Визуальный поиск через Google Lens и Яндекс.Картинки перестал быть вспомогательным инструментом: до 25% коммерческих запросов в e-commerce сейчас начинаются с загрузки фото. Алгоритмы компьютерного зрения (Computer Vision) теперь анализируют не alt-теги, а геометрию объектов и текстуры, что делает традиционное SEO картинок вторичным по отношению к качеству самого визуала.
Computer Vision и смерть текстовых описаний
Современные нейросети Google и Яндекса индексируют изображение через анализ пикселей, определяя объект (например, «диван в скандинавском стиле, серая ткань») без единого слова в коде. Практика показывает, что изображения с чистым фоном (изоляты) индексируются на 30-40% быстрее и точнее, чем сложные композиции. Если ваш товар находится в «шумном» окружении, вероятность попадания в выдачу визуального поиска падает в 2-3 раза.
Кейс: Интернет-магазин мебели заменил лайфстайл-фото на комбинацию «главное фото на белом фоне + 3 детальных ракурса». Результат: рост переходов из Google Lens на 18% за два месяца при неизменных мета-тегах. Мой вывод: для алгоритмов распознавания объектов чистота кадра важнее, чем идеально прописанный alt.
Техническая разметка: JSON-LD и Schema.org
Чтобы изображение приносило конверсии, а не просто просмотры, необходима разметка ImageObject и Product. Без указания цены и наличия через JSON-LD ваши картинки в поиске будут просто «картинками», а не товарными карточками с ценовыми сниппетами. Внедрение расширенной разметки для каталога из 1000 SKU обычно занимает 10-15 рабочих часов разработчика, но увеличивает CTR в визуальной выдаче на 12-15%.
Ошибка новичков — использование одного общего тега для всей галереи. Каждый ракурс должен иметь уникальный идентификатор и связь с конкретным SKU. Экспертная оценка: игнорирование структурированных данных в 2024 году — это добровольный отказ от бесплатного трафика из товарных сеток Google и Яндекса.
Оптимизация веса без потери качества распознавания
Конфликт между скоростью загрузки и качеством анализа объектов решается переходом на WebP и AVIF. Переход с JPEG на AVIF снижает вес файла на 30-50% при сохранении четкости границ объектов, что критично для алгоритмов распознавания. Однако чрезмерное сжатие (артефакты более 10% от размера изображения) «замыливает» детали, и нейросеть может ошибиться в определении материала или модели товара.
Сравнение: Картинка 2МБ (JPEG) грузится 1.2с, картинка 200КБ (AVIF) — 0.2с. При этом при сжатии до 50КБ (сильный артефакт) точность распознавания падает с 98% до 70%. Мой вердикт: держите баланс — размер файла до 150-200 КБ, формат AVIF, разрешение не менее 1200px по большой стороне.
Связь визуального поиска и пользовательского интента
Визуальный поиск работает по принципу «я хочу такое же», что радикально меняет поиск по намерениям (Search Intent). Пользователь не ищет «красное платье миди», он загружает фото конкретного фасона. Чтобы перехватить этот трафик, необходимо создавать контент-сетки, имитирующие разные углы обзора объекта: вид сверху, сбоку и макросъемка текстуры. Это увеличивает глубину просмотра страницы на 20-25%.
Практический нюанс: использование уникальных авторских фото вместо стоковых повышает доверие алгоритмов. Стоковые фото имеют тысячи дублей в сети, что размывает вес страницы и снижает вероятность попадания в топ-10 визуального поиска. Вывод: инвестируйте в собственный фотоконтент, даже если он выглядит менее «глянцево», чем стоковый.
Вывод
Визуальный поиск превратил изображения из иллюстраций в полноценные точки входа. Чтобы расти в трафике, нужно отказаться от стратегии «просто прописать alt» и перейти к стратегии «чистый объект + JSON-LD + AVIF». Начните с аудита самых конверсионных товаров: замените стоковые фото на уникальные изоляты и внедрите разметку Product. Избегайте чрезмерного сжатия, которое убивает детализацию — для нейросети четкость границ важнее, чем экономия 20 КБ трафика.