Бесплатный фрагмент - GEO и AI-поиск. Как бизнесу построить проверяемую видимость в генеративных ответах

Введение. Что GEO может — и чего не может

Раскрытие интересов. Я основатель агентства «Системное SEO» и разработчик конвейера SEO-Module, в SEO работаю с 2004 года. Часть примеров этой книги (Главы 2, 3 и 6, Приложение Г) основана на опыте моего агентства, на работе этого конвейера и на моей открытой методологии. Я использую их для иллюстрации описываемых механик, а не для рекламы услуг или продуктов. Выводы из каждого примера ограничены условиями этого примера; границы я указываю в самих главах. К моим утверждениям я рекомендую применять те же критерии проверки, что и к предложениям любого подрядчика (Приложение Б).

Новый слой поиска

Пользователи всё чаще задают вопросы не только Яндексу или Google, но и AI-ассистентам, ожидая получить готовый ответ, а не список ссылок. Генеративные ответы становятся отдельным слоем поиска со своей логикой формирования выдачи. Для бизнеса это означает, что присутствие бренда нужно оценивать не только в классической выдаче, но и в этих ответах.

На этом фоне формируется направление GEO (Generative Engine Optimization). Вместе со спросом растёт число услуг, результат которых сложно проверить. В коммерческих предложениях встречаются llms. txt, RAG-оптимизация, специальные промпты, AI-разметка и другие термины, за которыми не всегда стоит измеримый результат.

Центральный вопрос этой книги: что действительно влияет на присутствие бренда в генеративных ответах, а что является технической надстройкой.

Почему GEO нельзя оценивать как SEO

Классическое SEO измеряется сравнительно прямо: позициями, органическим трафиком, конверсиями и стоимостью лида.

С генеративными системами сложнее. Крупные AI-системы могут формировать ответы на основе нескольких типов источников: поисковых индексов, публикаций, структурированных данных и собственных механизмов извлечения информации. Поэтому обещание «выведем бренд в ответы нейросетей» без описания методики проверить практически невозможно. При оценке предложения подрядчика я рекомендую смотреть не на термины, а на состав работ и способ измерения результата.

Как измерять GEO

Подрядчик, который работает методично, не обещает конкретного места бренда в ответах нейросетей. Он предлагает прозрачную методику измерений и фиксирует исходные показатели до начала проекта. Ниже приведена матрица KPI, по которой я предлагаю проверять такие предложения.

Матрица KPI для GEO

Матрица переводит абстрактную «видимость в ИИ» в конкретные показатели, которые можно регулярно перепроверять.

Воспроизводимость замеров

Единичный удачный ответ нейросети не подтверждает эффективность GEO. Методика должна быть воспроизводимой, поэтому до запуска проекта фиксируются:

• список тестовых запросов;

• регион проверки;

• используемые AI-системы;

• тип аккаунта;

• периодичность замеров;

• критерии того, что считается упоминанием бренда.

Только повторяемые измерения показывают динамику, а не результат одной сессии.

Границы возможностей GEO

Генеративный поиск не отменяет принципов классического маркетинга. Техническая оптимизация, экспертный контент, достоверная информация о компании и качественное присутствие в отраслевом информационном поле остаются основой видимости бренда. Ни один из этих элементов по отдельности не гарантирует упоминания в ответах AI-систем. Что именно влияет на видимость, я разбираю в Главе 1.

Глава 1. От сайта к сущности

Сайт как источник и бренд как сущность

Сайт — это набор страниц. Для AI-системы значимо то, какие сведения о компании она может извлечь, сопоставить и проверить. Поэтому аккуратный сайт сам по себе не обеспечивает того, что система корректно опишет бизнес или упомянет его в ответе.

Генеративные системы используют разные источники данных, и сайт компании — лишь один из них. Если о компании практически не пишут независимые отраслевые площадки, модель может опираться на более заметных конкурентов. Это моё допущение, а не измеренный факт: в рамках данной главы подтверждающих замеров у меня нет.

Ниже я рассматриваю три технических инструмента, которые чаще всего предлагают в GEO-проектах, и границы применимости каждого.

Инструмент 1. llms. txt

Что это. Текстовый документ, который описывает структуру и ключевые разделы сайта в формате, удобном для машинной обработки. Его можно рассматривать как дополнительный навигационный слой для AI-систем.

Ограничения. Наличие llms. txt само по себе не гарантирует обход сайта, использование документа конкретной системой, цитирование или появление бренда в ответах. Поддержка формата зависит от конкретной системы и продолжает развиваться.

Практическое правило. Оплачивать следует не файл как таковой, а комплексную техническую работу, и только если подрядчик может объяснить её задачи и связь с измеримым результатом.

Инструмент 2. Структурированный контент и RAG

В состав некоторых GEO-предложений входит так называемый генеративный копирайтинг: добавление FAQ, кратких выжимок (TL; DR), таблиц, определений и семантических сущностей.

Обоснование. Многие современные AI-системы используют архитектуры, близкие к RAG (Retrieval-Augmented Generation): сначала извлекают релевантные документы, затем формируют ответ на их основе. Хорошо структурированный материал может быть удобнее для извлечения и проверки отдельных фактов.

Ограничение. Даже качественно написанная статья не управляет ответами нейросети напрямую. Контент эффективнее в сочетании с развитием информационного присутствия бренда за пределами собственного сайта.

Инструмент 3. JSON-LD и структурированные данные

Это внедрение структурированных данных Schema.org в формате JSON-LD. Такие данные помогают поисковым системам интерпретировать сведения об организации, товарах, услугах, авторах и других сущностях страницы, то есть делают содержание сайта понятнее для машинной обработки.

Ограничение. Структурированные данные не гарантируют, что AI-система использует именно эту информацию в ответе. Решение зависит от релевантности запроса, качества страницы, доверия к источнику и других факторов.

Что установлено и что остаётся гипотезой

Измерение эффекта выполняется по матрице KPI из Введения.

Вывод

Техническая оптимизация, структурированный контент и разметка создают условия для корректного извлечения информации о компании, но не определяют ответ AI-системы. Поэтому при выборе подрядчика вопрос «Используете ли вы llms. txt?» малоинформативен. Я предлагаю задавать другой: какие показатели изменятся через три месяца и как именно вы будете это измерять?

Глава 2. Ошибки ИИ:
The Silent Logic Bomb и искажение фактов

Примечание по статусу: глава построена на одном кейсе. Это единичное наблюдение, а не статистика по рынку. Зафиксированные результаты я отделяю от интерпретаций и гипотез.

2.1. Постановка задачи

AI-черновик часто оценивают как «почти идеальный». По моему опыту, именно в этом «почти» компании теряют деньги. Я работаю в SEO с 2004 года и сейчас веду около 20 корпоративных SEO-проектов. Последние 18 месяцев я разрабатывал AI-ассистированный контент-конвейер SEO-Module.

Для анализа я выбрал не удачный пример, а черновик с дефектами. Это лонгрид для интернет-магазина отопительного оборудования: «Газовые котлы: как выбрать и купить, не переплачивая». Черновик создан нашим внутренним конвейером. Если бы такой первый вариант прислал копирайтер, я бы оценил его на 8 из 10. К публикации он не был готов: я выявил в нём пять повторяющихся паттернов ошибок, которые превращают сильный на вид текст в дезинформацию, потерю доверия, плохой клиентский опыт или дорогую коммерческую ошибку.

Что относится к наблюдаемым данным. Я анализирую один черновик одного клиента, созданный одним конвейером. Вывод о «повторяющихся» паттернах опирается на мой опыт, а не на количественную выборку.

---

2.2. Что система сделала корректно

Конвейер построен как последовательность этапов:

сопоставление запросов и интентов → сбор источников → структура → написание по разделам → автоматические проверки → проверка человеком

В рассматриваемом черновике корректно отработали четыре элемента.

• Структура «сначала ответ». После каждого H2 следует прямой ответ, затем раскрытие. Формат облегчает сканирование страницы и проверку редактором, а также создаёт короткие блоки, которые проще разбирать поисковым системам и AI-интерфейсам. Условие: сами утверждения должны быть точными и подтверждёнными.

• Практичные сравнительные таблицы: настенные и напольные котлы; мощность котла в зависимости от площади дома; одноконтурные и двухконтурные модели; тепловая мощность с запасом на холодную погоду.

• Единый технический тон. Система следовала заданной роли опытного монтажника. Фразы вроде «С угарным газом не шутят» и «Клиент однажды сэкономил на стабилизаторе напряжения, а потом заплатил за замену платы управления гораздо больше» читаются легко. Это допустимо только при условии, что они опираются на реальный опыт или явно поданы как иллюстрация.

• Базовая техническая корректность. Верно объяснены три положения: конденсационный котёл не достигает пиковой эффективности при слишком высокой температуре обратки; чугунные теплообменники долговечны, но уязвимы к ударам при перевозке и монтаже; подбор мощности требует запаса на климат, качество утепления и реальные теплопотери. Я целенаправленно искал грубые ошибки в физике и теплотехнике и не нашёл.

Из последнего пункта вытекает главный риск. Оставшиеся ошибки не видны в откровенно плохом тексте: они скрыты в тексте, который выглядит компетентным, хорошо читается и может быть корректным предложение за предложением.

2.3. Локальная правдоподобность и глобальная корректность

Большие языковые модели хорошо производят локально правдоподобный текст: абзац звучит точно, ячейка таблицы выглядит разумно, рекомендация кажется полезной. Но статья — это связанная система принятия решений.

В ней должны согласовываться:

• наличие товара и каталог;

• характеристики и конкретная модель;

• числа между собой;

• совет и реальная ситуация покупателя;

• коммерческие утверждения и текущие условия бизнеса.

Пять описанных ниже паттернов появляются на разрыве между локальной правдоподобностью и глобальной корректностью.

2.4. Пять паттернов ошибок

Паттерн 1. Конкретные бренды и модели: основная зона галлюцинаций

Фрагмент черновика (раздел «Бренды котлов»):

«Газовые котлы Baxi, Protherm, Vaillant, Ariston и Navien работают надёжно, а Lemax и AXIS закрывают бюджетный сегмент. Navien переносит скачки напряжения. Lemax — массовый напольный вариант для простых систем. AXIS — основная альтернатива для максимальной экономии.»

В чём проблема. Текст звучит как мнение опытного монтажника. Но модель собирает правдоподобные рекомендации из неполных, устаревших или вырванных из контекста закономерностей. Она не может надёжно определить:

• продаётся ли модель на целевом рынке;

• изменилась ли актуальная линейка бренда;

• относится ли утверждение ко всем моделям;

• есть ли товар у клиента на складе;

• работает ли авторизованная сервисная сеть в регионе покупателя.

Утверждение «Navien переносит скачки напряжения» может быть частично верным для отдельных моделей, на некоторых рынках и при определённых условиях. В качестве универсальной рекомендации без актуальной документации производителя оно небезопасно.

Коммерческий риск. Покупатель читает статью, звонит в магазин и спрашивает товар, который компания давно не продаёт. Менеджеру приходится объяснять, что статья устарела. У покупателя появляется основание сомневаться в компетентности компании, и он может продолжить поиск у другого продавца. Дешёвый черновик становится дорогим, когда направляет клиента с высоким намерением покупки к не тому товару.

Правило. Каждое упоминание бренда, модели, цены, характеристики, наличия, гарантийного условия и сервиса проверяется по актуальным первичным данным:

• товарный фид или каталог клиента;

• документация производителя;

• текущие остатки и региональное наличие;

• действующие гарантийные условия и условия доставки;

• актуальная сервисная сеть.

Исключений нет.

Паттерн 2. Заимствованный авторитет: безликий эксперт

Фрагменты черновика:

«Практика показывает, что экономит не самый дешёвый котёл, а правильно подобранный.»

«Хорошая обвязка и правильный пуск решают 80% будущих проблем, отмечают практикующие специалисты.»

В чём проблема. Утверждения звучат убедительно, но у них нет ответственного источника. Неясно: чья практика, какие специалисты, на каких данных основаны 80%. Это наблюдаемая закономерность, рекомендация производителя, реальный случай монтажа или просто правдоподобное предложение, сгенерированное моделью? Я называю это borrowed authority (заимствованный авторитет): текст заимствует звучание опыта, но не даёт ни конкретного человека, ни документированного источника, ни кейса, ни проверяемых данных.

Сигнальные формулы (сами по себе не обязательно ложны, но без атрибуции не дают доказательств и не создают ответственности):

• «Эксперты говорят…»

• «Практика показывает…»

• «Профессионалы рекомендуют…»

• «Общеизвестно, что…»

• «Специалисты отмечают…»

Правило. У безымянного экспертного утверждения три допустимых исхода:

1. Атрибутировать реальному квалифицированному человеку, готовому за него отвечать.

2. Подкрепить проверяемым источником.

3. Удалить.

Пример правки:

• До: «Хорошая обвязка и правильный пуск решают 80% будущих проблем, отмечают практикующие специалисты.»

• После: «Правильная обвязка и пусконаладка снижают риск многих предотвратимых отказов. В нашем монтажном чек-листе перед сдачей мы проверяем давление в системе, настройки насоса, фильтрацию и параметры горения.»

В исправленной версии убран непроверяемый процент, а заимствованный авторитет заменён конкретным утверждением, которое можно проверить.

Паттерн 3. Эхо-камера: хорошая мысль превращается в воду

Тезис «покупайте у поставщика с сервисным центром поблизости» встретился в черновике четыре раза:

• в сравнении брендов;

• в региональном разделе о покупке;

• в FAQ;

• в заключении.

Сам совет разумен. Моё объяснение (интерпретация, а не измеренный факт): у модели нет человеческого ощущения, что мысль уже была высказана достаточно убедительно. Она предсказывает наиболее вероятное продолжение внутри каждого локального раздела, и если «наличие сервиса» сильно связано с выбором котла, идея возвращается снова. Один раз это полезная рекомендация, четыре раза это повтор. Читатель не всегда может указать дублирующее предложение, но ощущает, что текст ходит по знакомому кругу.

Правило. Выполнять отдельный проход межразделной дедупликации. Проверять:

• повторяющиеся выводы;

• повторяющиеся предупреждения;

• повторяющиеся критерии выбора товара;

• повторяющиеся «экспертные» формулы;

• повторяющиеся призывы обратиться к специалисту;

• слегка переписанные версии одного абзаца.

Контрольный вопрос редактора: добавляет ли раздел новое решение, новый факт или новое ограничение? Если нет, его вырезают или объединяют с самой сильной предыдущей версией.

Паттерн 4. Языковые швы и «впрыск» ключевых слов

По отдельности эти дефекты невелики, вместе они создают ощущение, что текст не читал реальный специалист.

Такие дефекты не всегда делают статью фактически неверной, но снижают ясность и доверие. Они сигнализируют и о более серьёзном риске: если язык не вычитан, логика, вероятно, тоже не проверялась (моя интерпретация).

Правило. Финальная вычитка человеком обязательна. Это не всегда полная переработка; чаще это сфокусированный редакторский проход на 20–30 минут, в ходе которого:

• завершаются неполные мысли;

• восстанавливаются пропущенные единицы и оговорки;

• удаляются неестественные точные вхождения ключевых фраз;

• упрощаются перегруженные предложения;

• нормализуется терминология;

• проверяется, что текст читается так, словно его написал один компетентный человек.

Цель не в том, чтобы сделать AI-текст «похожим на человеческий», а в том, чтобы он был ясным, точным, согласованным и безопасным для публикации.

Паттерн 5. The Silent Logic Bomb

Термин. The Silent Logic Bomb — скрытая логическая ошибка: каждое утверждение по отдельности правдоподобно, но их сочетание даёт неверную или противоречивую рекомендацию. Орфографические, грамматические и многие автоматические проверки качества её не обнаруживают. Я считаю этот паттерн наиболее опасным.

Рекомендация из черновика:

В чём ошибка. Каждый элемент по отдельности правдоподобен:

• для одного отопления 8–12 кВт может подходить для хорошо утеплённого дома такой площади, в зависимости от климата, теплопотерь, высоты потолков и других условий;

• настенный двухконтурный котёл — распространённая товарная категория.

В сочетании рекомендация может стать противоречивой. Если покупатель ожидает от двухконтурного котла стабильного горячего водоснабжения (ГВС) для душа, необходимая мощность часто определяется потребностью в горячей воде, а не отоплением. Поэтому на практике для ГВС нередко берут модели большей мощности, даже если дому для отопления нужно меньше. Рекомендация должна различать два независимых ограничения:

1. Потребность в отоплении.

2. Потребность в горячем водоснабжении.

Иначе покупатель может выбрать котёл, который достаточно отапливает дом, но в реальной эксплуатации даёт нестабильное или недостаточное ГВС.

Суть проблемы. Дело не в одном неверном числе: модель не объединила несколько условий в одно решение.

Пример правки:

• До: «80–120 м² → 8–12 кВт → настенный двухконтурный котёл.»

• После: «Только для отопления 8–12 кВт может быть достаточно для хорошо утеплённого дома площадью 80–120 м² после расчёта теплопотерь. Если от двухконтурного котла также нужно мгновенное горячее водоснабжение, требуемая мощность может быть выше; её выбирают с учётом числа санузлов, вероятного одновременного разбора, температуры воды на входе и данных производителя по производительности ГВС. В ряде случаев лучше подходит одноконтурный котёл в паре с косвенным бойлером.»

Исправленная версия не подбирает котёл только по площади, а вводит недостающие ограничения и указывает, что проверить до покупки.

Правило. Перекрёстно проверять все связанные метрики по всей статье. Особое внимание уделять местам, где два по отдельности верных утверждения в сочетании дают неверную рекомендацию:

• тепловая мощность и потребность в ГВС;

• мощность изделия и электрические возможности объекта;

• габариты изделия и место для монтажа;

• цена изделия и обязательные аксессуары;

• сроки доставки и география покрытия;

• гарантийные условия и требования к авторизованному монтажу;

• совместимость изделий и реальное наличие.

Я называю это разницей между вычиткой (proofreading) и редакторской валидацией (editorial validation).

2.5. Матрица аудита

Каждому риску мы сопоставляем способ проверки.

Мой вывод: никакая единая AI-оценка не доказывает готовность статьи к публикации. Текст может быть уникальным, читаемым, хорошо структурированным и при этом технически небезопасным.

2.6. Процедура аудита (SOP)

На основе анализа достаточного числа AI-черновиков мы оформили стандартную операционную процедуру. Часть проверок выполняется автоматически до участия человека:

• поиск повторяющихся фраз и дублирующихся утверждений;

• выявление незавершённых предложений;

• проверка пропущенных единиц рядом с числами;

• выявление необычных повторов ключевых слов;

• поиск названий товаров и брендов без ссылок;

• сопоставление сущностей статьи со структурированным товарным фидом.

Часть рисков надёжно не автоматизируется, потому что зависит от текущей реальности, особенностей клиента и профильной экспертизы. Для них наши редакторы используют чек-лист:

1. Бренды, модели, цены и наличие. Каждую коммерческую сущность проверить по живому каталогу и актуальным данным.

2. Экспертные утверждения и статистика. Атрибутировать реальному источнику, подкрепить доказательствами или удалить.

3. Повторы. Проверить, не повторяется ли один вывод в разных H2.

4. Языковые швы и ключевые слова. Убрать неестественные точные вхождения, восстановить единицы, упростить неудачные предложения.

5. Взаимосвязанные метрики. Убедиться, что числовые и технические рекомендации работают как единая система принятия решений.

6. Коммерческие элементы. Перепроверить гарантию, условия доставки, статус наличия, покрытие сервиса, аксессуары и логику цен.

7. Рекомендации повышенного риска. Рекомендации по безопасности, юридическим, медицинским, финансовым и инженерным вопросам передавать квалифицированному профильному рецензенту.