30 лет маркетологи сражались за позиции в поисковой выдаче. Сначала это была битва ссылочных масс, затем - эпоха качественного контента и поведенческих факторов, позже - гонка E-E-A-T сигналов.
В 2026 году эта парадигма перестала быть доминирующей, и не потому что «SEO умерло» (не умрёт оно, не умрёт). Причина в том, что пользовательский путь кардинально изменился.
Когда Алиса AI в Яндексе или ChatGPT выдают развернутый структурированный ответ на сложный запрос, не отправляя пользователя ни на один внешний ресурс, мы наблюдаем смену эпох. Концепция «нулевого клика» стала не трендом, а реальностью, в этих условиях упоминание в ответе нейросети становится новым приоритетом цифрового маркетинга.
Тут я хочу не просто порефлексировать, а выдать системный взгляд на устройство генеративного поиска, механизмы формирования AI Visibility и практические подходы к управлению цифровым присутствием бренда в экосистеме LLM. К реальному управлению - то есть без маркетинговых гипербол, без обещаний «гарантированного ТОП-1 в ChatGPT». Что по-настоящему важно - так это архитектура, факты и воспроизводимые стратегии.
AI Visibility: определение и место в новой экосистеме
AI Visibility, или видимость в ответах нейросетей - это способность бренда, продукта или домена фигурировать в ответах, генерируемых большими языковыми моделями (LLM): ChatGPT, Perplexity, Google AI Overviews, Алиса, GigaChat, Gemini, Claude и другими.
На первый взгляд, похоже на определение классического SEO. Но различия фундаментальны:
- SEO работает по принципу «документ → индекс → ранжирование → клик». Вы оптимизируете страницу, поисковый бот её индексирует, алгоритм присваивает позицию, пользователь переходит по ссылке.
- AI Visibility работает по принципу «сущность → консенсус источников → извлечение фактов → синтез ответа». Нейросеть не ранжирует страницы в привычном смысле. Она собирает информацию из множества источников, верифицирует её через кросс-проверку и формирует целостный ответ, в котором ваш бренд либо упоминается, либо нет.
Ключевое отличие: в SEO вы боретесь за место в выдаче. В работе с AI Visibility вы стремитесь к цитируемости вашей сущности в глазах LLM.
Некоторые данные, иллюстрирующие масштаб сдвига (по оценкам Similarweb, TechCrunch и LiveInternet за первую половину 2026 года):
- За эти полгода ИИ-сервисы направили более 1,13 миллиарда переходов на ТОП-1000 мировых сайтов. Рост к аналогичному периоду прошлого года составил 357%.
- По разным оценкам, от 60 до 80% пользователей получают ответ непосредственно в интерфейсе чат-бота, не совершая переходов на внешние ресурсы.
- Ряд компаний, не адаптировавших стратегии под новые алгоритмы, зафиксировали падение традиционного органического трафика на 15-25%.
- Один из показательных примеров - корпоративный блог HubSpot: по открытым данным, потеря органических переходов достигла 70-80% к началу 2026 года. ChatGPT начал мгновенно отвечать на B2B-маркетинговые запросы, и необходимость перехода на сайт отпала.
- По данным LiveInternet, российские СМИ потеряли с января по июль 2026 года около 12-13% охватов из Яндекса и 14-15% из Google.
Это не колебания рынка, а реальный структурный сдвиг, который требует пересмотра подходов.
GEO как дисциплина: отличие от SEO
GEO (Generative Engine Optimization) - это система управления цифровым следом бренда с целью обеспечения его цитируемости большими языковыми моделями как авторитетного, консистентного и достоверного источника.
Важное уточнение: GEO не заменяет SEO. GEO надстраивается над SEO, используя его технический фундамент для достижения новых целей. При этом GEO может существовать и автономно, если речь идет не о сайте, а об управлении упоминаниями бренда в целом.
| Критерий | Традиционное SEO 2026 | GEO / AEO 2026 |
|---|---|---|
| Основная цель | Выход в ТОП‑10 поисковой выдачи для получения клика | Упоминание бренда в ответе ИИ |
| Объект работы | Оптимизация собственного домена и его веса | Формирование цифрового следа во всей экосистеме внешних площадок + сайта компании |
| Семантика | Короткие и среднечастотные ключевые слова | Длинные, разговорные и интенциональные запросы (до 40 слов) |
| Логика алгоритма | Ранжирование по релевантности и авторитетности ссылок | Генерация ответа на основе суммаризации и консенсуса источников |
| Ключевая метрика | Трафик, CTR, позиции по ключевым фразам | AI Visibility Score, доля цитирования в LLM |
Чтобы выстраивать стратегию, необходимо понимать внутреннюю кухню генеративных поисковых систем. Современные LLM-поисковики (ChatGPT Search, Perplexity, Алиса AI, Google AI Overviews, GigaChat) построены на архитектуре RAG - Retrieval-Augmented Generation.
Процесс формирования ответа проходит четыре обязательных этапа. Важно понимать: это упрощенная модель, которая хорошо объясняет общий принцип. Реализация RAG у разных систем отличается, и детали часто не раскрываются.
Этап 1. Декомпозиция запроса
Пользователь задает сложный, многосоставной вопрос. Например: «Какую CRM выбрать для малого бизнеса с интеграцией с телефонией и ценой до 50 000 рублей в год?»
Нейросеть не ищет эту фразу целиком. Она разбивает её на микро-запросы:
«лучшие CRM для малого бизнеса»
«CRM с интеграцией телефонии»
«стоимость CRM для малого бизнеса»
«сравнение CRM для малого бизнеса»
«отзывы о CRM для малого бизнеса»
Это критически важный момент стратегии: ваш контент должен отвечать не на один «главный» запрос, а на все потенциальные микро-запросы, которые может декомпозировать ИИ.
Этап 2. Поисковый слой (Retrieval)
На этом этапе система обращается к традиционным поисковым индексам (Google, Яндекс, Bing) и извлекает наиболее релевантные страницы под каждый микро-запрос.
Здесь вступает в силу классическое SEO. Если ваш сайт не находится в верхней части поисковой выдачи хотя бы по одному из микро-запросов, вероятность попадания в дальнейшие этапы существенно снижается. Однако бывают случаи, когда LLM извлекают информацию из страниц, не входящих в ТОП-10, - особенно если эти страницы хорошо структурированы и содержат плотные фактические блоки.
Этап 3. Извлечение фактов и суммаризация
Нейросеть анализирует отобранные документы. Важно понимать: она не читает их линейно, как человек. Она сканирует документ в поиске фактических блоков:
- числовые данные
- даты и временные периоды
- названия продуктов и моделей
- технические характеристики
- сравнительные таблицы
- четкие определения
- пошаговые инструкции
Чем выше плотность фактов в тексте (количество уникальных проверяемых данных на 1000 знаков), тем выше вероятность, что ИИ выцепит именно ваш фрагмент.
На основе анализа проектов: добавление проверяемой статистики и конкретных фактов дает заметный прирост к частоте цитирования в LLM.
Этап 4. Кросс-верификация и синтез ответа
Финальный и самый важный для GEO этап.
ИИ не доверяет одному источнику. Он сопоставляет данные из множества документов. Если информация на официальном сайте компании, в статье на независимом медиа-ресурсе, в отзыве пользователя и в отраслевом обзоре совпадает - система фиксирует консенсус и включает эти данные в итоговый ответ.
Если данные противоречат друг другу - ИИ исключает источник или помечает информацию как недостоверную.
Именно поэтому работа с внешними площадками (медиа, UGC-платформы, отзовики, соцсети) - это не дополнительный канал трафика. Это инструмент формирования консенсуса, который напрямую влияет на цитируемость бренда.
5 факторов AI Visibility
На основе анализа проектов в этой области можно выделить пять ключевых факторов, определяющих видимость бренда в ответах LLM. Они не ранжированы по приоритету - все значимы, хотя их вес может меняться в зависимости от конкретной LLM и типа запроса.
Фактор 1. Плотность фактов в контенте
Чем больше конкретных, проверяемых данных в тексте - тем выше вероятность, что ИИ извлечет их для своего ответа.
Практические рекомендации:
- Минимум одна цифра или конкретное название на 200-300 знаков текста
- Использование таблиц, списков, определений
- Каждый абзац самодостаточен и понятен без контекста
- Наличие FAQ-блоков с прямыми ответами на частые вопросы
На основе анализа проектов: значительная часть цитат LLM приходится на первые 30% текста (зона вступления). Это не строгое правило, но устойчивый паттерн.
Фактор 2. Консистентность сущности (Entity Consistency)
Бренд должен быть одинаково описан во всех источниках. Название, слоган, продукты, ценовое позиционирование, ключевые факты - всё это должно совпадать на сайте, в соцсетях, на внешних площадках, в справочниках и отзывах.
Практические рекомендации:
- Единое написание названия бренда во всех источниках
- Совпадение описания продуктов и услуг
- Синхронизация ключевых дат и цифр
- Отсутствие противоречий в позиционировании
Если на сайте бренд позиционируется как «премиальный», на VC.ru - как «доступный по цене», а в отзывах - как «средний сегмент», ИИ теряет уверенность в сущности. В ряде случаев это приводит к исключению бренда из ответа.
Фактор 3. Авторитетность источников (E-E-A-T для LLM)
Концепция Google E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) стала универсальным ориентиром для многих языковых моделей. Нейросети чаще отдают предпочтение источникам с высокими показателями доверия.
Практические рекомендации:
- Публикация на площадках с высоким историческим Trust Flow
- Указание реальных авторов с подтвержденной экспертизой
- Наличие ссылок на официальные реестры, лицензии, юридические документы
- Описание реальных кейсов и практического опыта
- Регулярное обновление контента
На основе анализа проектов: обновление контента в течение последних 30 дней заметно повышает вероятность цитирования. В некоторых случаях этот эффект усиливается кратно.
Фактор 4. Распределенный авторитет (Distributed Authority)
Опора исключительно на собственный домен - стратегический риск, особенно для молодых проектов. Площадки-агрегаторы (Habr, VC.ru, Отзовик, 2ГИС, TenChat) обладают накопленным доверием со стороны ИИ.
Практические рекомендации:
- Минимум 3-5 публикаций на внешних площадках с высоким трастом
- Наличие бренда в ключевых справочниках и отзовиках
- Активное присутствие в профессиональных соцсетях
- Регулярное обновление информации на всех площадках
- На основе анализа проектов: значительная доля наиболее цитируемых нейросетями площадок в рунете относится к категории UGC (пользовательский контент).
Фактор 5. Техническая доступность для AI-краулеров
Если AI-бот не может прочитать ваш сайт - все остальные факторы теряют значение. Современные LLM-краулеры (GPTBot, ClaudeBot, PerplexityBot, Google-Extended) по-разному обрабатывают JavaScript-контент, и многие из них работают лучше с чистым HTML.
Практические рекомендации:
- Контент должен быть доступен в чистом HTML (без необходимости выполнения JS)
- Для SPA-приложений желателен серверный рендеринг (SSR)
- В robots.txt должен быть разрешен доступ для AI-краулеров
- Корректно настроены структурные данные Schema.org
- Скорость загрузки TTFB желательно держать ниже 350 мс
Как измеряется AI Visibility на практике?
Для системной работы необходим измеримый подход. В профессиональной практике используется многофакторная модель оценки AI Visibility. Один из вариантов выглядит так:
AI Visibility = f (F, D, A, C, V)
Где:
F - плотность фактов (количество уникальных верифицируемых данных на 1000 знаков текста)
D - индекс дистрибуции (количество уникальных трастовых доменов с упоминанием бренда)
A - авторитетность (совокупный E-E-A-T-вес источников)
C - консенсус (степень идентичности данных в разных источниках)
V - волатильность (коэффициент неопределенности конкретной LLM)
На практике часто используется упрощенный вариант - индекс цитируемости, который рассчитывается как процент упоминаний бренда в ответах LLM по пулу целевых промптов.
Как это выглядит в работе:
- Составляется семантическое ядро из 100-200 вопросов, которые задает целевая аудитория.
- Запросы прогоняются через основные нейросети (ChatGPT, Perplexity, Gemini, Claude, Алиса, GigaChat).
- Фиксируется, в каком проценте ответов упоминается бренд.
- Замеры повторяются регулярно (например, раз в неделю или раз в месяц) для отслеживания динамики.
- Важные нюансы:
- Ответы LLM могут персонализироваться и меняться со временем.
- Результаты зависят от формулировки промпта.
- Разные LLM дают разные результаты по одним и тем же запросам.
- Поэтому ценность имеет не разовый замер, а регулярный мониторинг в динамике.
Кейс: динамика AI Visibility на примере проекта
Теория - это очень хорошо, но практика дает ответы на главные вопросы. Приведу конкретный пример из практики.
Проект: мобильное приложение в нише продуктивности и безопасности данных (условно - «Продукт X»)
Ситуация на старте (апрель 2025):
- Фрагментарные упоминания в сети
- AI Visibility (по сайту) - около 7-8%
- AI Visibility (по бренду) - около 42%
- В ответах ChatGPT и Алисы не фигурировал
Что было сделано:
| Действие | Реализация 2026 |
|---|---|
| Публикации на внешних площадках | 6 экспертных материалов на VC.ru, Habr и профильных ресурсах |
| Оптимизация контента под Answer‑First | Четкие определения терминов и прямые рекомендации в первых абзацах |
| Усиление EEAT‑сигналов | Акцент на безопасности данных и алгоритмах ИИ внутри приложения |
| Контент для LLM‑извлечения | Таблицы сравнения, FAQ‑блоки, структурированные списки |
| Техническая подготовка | Проверка доступности для AI‑краулеров, настройка robots.txt, внедрение Schema.org |
Результаты через 30 дней:
| Метрика | До | После | Динамика |
|---|---|---|---|
| AI Visibility (сайт) | ~7-8% | ~50% | 📈 +42-43 п.п. |
| AI Visibility (бренд) | ~42% | ~80% | 📈 +38 п.п. |
| Упоминания в Алисе AI | Нет | Рекомендация как «лучший выбор» | ⭐ Появление в топ‑рекомендациях |
| Трафик из нейросетей | Нулевой | Тысячи установок | 🚀 Рост с нуля |
Анти-GEO факторы: что мешает попаданию в ответы
Помимо того, что работает на видимость, есть факторы, которые работают против. Они не менее важны для диагностики.
Фактор 1. Противоречивые данные в интернете
Если информация о бренде на разных площадках не совпадает (цены, описание, даты основания), LLM теряет уверенность в сущности. Результат - бренд не попадает в ответ или попадает с пометкой «по некоторым данным».
Фактор 2. SEO-спам и переоптимизация
Тексты, перегруженные ключевыми словами, но с низкой плотностью фактов, LLM игнорируют. Модели обучены распознавать «водянистый» контент и не используют его как источник.
Фактор 3. Бренд без внешнего цифрового следа
Если бренд присутствует только на своем сайте, LLM не видит консенсуса. Для нейросети это сигнал: «информация не подтверждена».
Фактор 4. Блокировка AI-краулеров
Некорректные настройки robots.txt, WAF или Cloudflare могут блокировать доступ AI-ботов. В результате сайт просто не попадает в retrieval-пул.
Фактор 5. Устаревший контент
LLM отдают предпочтение свежим данным. Если последнее обновление на сайте было год назад - вероятность цитирования снижается.
Инструменты для измерения AI Visibility
Для системной работы с AI Visibility необходим инструментарий. На рынке представлены как классические SEO-инструменты с расширенной функциональностью, так и специализированные решения.
- Semrush One / Ahrefs - классические SEO-платформы, которые постепенно вводят модули анализа AI-видимости. Основной фокус - поисковая выдача. AI-аналитика - дополнительная функция.
- «Киберкошка» - российский инструмент для мониторинга упоминаний брендов в ИИ-поиске. Анализирует ChatGPT, Gemini, DeepSeek, Perplexity, а также AI-сводки Google и Яндекса.
- AI Presence - специализированный инструмент для аудита AI Visibility. Ключевые особенности:
- Проверка по 6 нейросетям: ChatGPT, Perplexity, Google Gemini, Claude, Алиса AI, GigaChat
- Фиксация факта упоминания, анализ тональности, контекста и источников цитирования
- Система аналитики, исключающая предвзятость при оценке ответов LLM
- Entity-first подход: анализ не страниц, а сущности бренда как целостности
- Оценка потенциальной цитируемости, а не только текущего состояния
| Критерий | AI Presence Новый подход | Semrush / Ahrefs / «Киберкошка» Классика |
|---|---|---|
| Объект анализа | Ответы нейросетей (ChatGPT, Perplexity и др.) | Поисковая выдача (Google, Яндекс) |
| Цель анализа | Цитируемость бренда в ИИ | Позиции сайта в поиске |
| Философия | Entity-based (сущность, бренд) - «Кто вы?» | Document-based (документ) - «Какая у вас страница?» |
| Результат | Рекомендация в ответе ИИ | Классический трафик из поиска |
| Глубина анализа | 6 LLM + контекст + тональность + источники | Позиции, ссылки, трафик |
| ⚡ Ключевое отличие | AI Presence - мышление от противного. Semrush и Ahrefs показывают, как сайт ранжируется сейчас. AI Presence показывает, как бренд цитируется в LLM, и где образовались «слепые зоны». | Традиционный подход: анализ текущих позиций и ссылочной массы |
Semrush / Ahrefs отвечают на вопрос «Как мы выглядим в поиске сегодня?»
AI Presence отвечает на вопрос «Как о нас говорят нейросети и где мы невидимы для ИИ?»
Итог: AI Presence дополняет, а не заменяет классические инструменты
Важное ограничение: это модель, а не универсальный закон
Критически важно осознавать: описанная выше система - это рабочая модель, основанная на анализе проектов, открытых данных и обратной инженерии поведения LLM. Это не официальная документация OpenAI, Google или Яндекса.
Реализация RAG у разных систем отличается:
ChatGPT и Perplexity используют разные retrieval-механизмы
Алиса AI завязана на экосистему Яндекса
Google AI Overviews интегрирован с Knowledge Graph
Детали ранжирования и извлечения факторов не раскрываются. Поэтому любые рекомендации - это обобщение практического опыта, а не жесткие правила.
Рынок находится в активной фазе изменений. То, что работает сегодня, может измениться завтра. Системный мониторинг и адаптация важнее, чем разовая настройка.
Новая реальность: краткое резюме
Завершая это руководство, выделю главное.
Вы можете быть в ТОП-10 поисковой выдачи по своим ключевым словам. Но если вас нет в ответе ChatGPT или Perplexity - значительная часть аудитории не узнает о вас. Это не катастрофа, но это вызов, который требует системного подхода.
Традиционные SEO-инструменты не видят этой проблемы, потому что они не анализируют ответы ИИ. Они показывают позиции в поиске. AI Visibility требует другого подхода - управления сущностью, консенсусом источников и структурой контента под извлечение.
GEO - это не замена SEO, а закономерный этап его эволюции. И системная работа с AI Visibility сегодня дает преимущество, которое будет только расти.
