тесты, Lighthouse, замеры hreflang и Schema.org.

Pre-deploy протокол обязателен для всех клиентских сайтов студии. Шаги: TypeScript-чек, build, critic-агент на Opus, Lighthouse на 4 страницах, smoke-тест по чек-листу, hreflang и Schema.org на ключевых страницах, проверка отсутствия plaintext-токенов. Без полного прохождения — нет прод-деплоя.

Конфигурация GPT/Claude/YandexGPT под клиента: системный промпт, knowledge base, инструменты, ограничения.

Настройка GPT — стандартная процедура для проектов с AI-чатом или AI-агентом на сайте клиента. Включает базовый системный промпт студии, выгрузку клиентского контента в RAG, набор инструментов под бизнес-задачу, тестовый прогон по 20-30 типовым сценариям. Финальная конфигурация фиксируется в реестре чек-листов.

Структурированная проверка CRM клиента: поля, статусы, источники, дубли, отчёты, интеграции.

Аудит CRM проводится перед запуском или редизайном сайта: если CRM неисправна, новый сайт не даст роста продаж. Аудит охватывает чистоту данных, правильность атрибуции, корректность отчётности, безопасность доступов. По результатам формируется отдельный чек-лист на чистку и доработку CRM.

Регулярный поток обновлений для клиента: статус проекта, метрики, AI-видимость, следующие шаги.

Velvetum-FEED — это короткое еженедельное письмо или отчёт в Telegram-канале с обновлениями: что сделали, какие метрики, что планируем. Формат фиксирован, чтобы клиент мог быстро прочитать и принять решение. FEED исключает «тишину» в проекте — главный источник тревоги и недовольства у клиентов студий.

Customer data platform — паттерн объединения данных о клиентах из сайта, CRM, рекламы и аналитики.

CDP-паттерн — это набор лучших практик и инструментов: единый идентификатор пользователя, потоки событий из всех источников, чистая модель атрибуции, отчёты в Looker Studio или Metabase. Применяется на проектах среднего и большого масштаба, где разрозненные данные мешают принимать решения.

Проверка интернет-магазина по чек-листу: каталог, карточки, корзина, оплата, юнит-экономика, AI-обвязка.

Аудит магазина адаптирует базовый аудит под e-commerce специфику. В фокусе: скорость каталога, качество карточек товара, корректность Schema.org Product/Offer, надёжность checkout'а, корректность интеграций с маркетплейсами, текущая маржа на разных категориях. Длится 3-5 дней, заканчивается приоритизированным списком действий.

Анализ продуктовых фичей клиента: что используется, что мёртво, какие приоритеты на цикле развития.

Аудит фич идёт по аналитике использования и интервью с пользователями. Каждая фича получает светофор: оставить, переработать, удалить. Это особенно полезно SaaS-клиентам и сложным B2B-продуктам, где функциональность накапливается годами и тянет за собой стоимость поддержки и UX-шум.

Проверка инфраструктуры клиента: хостинг, домены, DNS, SSL, мониторинг, backups, права доступа.

Аудит IT обязателен перед миграцией сайта или сложной интеграцией. Проверяет, где живут поддомены, кто владеет DNS, какие SSL и где обновляются, кто имеет доступ к ключам и базам, как организованы резервные копии и мониторинг. Часто на этом этапе вскрываются риски, которые молчали годами.

Методика по плавному переходу клиента с устаревшего сайта или процесса на современный стек.

Методика трансформации — план в 6-9 шагов: текущее состояние, целевое состояние, риски, поэтапная миграция, контрольные точки, откатные сценарии. Главное правило — не выключать старую систему до тех пор, пока новая не пройдёт приёмку. Это спасает клиента от простоев и сохраняет доверие к студии.

Список критериев для оценки внешнего подрядчика: студии, фрилансера, агентства, разработчика.

Чек-лист подрядчика используется, когда клиент выбирает между несколькими исполнителями или студия привлекает субподрядчика. Включает 30+ пунктов: процесс, технологии, поддержка, юр.чистота, опыт в нише, репутация, тестовые задачи. Помогает клиенту не повторять чужие ошибки и получить сравнимые предложения.

Финальная проверка проекта перед сдачей клиенту: чек-листы, замеры, демо, подписание акта.

Приёмка строится на pre-deploy протоколе и стандарте студии. До неё проект не считается завершённым, после неё — закрывается часть бюджета и стартует надзор. Приёмка фиксируется протоколом и отчётом, который остаётся у клиента как документ проекта.

Промежуточный запуск проекта в ограниченной аудитории до полноценной публикации.

Тестовый тираж используется в журнале, рассылках, кампаниях, иногда — в редизайнах ключевых страниц. Доля аудитории 5-15% за неделю-две даёт достаточно сигналов о метриках и проблемах, и при необходимости позволяет откатить запуск без репутационных потерь.