Смещение с содержания и темы на подачу: как изменился паттерн чтения статей на Хабре

Недавно мы с коллегой поспорили, какую статью на Хабре считать успешной. Я смотрел на охват и дочтения, а он вспоминал публикации, которые собирали сотни комментариев или неделями пополняли избранное. Стало очевидно, что под «успехом» мы понимаем принципиально разные вещи. Для одного это десятки тысяч просмотров, для другого — актуальность прикладной инструкции, а для третьего — горячая дискуссия, которая продолжается даже когда статья уходит из топа. 

Главный подвох открытой статистики Хабра в том, что ее легко трактовать слишком буквально. Высокий охват принято считать признаком сильной темы, длинную ветку комментариев воспринимают как доказательство резонанса, а добавления в закладки называют гарантией практической пользы. Однако эти реакции ^[1] не складываются автоматически: статью могут сохранить после быстрого просмотра и не прочитать до конца. Подробный разбор читатель может внимательно изучить и оставить без единого комментария. Спорный тезис, напротив, иногда собирает сотни сообщений при вполне среднем охвате.

Чтобы понять, как эти сценарии соотносятся между собой, я разобрал почти триста публикаций блога МТС, вышедших с января по 11 июня 2026 года. Сопоставил охват, дочтения, доскроллы, сохранения, оценки и комментарии, а затем посмотрел, как реакции менялись в зависимости от темы и конструкции материала.

Выясним, что мне удалось узнать.

Почему одной метрики недостаточно

На Хабре успех статьи легко представить как соревнование видимых цифр. Чем больше охват, выше рейтинг и длиннее ветка комментариев, тем сильнее кажется публикация. Логика ^[2] удобная, но она смешивает действия, которые читатель совершает по разным причинам.

Лучше всего это видно по комментариям.

«В моей выборке десять самых обсуждаемых статей собрали 41,8% всех сообщений. При этом 56 публикаций не получили ни одного комментария, а еще 81 материал — всего по одному. »

Обсуждение распределяется крайне неравномерно и чаще возникает там, где читатель может привнести собственный опыт ^[3], оспорить вывод или проверить предложенную модель на своей практике.

Например, охват разбора китайских литографов ^[5] — больше 86 тысяч. Материал хорошо удерживал внимание ^[6], но получил только 20 комментариев. Статья ^[7] об опыте владения электромобилем набрала 542 комментария, а материал «Космос-2055 ^[8]» — 108 при охвате 6048. Последние публикации не были значительно качественнее первой, они просто оставили аудитории больше пространства для личных историй, возражений и споров.

С сохранениями возникает другая неоднозначность. Добавление в избранное может означать, что материал полезен, однако само по себе не говорит, прочитал ли человек текст. Инструкцию можно открыть, быстро оценить ее структуру и сохранить до момента, когда она понадобится на практике — если вообще понадобится. Как часто лазят в антресоли — тема отдельного разговора. 

В нашей выборке материалы с явными признаками гайда или how‑to получали медианно 2,20 добавления в избранное на тысячу охвата, но их медианное дочтение составляло только 6,2%.

Конкретные объяснительные разборы показали обратный профиль. Их реже использовали как полезность на потом, зато дочитывали заметно лучше: медианное дочтение достигало 20,8%, доскроллы — 43,4% (вообще отличный показатель), а число комментариев — восемь на статью. По отдельности каждое значение описывает лишь одну сторону взаимодействия, вместе они показывают различие между утилитарной ценностью и интересом ^[9] к самому повествованию.

Получается, что комментарии скорее показывают потенциал продолжения разговора, сохранения — ожидаемую практическую пользу, а дочтения и доскроллы — способность материала удерживать внимание. Ни одна из этих реакций сама по себе не дает общей оценки текста.

Поэтому вместо единой метрики «вовлеченность» я решил рассматривать несколько направлений реакции одновременно и проверять, как они сочетаются в разных темах и форматах подачи. Для этого сначала нужно было привести данные к сопоставимому виду.

Как считать совокупные реакции

Начнем с методики, чтобы вы понимали, как вообще проходило исследование.

Для хорошего анализа нужны хорошие данные, и у корпоративных аккаунтов такая возможность есть в виде большой таблицы по всем статьям блога — в нашем случае блога МТС. Опция есть у корпоративных аккаунтов, и информация оттуда, качество ее распределения меня порадовали.

Итак, постараюсь кратко изложить свою логику анализа. В каждой публикации учитывался охват, доля дочтений и доскроллов, количество добавлений в избранное, оценки, комментарии и еще куча разных мелких бонусов типа отказов от прочтения. 

Затем я сопоставил эти показатели по месяцам, темам и типам подачи. В выборку вошли лишь статьи, опубликованные с начала января по 11 июня 2026 года. Изначально в выборке был декабрь, но позже я его исключил, потому что месяц перед Новым годом всегда аномальный и может сделать результаты более «грязными». 

Основной единицей сравнения стала медиана.

Простые средние значения легко может исказить отдельный хит: одна публикация с несколькими сотнями комментариев способна заметно поднять показатель всего месяца, хотя большинство статей набрали куда более скромные цифры. Медиана лучше описывает типичный материал и позволяет увидеть изменения в основном потоке.

Абсолютные значения я дополнил относительными. Десять добавлений в избранное означают разное для статьи с охватом в три тысячи и для материала, который увидели 30 тысяч человек. 

Поэтому сохранения, комментарии и голоса я решил пересчитать на тысячу охвата — классический способ более чистого замера.

Хабровские дочтения и доскроллы описывают разные этапы взаимодействия. Доскролл фиксирует, что читатель своим колесиком или тачпадом дошел до нижней части страницы, но это не гарантирует внимательного прочтения всего текста.

Дочтение строже отражает глубину контакта, хотя и оно зависит от длины, структуры и сложности материала. Я рассматривал оба показателя вместе, но без попытки свести их к единой оценке качества.

Обработка данных 

Для тематического анализа в ход пошел ИИ: я написал несколько скриптов на Python и прогнал каждую статью для смысловой выжимки, где учитывались хабы и само содержание материала. 

Все статьи вручную не проверял, только точечно, примерно через каждые 30, для контроля качества и галлюцинаций. Нужно сказать, что API Claude (модель sonnet 4.6) отлично справился, хоть и анализ обошелся мне примерно в тысячу рублей.

По итогу все показатели были зафиксированы.

Свежие статьи успели набрать меньше сохранений, голосов и комментариев, чем январские, а июнь представлен только первыми одиннадцатью днями. Поэтому значения последнего месяца берутся как предварительная точка, а календарные изменения я проверил отдельно от возраста публикаций.

Первым в глаза бросилось последовательное снижение показателя добавления в избранное, и это странное расхождение. Читатели продолжали открывать материалы и проходить по тексту, однако все реже считали, что к ним стоит вернуться позже. С этой проблемы и начнем.

Читать не перестали, но сохраняют реже 

На уровне глубины чтения резкого перелома за исследуемый период не произошло. Медианная доля дочтений держалась примерно около 17%, доскроллы — около 39%, а охват не показывал устойчивого движения вниз. Отдельные месяцы и статьи заметно отклонялись от этих значений, но основной поток текстов продолжали открывать и читать примерно с той же интенсивностью.

Гораздо последовательнее менялось добавление в избранное. В январе типичная статья получала 1,48 сохранения на 1000 охвата, в феврале — 1,13, в марте — 1,00. В апреле показатель ненадолго поднялся до 1,03, после чего снизился до 0,87 в мае и 0,84 в первые одиннадцать дней июня.

Тренд не был строго монотонным, однако направление сохранялось на протяжении почти всего периода.

В пересчете на статью с охватом 10 тысяч человек разница выглядит так: около 15 добавлений в избранное в январе против 8–9 в конце периода. При этом речь идет об относительном показателе, поэтому снижение нельзя объяснить только тем, что публикации стали получать меньше просмотров. Охват остается сравнительно устойчивым.

Часть разницы можно отнести к возрасту публикации.

Январская публикация успевает дольше накапливать сохранения, чем статья, вышедшая в начале июня, потому что у старых материалов просто больше времени. Например, в моих старых статьях каждый день добавляются активности.

Нашим срезом данных нельзя полностью отделить эффект возраста публикации от трендового изменения поведения ^[10]. Однако снижение заметно еще до неполного июня и особенно сохраняется среди публикаций без хаба «Искусственный интеллект»: с 1,46 сохранения на 1000 охвата в январе до 0,70 в мае. То есть в два раза!

«Материалы продолжают привлекать аудиторию и удерживать ее примерно на прежнем уровне, но читатели все реже откладывают себе что‑нибудь почитать на будущее.»

При разбивке по темам обнаружилось еще одно противоречие. Материалы об ИИ в среднем сохраняли чаще остальных, но дочитывали их заметно хуже. То есть практический интерес к теме сохранялся, но глубина внимания за ним не успевала. Копнем сюда. 

Тема ИИ привлекает все больше внимания, но с ней меньше взаимодействуют 

Рассмотрим самую трендовую тему.

К маю материалы об ИИ заняли около 46% публикаций блога.

Доля закономерна: ИИ проник повсюду и влияет на разработку, образование, инфраструктуру, клиентские сервисы и внутренние процессы почти всех компаний. Для технологического бизнеса обходить эту тему — игнорировать одно из главных изменений последних лет.

При этом рост числа публикаций не смог привести к сопоставимому увеличению глубины чтения. 

Медианное дочтение материалов об ИИ составило 11,6% против 19,1% у остальных статей, а доскроллы — 33,2% против 41,3%.

Охват при этом не снизился: читатели продолжали открывать такие тексты, но чаще покидали их, не дойдя до конца материала.

Судя по всему, изменилось само ожидание от темы.

Информационное поле вокруг ИИ стало, мягко говоря, плотнее: релизы, прогнозы, подборки инструментов и пересказы возможностей новых моделей выходят почти непрерывно из каждого утюга.

ИИ по‑прежнему приводит читателя на страницу, но сама тема уже не гарантирует, что пользователь пройдет по тексту дальше. Иными словами, интерес к технологии сохраняется, однако одного обещания рассказать об ИИ становится недостаточно для глубокого внимания. Читателю требуется быстрее понять, какую именно задачу решает материал и что в нем есть помимо знакомого набора тезисов и пересказа о новой технологии.

Сохранения подтверждают, что интерес к практической стороне ИИ никуда не исчез. Такие публикации получали медианно 1,29 добавления в избранное на 1000 охвата против 0,99 у остальных материалов. 

Читатель по‑прежнему видит в них инструмент, к которому, возможно, понадобится вернуться, хотя далеко не каждый текст удерживает его как последовательное чтение.

Поэтому слабое удержание вряд ли стоит трактовать как отказ от ИИ.

Скорее, поменялись предпочтения аудитории внутри самой темы. Внимание получают материалы о том, как технология встроена в конкретный процесс: в разработку, образование, инфраструктуру, анализ данных или продукт. Там ИИ становится частью объяснения вместо разговоров о самом себе.

Старо как мир: чем привычнее тема, тем меньше работает ее присутствие в заголовке и тем важнее предмет разговора — реальная задача, ограничения решения, измеримый результат, технический механизм или конфликт ^[11], в котором читателю есть что проверить и обсудить. Иначе возникает усталость, но не от предмета, а от сложности восприятия ^[12] абстрактных и охватных тем.

И здесь мы приходим к тому, что фокус с содержания материала смещается на его подачу.

На что влияет подача?

Лучше всего роль подачи видна в материалах, которые дают противоположные профили реакции.

Возьмем статью ^[13] о мониторинге Linux‑хостов без Zabbix.

В ней нет особой технологической интриги: автор собирает вполне конкретную связку из node_exporter, Prometheus и Grafana, объясняет, как получать базовые метрики серверов, и отдельно разбирает безопасное соединение через mTLS. Читателю предлагают готовый маршрут от задачи до работающего дашборда.

Материал собрал 10 457 охватов и 88 добавлений в избранное — 8,42 сохранения на 1000 охвата, один из лучших результатов в выборке. При этом дочтение составило всего 5,5%. Поведение ^[14] выглядит логично: специалист открывает статью, видит знакомую проблему и нужный стек, убеждается, что внутри есть конфигурация, и сохраняет страницу. Читать весь гайд до появления соответствующей задачи ему незачем.

Совсем другой сценарий у статьи о появлении лука и стрел ^[15] в Северной Америке. Автор начинает с исторической загадки: сравнительно новая примерно 1400 лет назад технология быстро распространилась по огромной территории, но далеко не везде одинаково вытеснила атлатль — метательное приспособление для копий. Дальше в тексте разбирается, как на судьбу оружия влияли доступные ресурсы, способы охоты, ландшафт и практики разных сообществ.

У материала было 8 278 охвата, 34,2% дочтений и 50,2% доскроллов — при полном отсутствии комментариев. Статья хорошо удержала читателей, хотя почти не дала им повода продолжать разговор. Вопрос был поставлен в начале и последовательно закрыт внутри текста: распространение технологии зависело от среды. Отсутствие дискуссии здесь скорее говорит о завершенности объяснения, чем о слабой реакции.

Статья о гигантских насекомых прошлого ^[16] тоже строилась вокруг объяснения, но использовала другой прием. Она брала знакомую версию: древние стрекозоподобные насекомые выросли из‑за высокого содержания кислорода ^[17] — и постепенно показывала, почему одного этого ответа недостаточно. Исследования дыхательной системы насекомых указывают, что она была гибче, чем предполагалось, поэтому в картину приходится добавлять устройство экосистем, конкуренцию с летающими позвоночными и механические ограничения экзоскелета.

Такой разворот от простого объяснения к более сложному дал 19 202 охвата, 41,2% дочтений, 56% доскроллов и оценку 72. Здесь подача держит читателя за счет последовательной смены модели: сначала он узнаёт привычную гипотезу, затем видит ее слабое место и только после этого получает более полный ответ. Детали нужны как аргументы, которые заставляют пересобрать исходное представление.

А вот статья о выборе ^[18] между Python, Java и Go запустила профессиональную дискуссию. Языки сравнивались через экономику проекта: скорость разработки, стоимость команды, производительность при разных RPS и последующие расходы на поддержку. Тезис был достаточно провокационным для целевой аудитории: выбор языка предлагалось рассматривать прежде всего как финансовое решение, а не как вопрос вкуса ^[19] или технологической моды.

При охвате в 8380 материал получил 84 комментария. Почти каждый читатель мог привести контрпример из собственного проекта: другой профиль нагрузки, разница в зарплатах специалистов, стоимость инфраструктуры, особенности найма или цена будущего рефакторинга. Даже одинаковые исходные данные приводили к разным решениям в зависимости от масштаба бизнеса и состава команды. Статья дала модель сравнения, а комментарии превратились в суровую проверку этой модели на реальных системах.

Эти четыре материала работают с читателем по‑разному. Гайд создан для решения какой‑то проблемы в настоящем или когда‑нибудь, исторический разбор ведет к законченному ответу, научный ^[20] текст удерживает за счет доказательства или опровержения привычного взгляда на проблему, ну а сравнение языков предлагает рамку, которую аудитория немедленно начинает испытывать на собственном опыте.

И в этом случае метрики нельзя использовать как универсальный измеритель качества — они фиксируют совершенно разные типы читательской реакции, которые закладываются самой структурой текста. 

Практический материал чаще сохраняют в закладки, выстроенная интрига ведет аудиторию к финалу, переосмысление привычных фактов удерживает внимание по ходу чтения, а дискуссионная концепция без готового ответа стимулирует спор в комментариях.

По этой причине два сильных материала могут показывать диаметрально противоположную статистику: первую статью аудитория уносит как рабочий инструмент, вторую — изучает от корки до корки ради разгадки, третий текст воспринимает как повод проверить авторские тезисы через собственную практику. Если оценивать их по какому‑то одному цифровому показателю, эти разноплановые сценарии взаимодействия легко принять за системный успех или провал.

Сравнение комплекса метрик помогает разглядеть за абстрактным понятием «вовлеченность» реальный формат диалога, который автор предложил читателю и который нашел отклик у аудитории. Широкая тема привлекает пользователя на страницу, но глубина подачи и драматургия определяют его дальнейший шаг.

Тем не менее здесь закономерно возникает вопрос: почему конкретная практическая задача, рабочий механизм или внутренний конфликт все чаще становятся более надежным магнитом для читателя, чем масштаб самой темы? Ответ кроется уже не в анализе конкретных публикаций, а в глубокой трансформации читательских ожиданий.

Что все это говорит о читателе блога

По итогам анализа трудно сказать, что какая‑то тема сама по себе обречена на успех, а другая неизбежно получит слабую реакцию. Даже сложный научный, исторический или концептуальный материал способен хорошо удерживать внимание, если читателю с первых абзацев дают понятный объект, задачу, механизм или конфликт, за которым удобно следить.

Похоже, за последние месяцы требования к такой точке входа стали выше.

Когда информационный поток перегружен, читатель быстрее проверяет, понимает ли он, что именно ему предлагают разобрать и зачем проходить весь путь до конца. Особенно это заметно на материалах об ИИ: тема по‑прежнему привлекает аудиторию и обещает практическую пользу, но уже не обеспечивает внимательного чтения без конкретного содержания.

Отсюда возникает различие между двумя типами материалов. Одни предлагают что‑то применить: настроить инструмент, повторить последовательность действий, выбрать технологию или решить знакомую рабочую задачу. Их ценность считывается почти сразу, поэтому такие статьи удобно сохранить и вернуться к ним при необходимости.

Другие предлагают прежде всего что‑то понять: разобраться в устройстве технологии, пересмотреть привычное объяснение, проследить исторический процесс или собрать более сложную модель явления. Польза таких текстов — в самом движении мысли. Поэтому автору приходится точнее объяснять, куда он ведет читателя и почему этот путь стоит времени.

Это не значит, что аудитории больше не нужны абстрактные темы или сложные материалы «на подумать». Без них технологический блог быстро превратится в поток инструкций, продуктовых новостей и пересказов очередных релизов. Но требования к конструкции действительно растут: сложную идею все чаще приходится начинать с конкретного случая, наблюдаемого противоречия или вопроса, на который читателю захочется получить ответ.

Большая доля материалов об ИИ сама по себе не проблема, пока за темой остаются реальные процессы и опыт специалистов либо сложная и нетривиальная аналитика и осмысление процессов с разных точек зрения ^[21]. А снижение дочтений не должно автоматически вести к отказу от непростых сюжетов в пользу лишь гайдов. Скорее, это показывает, что редакции и авторам нужно внимательнее работать с точкой входа и заранее понимать, какую реакцию предполагает конструкция текста.

Успешная статья на Хабре не обязана одновременно ставить рекорд по охвату, сохранениям, дочтениям и комментариям. Гораздо важнее, чтобы выбранная форма соответствовала задаче материала. Инструкцию должны захотеть забрать в работу, объяснение — пройти до ответа, а дискуссионную идею подтвердить или опровергнуть собственным опытом.

Именно это, пожалуй, и показали цифры по трем сотням публикаций: читатель не стал безразличнее к технологиям и не разучился читать сложные тексты. У него повысились требования к подаче материалов, и он хочет сразу видеть, чем материал будет ему полезен. Одного актуального предмета разговора и пространственных заходов «издалека» недостаточно — нужно сразу показывать, что именно внутри материала стоит внимания. 

И это новая эпоха, в которой придется жить всем авторам…