Таблицы в GEO: почему ИИ их любит — и как это использовать 📊

Последние несколько недель я плотно копаюсь в том, как генеративные модели обрабатывают структурированный контент. И чем дальше, тем очевиднее: таблицы — один из самых недооценённых инструментов в GEO. Не потому что это красиво или удобно для читателя. А потому что ИИ вытаскивает табличные данные в ответы непропорционально часто по сравнению с объёмом исходного текста.

Объясняю, почему так происходит, и что с этим делать на практике.

Почему ИИ цитирует таблицы охотнее сплошного текста

Генеративные модели при формировании ответа ищут плотные, однозначные блоки информации. Таблица — идеальная структура с точки зрения семантической ясности: есть строки, есть столбцы, есть чёткие соответствия. Никакой воды, никаких «как правило» и «в большинстве случаев».

Когда пользователь спрашивает «чем отличается тариф A от тарифа B» — модель не будет собирать ответ из трёх разных абзацев. Она возьмёт таблицу сравнения, если та есть на странице. Быстро, точно, без интерпретации.

Второй момент: таблицы хорошо выживают в контексте. Когда модель извлекает фрагмент, таблица остаётся понятной даже без окружающего текста. Абзац в отрыве от контекста часто теряет смысл. Таблица — почти никогда.

Как оформить таблицу так, чтобы ИИ её «прочитал»

Здесь есть несколько правил, которые я выработал опытным путём.

Заголовки столбцов должны быть информативными сами по себе. Не «Вариант 1» и «Вариант 2», а «Срок выполнения» и «Стоимость в рублях». Модель ориентируется именно по заголовкам, когда решает, релевантна ли таблица запросу.

Ячейки должны содержать конкретику. Цифры, даты, короткие факты. Если в ячейке написано «зависит от условий» — для ИИ это пустое место. Он обойдёт такую таблицу, потому что ей нечем ответить на вопрос пользователя.

Таблицу нужно предварять одним предложением с контекстом. Буквально: «Ниже — сравнение трёх форматов контракта по ключевым параметрам». Это помогает модели корректно привязать таблицу к теме запроса.

И последнее — не делайте таблицы слишком широкими. Более шести-семи столбцов — это риск. Модель может потерять связь между заголовком и значением при разборе. Лучше разбить на две таблицы с чёткими названиями каждой.

Что точно не работает 🚫

Немало сайтов, где таблицы сделаны картинкой. Визуально аккуратно, но для ИИ такой блок просто не существует — нечего разбирать.

Таблицы без заголовков строк тоже плохо читаются моделями. Если у вас есть колонка с названиями сущностей — дайте ей заголовок. Не оставляйте первый столбец безымянным.

Ещё один момент — вложенные или объединённые ячейки. Объединение по столбцам и объединение по строкам могут отображаться корректно в браузере, но при извлечении данных моделью структура ломается. Держите таблицы плоскими: одна строка — одна сущность, один столбец — один атрибут.

Практический алгоритм: с чего начать прямо сейчас

Возьмите три-пять страниц вашего сайта с самым высоким потенциалом для GEO — обычно это страницы сравнений, прайсы, FAQ с параметрами. Посмотрите, есть ли там таблицы. Если нет — подумайте, какой контент можно структурировать именно так.

Если таблицы есть, проверьте по списку выше: информативные заголовки, конкретика в ячейках, вводное предложение перед таблицей, плоская структура без объединений.

После правок задайте в любом ИИ-поисковике вопрос, на который должна отвечать страница. Посмотрите, появляется ли табличная информация в ответе. Если нет — скорее всего, проблема в заголовках столбцов или расплывчатых значениях ячеек.

Таблица — один из тех редких форматов, где усилие на оформление напрямую конвертируется в частоту цитирования. ИИ любит ясность. А таблица — это ясность в чистом виде.

Schema.org и нейросети: разметка, которую вы ставите «для SEO», но она уже работает совсем иначе 🗂️

Когда я впервые разбирался с микроразметкой, воспринимал её как инструмент для сниппетов. Поставил FAQPage — получил раскрывающийся блок в Google. Поставил Product — появилась цена и рейтинг. Разметка ради визуальных плюшек в поиске.

Сейчас эта логика устарела. Не потому что разметка стала ненужной. А потому что у неё появился новый читатель — и это уже не поисковый робот в привычном смысле.

Как нейросеть «видит» структурированные данные

Генеративные модели не воспринимают страницу так, как её видит человек. Им не важна вёрстка и шрифты. Они вытаскивают из документа сущности: кто автор, о чём текст, какие факты упомянуты, к какой категории относится контент.

Schema.org — это буквально словарь сущностей. Когда вы оборачиваете блок в разметку Article и прописываете author с именем и url, вы говорите модели: вот человек, вот его роль, вот текст, за который он отвечает. Машина получает не просто слова, а контекст и связи между объектами.

То же самое с Organization, LocalBusiness, FAQPage. Каждая схема снижает неопределённость при извлечении данных. Нейросеть не угадывает, где тут ответ и кто его дал — ей объяснили напрямую.

Что реально работает, а что висит мёртвым грузом

По моему опыту, три типа разметки дают ощутимый эффект именно для генеративного поиска.

Первый — FAQPage. Но не в том виде, в каком его лепят на большинстве сайтов. Стандартная ошибка: вопросы сформулированы как рекламные тезисы, ответы — одно-два предложения ни о чём. Нейросеть ищет конкретику. Если в answer нет фактуры — цифр, сравнений, условий — она пропустит блок и возьмёт ответ у того, кто написал подробнее.

Второй — Article с заполненным author. Именно связка Article + Person + sameAs к профилям на внешних платформах позволяет модели верифицировать источник. Без этого текст анонимен, даже если он отличный по содержанию.

Третий — HowTo для инструкций. Когда пользователь спрашивает «как сделать X», модель охотно цитирует источники с чётко размеченными шагами. Она буквально берёт step за step и переупаковывает в ответ. Если у вас есть инструкции без HowTo — вы теряете самый конвертируемый тип контента для GEO.

Open Graph здесь тоже при делах 🔗

Open Graph создавался для социальных сетей — чтобы при расшаривании ссылки красиво отображался превью. Но у него есть другая функция, о которой говорят реже.

Когда языковая модель получает страницу, og:title и og:description — первые метаданные, которые она видит. Они работают как аннотация: о чём страница, зачем сюда идти. Если og:description написан как рекламный слоган — «лучшие решения для вашего бизнеса» — модель получает нулевую информацию. Если там сформулирована суть, она попадает в контекст ещё до того, как модель дочитала основной текст.

Мой подход: og:description я пишу как ответ на вопрос, который страница закрывает. Не «узнайте больше», а конкретную суть в одном предложении. Работает и для людей, и для машин одновременно.

С чего начать прямо сейчас

Разметка сама по себе не поднимет вас в ответах нейросетей, если контент слабый. Это не переключатель. Но она снижает потери: хороший материал без структурированных данных часто остаётся невидимым — не потому что плох, а потому что модель не смогла его правильно распознать.

Проверьте три вещи. Есть ли у ваших статей заполненный author с реальным именем и ссылкой. Написаны ли FAQ-ответы с конкретикой или это маркетинговая вода. Что стоит в og:description — аннотация или слоган.

Если хотя бы один пункт — «нет» или «не знаю», начните с него. Разметка не требует полного редизайна. Иногда достаточно добавить один JSON-LD блок, и страница начинает восприниматься совсем иначе.

Как производитель витаминов попал в Google AI Overviews — и что это дало 🧪

Ко мне обратился небольшой производитель БАДов и витаминных комплексов — продаёт через собственный сайт и маркетплейсы. Крепкий средний бизнес с нормальным продуктом и невидимым контентом.

Исходная картина: сайт индексируется, трафик есть, но весь органический поиск держался на карточках товаров и паре общих статей в блоге. В Google AI Overviews их не было вообще — я проверил вручную по 40 запросам из их семантики. По запросам «витамин D при усталости», «какой магний лучше усваивается», «омега-3 для иммунитета» AI Overviews отвечал сам — иногда со ссылками на зарубежные медицинские ресурсы, иногда на конкурентов. Клиента в этой картине не было.

Что именно мешало попасть в AI Overviews

Проблема была не в SEO как таковом — позиции нормальные, топ-15 по многим запросам. Проблема была в формате контента. Статьи писались под ключевые слова: плотный текст, вступление на три абзаца, выводы в конце. Для классического поиска работало. Для AI Overviews — нет.

Google при генерации ответа ищет фрагменты, которые можно вытащить с минимальными потерями смысла. Ему нужен конкретный ответ на конкретный вопрос, желательно в первых 100–150 словах раздела. Если текст устроен как эссе, модель либо игнорирует его, либо берёт что попало и искажает.

Плюс отсутствовала явная экспертная атрибуция. Статьи выходили без автора — просто «редакция». Для YMYL-тематики, а витамины и здоровье — это она, это существенный сигнал доверия.

Что мы сделали — по шагам

Первым делом я составил карту из 60 вопросов, которые реальные пользователи задают голосовым поиском и чат-ботам в этой нише. Не ключевые слова — именно вопросы разговорным языком: «можно ли пить магний и кальций вместе», «в какое время лучше принимать витамин D», «почему не усваивается железо».

По каждому вопросу переписали или создали новый материал с жёсткой структурой: короткий прямой ответ в первом абзаце, затем развёрнутое объяснение, затем практические условия — кому подходит, кому нет, с чем не совмещать. H2-заголовок — это вопрос, первый абзац под ним — ответ. Никакого вступления ради вступления.

Добавили блоки FAQ внутри статей — по 2–4 предложения на каждый пункт. И подписали автора: врач-нутрициолог с указанием специализации и биографией на отдельной странице. Параллельно обновили мета-описания — прямой ответ вместо призыва перейти на сайт.

Результат через два месяца 📊

Через три недели после публикации первых переработанных материалов сайт начал появляться в AI Overviews — сначала по низкочастотным запросам. Через восемь недель фиксировал присутствие по 18 запросам из отслеживаемых 60.

По трафику: органические переходы на блог выросли на 34% за два месяца. Но интереснее другое — поведение изменилось. Средняя глубина просмотра выросла с 1,8 до 3,1 страницы, время на сайте — с 1:40 до 3:20. Люди, которые приходили через AI-ответ, явно уже были в режиме «проверяю детали», а не «ищу с нуля».

Конверсия в добавление товара в корзину у этого сегмента оказалась выше среднего по сайту примерно в 1,6 раза. Не рекордные цифры, но для контентного проекта без единого рубля в платное продвижение — показательно.

Что здесь работает как принцип

AI Overviews забирает не лучшие сайты — он забирает самые удобные для цитирования фрагменты. Если текст устроен так, что его можно вырезать одним куском без потери смысла — вы в игре. Если нет — вас обходят те, у кого структура проще, даже при более слабой экспертизе.

Для YMYL-ниш — здоровье, финансы, право — без явного автора и его квалификации шансы попасть в AI-ответ существенно ниже. Это не гипотеза, это то, что я вижу на практике снова и снова.

GEO для юристов: с чего начать 🧭

Юридическая ниша — одна из самых конкурентных в поиске. Поэтому именно здесь GEO работает интереснее всего. Объясню, почему так, и что конкретно делать, если вы юрист или продвигаете юридические услуги.

Почему юристы попадают в ответы ИИ чаще, чем кажется

Когда человек задаёт вопрос в ChatGPT или Яндекс Нейро — «как оспорить увольнение», «что такое субсидиарная ответственность», «можно ли расторгнуть договор в одностороннем порядке» — он не ищет сайт. Он ищет ответ. И если ваш материал этот ответ даёт чётко и без воды, нейросеть его подхватывает.

Это хорошая новость для юристов. Потому что юридический контент по своей природе структурирован: есть вопрос, есть норма права, есть вывод. Именно такой формат ИИ воспринимает лучше всего. Проблема в другом — большинство юридических сайтов написаны не для людей и не для ИИ, а для несуществующей «плотности ключевых слов». Такие тексты нейросеть просто игнорирует.

Что мешает юристам появляться в нейроответах

Первое — общие фразы вместо конкретики. «Мы поможем вам решить любую юридическую проблему» — это шум. ИИ не знает, что с этим делать. Нет вопроса, нет ответа, нет пользы.

Второе — страницы без структуры. Один большой текст без заголовков, без списков, без чёткого деления на блоки. ИИ ищет фрагмент, который можно вытащить и вставить в ответ без правки. Из монолита это сделать невозможно.

Третье — отсутствие авторства. Нейросети лучше цитируют источники, у которых есть узнаваемый автор с подтверждённой экспертизой. Страница «Услуги» без имени адвоката и без реального опыта — анонимный контент. Такому источнику модели доверяют меньше.

Четвёртое — закрытые страницы. Часть юридических сайтов закрыта от индексации или медленно загружается. Если краулер не прочитал страницу — она не попадает даже в пул кандидатов для цитирования.

Как начать: конкретные шаги 📋

Первый шаг — инвентаризация контента. Посмотрите, какие страницы у вас есть. Если это только «О компании», «Услуги» и «Контакты» — GEO там нечего делать. Нужен контент, который отвечает на вопросы клиентов. Реальные вопросы из чатов поддержки, из консультаций, из переписки.

Второй шаг — переформатирование. Возьмите три-пять существующих статей и переведите их в формат «вопрос — короткий ответ — пояснение». Заголовок H2 — это вопрос. Первый абзац — прямой ответ в двух-трёх предложениях. Дальше — детали, исключения, практика.

Третий шаг — добавьте конкретику. Не «срок давности по трудовым спорам небольшой», а «по общему правилу — три месяца с момента, когда работник узнал о нарушении». Цифры, сроки, ссылки на нормы — именно это делает фрагмент цитируемым.

Четвёртый шаг — разметка. Schema.org для юридических сайтов работает через типы FAQPage и LegalService. Это техническая часть, но она важна: разметка помогает ИИ понять структуру страницы и тип контента.

Одна вещь, которую юристы недооценивают

Личный опыт — это не лирика, это сигнал доверия. Когда в тексте написано «в моей практике было дело, где суд отказал именно по этому основанию» — это проверяемое утверждение от реального эксперта. Нейросети умеют отличать такие тексты от сгенерированного контента без авторства. Потому что в датасетах, на которых они обучены, реальная экспертиза выглядит именно так.

Юридическая ниша — это не исключение из правил GEO. Это, пожалуй, одна из самых понятных точек входа. Структура есть от природы. Вопросы у клиентов конкретные. Ответы поддаются проверке. Остаётся только перестать писать тексты «для поисковика» и начать писать ответы для человека, который спрашивает у ИИ прямо сейчас.

🔗 Почему бренд-упоминания важнее ссылок в эпоху генеративного поиска

Долгое время ссылочная масса была главной валютой SEO. Чем больше сайтов ссылается на тебя — тем выше авторитет, тем лучше позиции. Это работало десятилетиями. Но когда в игру вошли генеративные системы, правила изменились. Не полностью, но существенно.

Я наблюдаю это в работе с проектами: сайты с приличной ссылочной базой исчезают из ответов ИИ, а бренды с минимальным количеством входящих ссылок, зато с устойчивым присутствием в текстовом контексте — цитируются регулярно. Это не случайность.

Как ИИ понимает авторитетность

Классическая поисковая система считает ссылки. Это математика: голос за голос, авторитет передаётся через гиперссылку. Нейросеть устроена иначе. Она обучена на огромных массивах текста и «видит» мир через устойчивые паттерны — какие сущности встречаются вместе, в каком контексте, насколько согласованно.

Когда десятки материалов упоминают бренд в контексте конкретной темы — «компания X специализируется на Y», «по мнению Z», «как объясняет команда N» — у модели формируется устойчивая ассоциация. Бренд становится частью семантической карты темы. И когда пользователь задаёт вопрос, ИИ тянется к таким якорным сущностям.

Ссылка сама по себе для языковой модели — просто HTML-атрибут. Она не несёт смысловой нагрузки в том же смысле, что для PageRank. Смысл несёт текст вокруг.

Упоминание без ссылки — это не ноль

Здесь многие ошибаются. Логика старого SEO говорит: нет ссылки — нет ценности. В GEO это не так.

Текстовое упоминание бренда в авторитетном материале — это сигнал. Особенно если оно сопровождается контекстом: что за компания, чем занимается, почему её мнение релевантно. Нейросеть считывает такие фрагменты как подтверждение экспертности.

Практически это выглядит так. Статья на отраслевом ресурсе без единой гиперссылки на ваш сайт, но с фразой «по данным команды [Бренд], внедрение такого-то подхода сокращает время X» — работает для GEO лучше, чем десяток ссылок в агрегаторах без контекста.

Что такое устойчивое брендовое присутствие

Нейросеть доверяет не отдельной странице, а сущности. Сущность — это бренд или эксперт с набором атрибутов: область деятельности, позиция на рынке, связь с определёнными темами.

Чтобы стать такой сущностью в глазах ИИ, нужно несколько вещей одновременно.

Присутствие на разных площадках в одном тематическом контексте. Не везде и обо всём, а последовательно об одном. VC.ru, отраслевые медиа, Хабр, тематические Telegram-каналы — если в каждом бренд упоминается в связке с конкретной темой, ИИ считывает это как устойчивый паттерн.

Согласованность формулировок. Когда разные источники описывают вас похожим языком, сигнал усиливается. Расхождения, наоборот, снижают доверие модели — она не понимает, что за сущность перед ней.

Упоминания с проверяемыми деталями. «Компания занимается автоматизацией» — слабый сигнал. «Компания автоматизировала процессы для 40 клиентов из ритейла за 2024 год» — сильный. Детали дают ИИ точки верификации. 🎯

Что это меняет на практике

Если раньше контент-стратегия строилась вокруг наращивания ссылочной массы, теперь приоритет смещается. Важнее добиться, чтобы бренд естественно присутствовал в материалах, которые ИИ считает авторитетными источниками.

Ссылки не стали бесполезны — они по-прежнему важны для классического поиска и косвенно влияют на индексацию. Но в логике генеративных систем ссылка без контекста проигрывает упоминанию с содержательным контекстом.

Проверьте прямо сейчас: задайте ChatGPT, Perplexity или Яндекс Нейро вопрос по вашей нише. Посмотрите, чьи бренды звучат в ответе. Скорее всего, это не те, у кого больше ссылок. Это те, о ком больше написано по делу. 🔍

🔧 Как небольшой автосервис попал в ответы ИИ раньше сетевых конкурентов

Казалось бы, у локального автосервиса нет шансов против сетей с десятками точек, бюджетами на контекст и узнаваемым брендом. Когда ко мне обратился клиент — небольшой сервис на 4 подъёмника в городе-миллионнике — именно такая картина и была. В Яндекс Нейро и ChatGPT по запросам вроде «где заменить масло» или «хороший автосервис для иномарок» его не существовало. Зато конкуренты с блогом с 2018 года и сайтами по 80 страниц — были.

Но у небольших бизнесов есть структурное преимущество перед сетями: они могут говорить конкретно. Сети пишут обо всём и ни о чём. Локальный мастер знает, что в его районе 60% клиентов — владельцы Kia и Hyundai, которым нужна замена ГРМ раз в 90 000 км. Вот от этого мы и оттолкнулись.

Что нашли на старте

Первым делом я проверил, как ИИ-ассистенты отвечают на 20 запросов по нише клиента. Результат предсказуемый: ни одного упоминания. Сайт технически был в порядке — индексируется, скорость нормальная, мобильная версия есть. Проблема в другом.

Контент выглядел так, как будто его писали для галочки. «Качественный ремонт», «опытные мастера», «доступные цены» — ни одного факта, ни цифры, ни конкретной ситуации. GPTBot и YandexBot заходили на страницы и уходили ни с чем.

Второй момент — отсутствие структурированных данных. Ни Schema.org разметки, ни LocalBusiness, ни отзывов в машиночитаемом формате. ИИ не понимал, что это за сущность и чем она занимается. Третье — сервис почти не упоминался нигде, кроме собственного сайта.

Что делали и в какой последовательности

Начали с контента — и это заняло большую часть времени. Переписали 8 ключевых страниц услуг. Не «замена масла», а «замена масла для Kia Sportage: какое масло лить, сколько стоит и как часто». В каждый материал зашили конкретику: марки автомобилей, пробеги, типичные симптомы, ценовые диапазоны с объяснением.

Отдельно сделали блок с разбором частых вопросов — в формате явных пар «вопрос — ответ». Не подзаголовок и абзац под ним, а структура, которую удобно вырезать целиком. ИИ это любит: фрагмент самодостаточный, ответ в первом предложении, детали ниже.

Параллельно добавили разметку: LocalBusiness, Service, FAQPage. Прописали часы работы, адрес, типы услуг — всё, что помогает ИИ понять, кто это и где.

Дальше взялись за внешние площадки. Заполнили карточки на 4 агрегаторах — подробно, с описанием специализации и реальными фото. Разместили две статьи на региональном автомобильном форуме: не рекламные, а с разбором реальной ситуации. Без упоминания бренда в тексте, но с подписью мастера.

Результат через 3 месяца

Через 10–12 недель после старта картина изменилась. В Яндекс Нейро сервис начал появляться по 6 из 20 исходных запросов — раньше было ноль. ChatGPT при уточняющих запросах про конкретные марки и услуги стал цитировать страницы сайта в 3 из 10 случаев.

По цифрам из CRM: количество первичных обращений за месяц выросло с 38 до 54 — примерно плюс 42%. Рекламный бюджет не трогали. Из новых клиентов 9 человек при звонке сами сказали что-то вроде «вас ИИ посоветовал» или «нашёл через Алису».

Это не взрывной рост. Но для бизнеса с 4 подъёмниками и одним администратором — ощутимо.

Почему это сработало именно здесь

Сетевые конкуренты проигрывают в одном: у них размытый контент под все города и все марки сразу. Локальный сервис может написать про конкретный район, конкретные модели, конкретные проблемы — и это именно то, что ИИ ищет, когда хочет дать точный ответ на точный вопрос.

Небольшой бизнес не обязан воевать с сетями на их поле. Достаточно говорить конкретнее. Этого часто хватает, чтобы ИИ выбрал вас.

🏥 GEO для медицины: почему YMYL-ниша живёт по другим правилам

Медицина — это не просто «сложная ниша». Это отдельная вселенная с другой логикой доверия, другими рисками и другим поведением ИИ при формировании ответа. Я работал с медицинскими клиентами в контексте GEO, и там каждый раз сталкиваешься с тем, что правила, которые работают для интернет-магазина или B2B-сервиса, здесь работают иначе — или не работают вовсе.

Причина одна: YMYL. Your Money Your Life — категория контента, где ошибка в ответе может нанести реальный вред. Нейросети это понимают и обрабатывают такие запросы осторожнее.

Как ИИ ведёт себя иначе в медицинских запросах

Когда пользователь спрашивает «чем отличается UX-аудит от технического», ИИ просто отвечает. Когда человек спрашивает «можно ли пить ибупрофен при давлении» — модель начинает страховаться. Это не баг, это намеренное поведение.

ChatGPT, YandexGPT и большинство публичных моделей в YMYL-запросах добавляют оговорки, предпочитают источники с явными признаками экспертизы и избегают конкретных рекомендаций без подтверждённого авторитета.

Для продвижения это означает: если у вашего контента нет сигналов экспертности — не просто формальных, а реальных — ИИ его проигнорирует. Даже если текст грамотный и идеально структурированный.

Что значит E-E-A-T в медицине на практике

В медицине это не абстракция. Это буквально требования к тому, что должно быть на странице.

Автор материала должен быть указан. Не «редакция», а конкретный врач с фамилией, специализацией и ссылкой на профиль. Если статью про лечение гипертонии подписал маркетолог — модель это чувствует по косвенным признакам: нет клинической точности, нет уточнений про противопоказания, нет ссылок на протоколы.

Внешние упоминания важны как нигде. Если врача цитируют на профессиональных платформах, если клиника упоминается в медицинских агрегаторах — это сигналы, которые ИИ считывает как подтверждение авторитета.

И момент, который часто упускают: актуальность. Медицинские протоколы меняются. Статья 2019 года на острую тему — это для ИИ потенциально опасный контент. Модели отдают предпочтение свежим материалам с явной датой публикации и признаками обновления.

Где медицинский бизнес теряет видимость в ИИ 🔍

Первая типичная проблема — анонимный контент. Статьи в блоге клиники без указания автора-специалиста. Для ИИ в YMYL-запросах это сигнал низкого доверия.

Вторая — общие тексты без клинической конкретики. «Боли в спине могут быть вызваны разными причинами» — водяной текст, его не цитируют. Цитируют «дегенеративные изменения дисков в поясничном отделе диагностируются по МРТ и встречаются у значительной части людей старше 40 лет».

Третья — разрыв между сайтом и внешним присутствием. Если клиника нигде не упомянута, кроме собственного сайта, ИИ не имеет подтверждений её авторитета из независимых источников.

Что реально помогает в медицинской GEO

Подписывайте каждый материал конкретным специалистом. Должность, стаж, ссылка на профессиональное сообщество — всё, что создаёт верифицируемый образ эксперта.

Структурируйте контент под вопросы пациента, а не под ключевые слова. Люди спрашивают голосом не «стоимость МРТ поясницы», а «сколько стоит сделать МРТ поясничного отдела и как подготовиться». Отвечайте именно на это — прямо, без вступлений.

Размещайте материалы на площадках, которым ИИ доверяет в медицинском контексте: профессиональные медицинские порталы, платформы с верификацией специалистов.

Обновляйте контент и указывайте дату последней проверки материала врачом. Для модели это признак живого, актуального источника.

Медицина в GEO не сложнее других ниш. Просто здесь меньше права на упрощения.

Как Perplexity решает, чей ответ попадёт в выдачу 🔍

Я давно слежу за тем, как Perplexity выбирает источники. Не потому что это академически интересно, а потому что это напрямую определяет, кто попадёт в ответ, а кто — нет. И чем больше я с этим работаю, тем яснее: алгоритм отбора здесь устроен иначе, чем в Google. Не лучше и не хуже — просто по другой логике.

Не ранжирование, а отбор под запрос

В классическом поиске сайты ранжируются по накопленному авторитету — ссылки, возраст домена, поведенческие факторы. Perplexity работает иначе. Он не строит постоянный рейтинг страниц. Каждый раз заново собирает ответ под конкретный вопрос.

Упрощённо это выглядит так: система делает поисковый запрос, получает пул кандидатов, оценивает их релевантность именно этому вопросу — и только потом языковая модель компилирует ответ. Источники, которые попали в пул, получают шанс на цитирование. Остальные — нет.

Это принципиально меняет задачу. Недостаточно быть авторитетным в теме вообще. Нужно давать точный ответ на конкретный вопрос — в нужном формате и с нужной структурой.

Три фактора, которые я вижу на практике

Первый — прямое соответствие запросу. Perplexity хорошо работает с вопросительными конструкциями. Если пользователь спрашивает «как работает факторинг для малого бизнеса», страница с заголовком «Что такое факторинг» имеет меньше шансов, чем «Как малый бизнес использует факторинг: схема и условия». Система ищет не тему, а ответ на вопрос.

Второй — структура, которую легко разобрать. Perplexity строит ответ из фрагментов. Ему нужны законченные смысловые блоки, которые можно вырезать без потери смысла. Длинные абзацы, где мысль тянется через три предложения — плохой материал. Короткий абзац с конкретным утверждением — хороший.

Третий — свежесть и точность данных. Страницы с датами публикации, конкретными цифрами и привязкой к текущему году попадают в пул чаще, чем вечнозелёный контент без временных меток. Статья без единой правки проигрывает даже более слабому, но актуальному материалу.

Что система явно не любит

Размытые утверждения без якорей. «Компания лидирует на рынке», «решение подходит для любого бизнеса» — это не информация, это воздух. Модель не может опереться на такую фразу при построении ответа.

Контент, который отвечает сразу на всё. Страница «Всё о факторинге» с десятью разделами проигрывает странице «Факторинг без регресса: условия и примеры» — потому что у второй есть чёткий предмет. Чем уже фокус, тем выше вероятность попасть в нужный запрос.

Тексты без выводов в начале. Perplexity часто берёт первые 100–200 слов как основу для ответа. Если вступление — это история о том, как давно существует тема, а суть только в середине, система процитирует вступление вместо полезного содержания. 🎯

Что это значит для тех, кто хочет попасть в ответы

На мой взгляд, здесь работает одна простая логика: пишите так, чтобы один абзац мог существовать как самостоятельный ответ. Не требовал контекста, не обрывался на полуслове, не отсылал к предыдущему разделу.

Это не значит делать контент примитивным. Это значит давать конкретный ответ раньше, чем начинать объяснять. Сначала факт — потом обоснование. Сначала вывод — потом рассуждение.

Ещё один момент, который часто упускают: Perplexity активно работает с нишевыми и профессиональными запросами. Там меньше конкуренции, и хороший структурированный материал попадает в ответы значительно чаще. Если вы работаете в B2B или в специализированной нише — займите эту территорию сейчас, пока она не забита оптимизированным контентом.

Алгоритм продолжает меняться. Но базовая логика — точность, структура, конкретика — никуда не денется. Это не требования платформы, это требования здравого смысла.

🏥 Как региональная клиника получила +18% трафика из ИИ-каналов за четыре месяца

Расскажу про проект, который хорошо показывает, как работает GEO в медицине. Не рекордные цифры, не магия — просто последовательная работа с конкретным результатом.

Клиника из регионального города-миллионника. Многопрофильная: терапия, неврология, гинекология, косметология. Сайт существует давно, SEO велось годами, позиции в Google и Яндексе были неплохие. Но примерно с начала 2024-го органика начала тихо проседать. Не обвал, а именно медленное сползание вниз — на 8–12% за полгода. Клиент думал, что это сезонность.

Что нашли на старте

Когда начали разбираться, картина стала понятной довольно быстро. Мы проверили порядка сорока типичных запросов из их тематики в Яндексе с включённым ИИ-ответом, в Perplexity и в нескольких других генеративных инструментах. Клиника не упоминалась вообще. Ни разу.

При этом их контент был формально приличным. Статьи про симптомы, описания услуг, страницы врачей. Но всё написано в стиле «у нас работают опытные специалисты с многолетним стажем». Ни одного конкретного ответа на реальный вопрос пациента. ИИ такое не цитирует — ему нечего брать.

Вторая проблема: структура. Никаких FAQ-блоков, никакой разметки Schema.org, страницы услуг без чётких тезисов. Генеративная модель заходила на сайт и не понимала, где тут ответ на вопрос «как подготовиться к УЗИ брюшной полости» или «сколько стоит приём невролога».

Что делали и в какой последовательности

Первый месяц ушёл на аудит и переработку структуры. Добавили Schema.org разметку для медицинских услуг, врачей, адреса — базовые типы MedicalClinic, Physician, MedicalProcedure. Прописали llms.txt с явным разрешением на использование контента ИИ-агентами.

Второй и третий месяц — контент. Мы выбрали восемь направлений, где у клиники реально сильные позиции, и под каждое написали по две-три страницы в новом формате. Не «о неврологии», а конкретно: «Что делать, если немеет рука», «Как отличить мигрень от обычной головной боли», «К какому врачу идти с болью в спине». Каждая страница — чёткий вопрос в заголовке, ответ в первом абзаце, потом детали. Никаких вступлений про «наша клиника рада приветствовать».

Под каждым материалом добавили блок FAQ — буквально пять-семь вопросов, которые пациенты реально задают на приёме. Это не SEO-трюк, это честные ответы. ИИ их полюбил сразу.

Четвёртый месяц — проверка и докрутка. Смотрели, какие запросы начали давать упоминания, где модели цитировали не то или обрезали смысл. Дорабатывали формулировки.

Результат через четыре месяца

Трафик из ИИ-каналов — Яндекс с генеративными ответами, Perplexity, встроенный поиск в нескольких мобильных приложениях — вырос примерно на 18% к исходной базе. Это новый трафик, который раньше просто не существовал для клиники.

Органика в классическом поиске тоже подтянулась — плюс 6–7%, скорее всего за счёт улучшения структуры и поведенческих факторов.

Важнее другое: доля «горячих» обращений выросла заметнее, чем просто трафик. Люди, которые приходят через ИИ-ответ, уже получили базовую информацию и чаще сразу записываются, а не просто смотрят.

Главное из этого кейса

Медицина — очень выигрышная ниша для GEO, потому что у людей всегда есть конкретный вопрос. И если вы на него честно отвечаете, ИИ вас находит и цитирует.

Переписывать весь сайт не надо. Достаточно выбрать восемь-десять тем, где вы реально сильны, и сделать под каждую нормальный материал с чётким ответом в начале. Плюс базовая разметка. Плюс FAQ.

Это не волшебство. Это работа, которую большинство конкурентов пока не делает. 🎯

Карточки товаров в эпоху ИИ: почему старые шаблоны больше не работают 🛒

Есть такая иллюзия у e-commerce команд: мы заполнили карточку, написали описание, добавили характеристики — всё, задача выполнена. Но когда начинаешь проверять, как нейросеть «видит» эту карточку, картина другая. Либо она берёт оттуда только цифры и игнорирует весь остальной текст. Либо не берёт ничего, потому что нужная информация там есть, но спрятана так, что модели её не добраться.

Генеративный поиск изменил не только то, как пользователи находят товары. Он изменил то, какой контент вообще имеет право быть процитированным.

Как ИИ читает карточку товара

Языковая модель не читает карточку как менеджер по закупкам. Она не замечает «премиальный дизайн» и «инновационные технологии». Она ищет извлекаемые факты: конкретные числа, формулировки, которые можно встроить в готовый ответ без редактирования.

Когда пользователь спрашивает YandexGPT «какой робот-пылесос выбрать для квартиры с ковровым покрытием», модель собирает ответ из источников, где факты изложены максимально прямо. Если в вашей карточке написано «мощный всос для любых поверхностей» — это не факт, это маркетинг. Если написано «мощность всасывания 2700 Па, режим Max Boost автоматически включается при обнаружении ковра» — это уже материал для ответа.

Разница кажется очевидной, но в реальных магазинах именно первый вариант встречается чаще.

Структура важнее объёма 📐

Я смотрел, как устроены карточки в категориях, где ИИ активно формирует спрос — бытовая техника, товары для детей, косметика с составом. Паттерн один и тот же: карточки, которые попадают в ответы нейросетей, имеют чёткое разделение на смысловые блоки.

Вот что работает. Технические характеристики — отдельным блоком, каждый параметр на отдельной строке. Не «экономичный расход энергии», а «потребляемая мощность: 1050 Вт». Ответы на вопросы — прямо в тексте, не в формате FAQ-аккордеона, который ИИ часто не обрабатывает: «Подходит ли для чувствительной кожи? Да, в составе нет сульфатов и синтетических отдушек». Сценарии использования — конкретные: не «для всей семьи», а «для семьи с ребёнком до трёх лет».

Нейросеть выстраивает ответ как конструктор. Ей нужны готовые кирпичи, а не литое бетонное эссе, из которого нужно что-то выпиливать.

Где теряются деньги

Есть момент, который я вижу постоянно: дублированные описания. Магазин берёт текст у поставщика, ставит на все аналогичные позиции одинаковую структуру и считает, что сделал достаточно. Для классического SEO это ещё работало через ссылочный вес. Для ИИ — нет.

Модели хорошо чувствуют шаблонность. Два одинаковых описания — сигнал низкой авторитетности. Если у вас 50 похожих товаров с одинаковым вступлением, ни одна карточка не станет приоритетным источником. Они взаимно гасят друг друга.

Здесь не нужно переписывать всё вручную. Нужно выделить ключевые отличия каждой позиции и сделать их явными в структуре. Это работа, которую стоит сделать до того, как конкурент сделает её первым.

Что делать прямо сейчас 🔍

Возьмите пять своих самых продаваемых позиций. Зайдите в YandexGPT или ChatGPT и задайте вопрос, который реально задаёт ваша аудитория перед покупкой. Посмотрите, есть ли в ответе что-то из вашей карточки. Скорее всего, нет.

Потом зайдите на карточку и ответьте честно: если бы нейросеть собирала ответ из этого текста, что бы она взяла? Если ответ «почти ничего» — это и есть точка роста.

Переписывать под ИИ не значит делать тексты хуже для людей. Конкретика и структура работают на обе аудитории одновременно. Просто раньше на это можно было закрыть глаза. Теперь нельзя.

LLMs.txt: зачем сайту файл, который читают только нейросети 🤖

Недавно несколько коллег спросили меня про LLMs.txt — мол, что это вообще такое и стоит ли на него тратить время. Тема пока малоизвестная в русскоязычном сообществе, поэтому разберу по-человечески, без лишнего хайпа.

Откуда вообще взялась идея

Когда поисковики только появились, разработчики придумали robots.txt — простой текстовый файл в корне сайта, который говорил краулерам: «вот это индексируй, вот это не трогай». Логика простая: между сайтом и машиной нужен какой-то стандартный канал договорённостей.

С LLMs.txt история похожая, но под другую задачу. Это не про запреты — это про помощь. Файл размещается по адресу yourdomain.com/llms.txt и содержит структурированное описание сайта, его содержимого, ключевых разделов и ссылок на наиболее важные страницы. Идея в том, чтобы языковая модель, которая обходит сайт или работает с его контентом, сразу получила внятный путеводитель — вместо того чтобы разбирать HTML, джаваскрипт, баннеры и прочий визуальный шум.

Формат предложил Джереми Ховард — один из разработчиков в области машинного обучения — как открытую спецификацию. Он не стандарт W3C и не официальный протокол. Пока это скорее растущая конвенция, которую часть индустрии начинает подхватывать.

Что конкретно туда пишут

Файл пишется в Markdown. Структура примерно такая: название проекта или компании, короткое описание чем занимается сайт, и дальше — список разделов со ссылками и однострочными аннотациями. Что это за страница, о чём она, почему важна.

Дополнительно есть вариант llms-full.txt — расширенная версия, куда можно вложить полный текст ключевых материалов. Это уже для агентов, которым нужно читать контент напрямую, не делая десятки запросов к отдельным страницам.

Звучит скромно. Но в этом и есть смысл: простота снижает барьер как для авторов, так и для машин.

Зачем это нужно прямо сейчас

Вот тут важно не преувеличивать. LLMs.txt не гарантирует, что ChatGPT или Gemini начнут вас цитировать. Это не волшебная кнопка видимости. Но есть несколько сценариев, где файл реально помогает.

Первый — RAG-системы и AI-агенты. Когда компания или разработчик строит решение поверх LLM и подключает к нему внешние источники, наличие чистого, структурированного llms.txt сильно упрощает работу. Агент быстро понимает, что вообще есть на сайте, и не тратит токены на разбор лишнего.

Второй — индексация ИИ-краулерами. Некоторые модели и исследовательские проекты уже обходят сайты с учётом этого файла. Инфраструктура только формируется, но ранние адаптеры обычно выигрывают.

Третий — это сигнал зрелости. Сайт с llms.txt говорит: здесь думают о машиночитаемости. Для B2B-аудитории, для разработчиков, для тех, кто выбирает подрядчика или инструмент — это маленькая, но заметная деталь.

Что с этим делать на практике

Создать базовый файл можно за час. Открываете текстовый редактор, описываете сайт в двух абзацах, перечисляете главные разделы со ссылками и короткими пояснениями, кладёте файл в корень. Это не требует бюджета, разработчика или агентства.

Я бы рекомендовал делать это уже сейчас по одной причине: стандарты машиночитаемости имеют свойство сначала игнорироваться, потом внезапно становиться обязательными. Кто успел внедрить структурированную разметку до того, как Google начал её активно использовать — тот помнит, каково это.

LLMs.txt — не революция. Но это один из тех небольших шагов, которые в сумме и формируют нормальное GEO-присутствие. 📄

Онлайн-школа английского в ответах GigaChat: разбор реального кейса 🔍

Примерно год назад ко мне обратилась онлайн-школа английского языка — небольшой проект с командой в семь человек, средний чек 4 500 рублей за месячный курс. Трафик шёл почти полностью из Яндекса и ВКонтакте. В GigaChat школу не было вообще — ни по одному запросу.

Задача звучала просто: попасть в ответы GigaChat по запросам типа «как выбрать онлайн-школу английского» и «где учить английский взрослому с нуля». Но простота была только видимой.

С чего начали: аудит и первые неприятные выводы

Я провёл базовый аудит — прошёлся по сайту, посмотрел структуру контента и проверил, как GigaChat отвечает на профильные вопросы в нише. Результат ожидаемый: в ответах всплывали статьи с образовательных порталов и агрегаторов, несколько материалов из Дзена и Хабра. Сайт клиента — нигде.

Проблема была не в техничке. Сайт нормально индексировался. Проблема была в контенте: все статьи были написаны под ключевые слова, а не под вопросы. Типичное «Английский для взрослых — обучение онлайн. Запишитесь сегодня». Никакой структуры, никаких конкретных утверждений. Ничего, что ИИ мог бы процитировать.

GigaChat, как и другие LLM, ищет не совпадение по словам, а пригодный к цитированию ответ. Структура, явные утверждения, факты — вот что он «берёт». У клиента этого не было.

Что сделали: три конкретных шага

Первым делом переписали три ключевые статьи — полностью, под логику LLM, не под плотность вхождений. Каждая статья теперь открывалась прямым ответом на вопрос в первых двух предложениях. Добавили подзаголовки с конкретными утверждениями: «Почему взрослым сложнее учить язык», «На что смотреть при выборе школы», «Как понять, что методика работает». Никаких лирических вступлений, никаких «мы рады приветствовать вас».

Второй шаг — разметка. Добавили Schema.org типа FAQPage на страницы с часто задаваемыми вопросами. Это сигнал для краулеров: здесь есть структурированные вопросы и ответы, их удобно использовать.

Третий шаг — внешние сигналы. Опубликовали три материала на внешних площадках: один разбор на тематическом образовательном форуме, одна гостевая статья на сайте о саморазвитии, одна публикация в Дзене со ссылкой на сайт. Не ради ссылочного веса — ради того, чтобы контент школы начал встречаться в разных местах. LLM доверяет источникам, которые упоминаются не в одной точке.

Результат через три месяца 📈

Первые цитирования в GigaChat появились примерно через пять недель после публикации переработанных статей. Не по всем запросам сразу — по двум из шести целевых.

Через три месяца школа упоминалась в ответах GigaChat по четырём запросам из шести. Органический трафик на сайт вырос на 34% — но здесь важен не сам рост, а его качество. Среднее время на сайте у новых пользователей увеличилось с 1:40 до 3:20. Люди, которые приходили, уже были «подготовлены» ответом ИИ — они искали конкретику, а не листали в поисках непонятно чего.

Конверсия в заявку на пробный урок выросла с 1,2% до 2,8%. За три месяца это дало дополнительно около 40 заявок — без роста рекламного бюджета.

Главное, что я вынес из этого проекта

GigaChat, в отличие от ChatGPT, работает с русскоязычным контентом плотнее и охотнее берёт материалы с российских площадок. Это означает, что у небольшой нишевой школы или сервиса есть реальный шанс конкурировать с крупными агрегаторами — если контент написан как ответ, а не как рекламный текст.

Три переработанные статьи сделали больше, чем год ключевых слов. Потому что ИИ не ищет «лучшую школу» — он ищет тот источник, из которого проще всего собрать ответ. Станьте этим источником — и трафик придёт сам. 🎯

🎬 YouTube и видео: почему они влияют на то, что о вас скажет ИИ

Долгое время в GEO-среде видео воспринималось как что-то отдельное. Есть текстовый контент — его оптимизируем, и ладно. YouTube — это про охваты и рекламу, не про поисковую видимость в нейросетях. На мой взгляд, это одно из самых устойчивых заблуждений, которые сейчас дорого обходятся тем, кто продвигается в генеративных системах.

Как ИИ работает с видео

Генеративные поисковики не смотрят ролики. Это важно понять сразу. ChatGPT, Perplexity, YandexGPT не «просматривают» видео и не анализируют картинку. Они работают с текстом — с тем, что окружает видео в индексируемом пространстве.

А вокруг каждого видео на YouTube есть очень много текста. Название ролика. Описание — и короткое, и развёрнутое. Субтитры — автоматические или ручные. Транскрипты, которые YouTube публикует публично. Всё это индексируется, попадает в RAG-системы. И если человек задаёт вопрос нейросети по теме, где у вас есть видео с нормально прописанным описанием и субтитрами — ИИ может взять именно этот контент как источник.

Почему YouTube стоит отдельно от других площадок

YouTube — второй по размеру поисковик в мире. Это не метафора, это факт о том, как устроена его индексация. С появлением AI Overviews в Google ситуация изменилась: система теперь может процитировать фрагмент видео — конкретную временну́ю метку — прямо в генеративном ответе.

Это означает одно: если у вас есть видео, где вы чётко объясняете что-то по теме запроса, и в субтитрах эта формулировка присутствует — ИИ способен её вытащить. Не абстрактно «упомянуть ваш канал», а процитировать конкретный момент.

Яндекс движется похожим путём. Видеоконтент из собственных сервисов и YouTube он индексирует давно. В нейро-ответах Алисы уже встречаются видеофрагменты как источники. Пока неравномерно, но вектор очевиден.

Что реально влияет на попадание видео в ответ ИИ

Здесь работают те же принципы, что и с текстом, просто применённые к другому формату.

Название ролика должно отвечать на конкретный вопрос. Не «Обзор нашего продукта», а «Как настроить X за 10 минут без ошибок». Это не про кликбейт — это про то, чтобы ИИ понял, на какой запрос отвечает материал.

Описание под видео. Большинство авторов пишут туда три слова и ссылку на сайт. Это потерянный ресурс. Нормальное описание — 300–500 слов с реальным изложением содержания: что объясняется, какие выводы, какие шаги. Именно этот текст чаще всего и попадает в контекст, который читает генеративная система.

Субтитры. Автоматические субтитры YouTube распознают речь неплохо, но с терминологией часто ошибаются. Ручные субтитры или откорректированный транскрипт — это и точность для ИИ, и SEO-сигнал для самого YouTube одновременно.

Внешние упоминания. Если ролик встроен в статью на сайте, если на него ссылаются в других материалах, если транскрипт опубликован отдельно — всё это усиливает сигнал. ИИ видит тему с нескольких сторон и воспринимает источник как авторитетный.

Что с этим делать 🛠

Видео само по себе ИИ не читает. Но текстовый слой вокруг видео — читает. И если этот слой пустой или формальный, вы теряете канал присутствия в генеративных ответах, который конкуренты уже начинают использовать.

Самое простое, что можно сделать прямо сейчас: взять пять самых просматриваемых роликов, открыть их описания и переписать — не для красоты, а чтобы там был нормальный текст с объяснением темы. Потом проверить субтитры. На это уходит два-три часа. Эффект устойчивый, потому что YouTube-контент живёт годами и индексируется постоянно.

7 вопросов, которые нужно задать себе перед запуском GEO 🧭

Я заметил закономерность. Люди приходят в GEO с горящими глазами, слышат про «попасть в ответ Алисы» — и сразу бегут переписывать все тексты. Через три месяца разочарование: результатов нет, понимания нет, деньги потрачены.

Проблема не в GEO. Проблема в том, что никто не задал себе правильные вопросы до старта. Вот семь, которые я разбираю с каждым проектом в самом начале.

1. Есть ли вообще мой запрос в генеративной выдаче?

Первый шаг — открыть ChatGPT, Perplexity, ЯндексGPT и спросить что-то по вашей нише. Не с целью себя найти — с целью понять, отвечает ли ИИ на такие вопросы или отправляет в классический поиск.

Есть темы, которые генеративные модели пока обходят стороной. Юридические консультации. Медицинские диагнозы. Финансовые советы с конкретными цифрами. Там ИИ перестраховывается и говорит «обратитесь к специалисту». Если ваша ниша из таких — GEO сейчас не ваш приоритет. Не потому что плохо, а потому что рано.

2. Я знаю, что именно спрашивают пользователи?

GEO — это не про ключевые слова. Это про намерение. Разница между «купить диван» и «какой диван выбрать для маленькой квартиры» огромная. Первый запрос транзакционный, второй — информационный, и именно он попадает в генеративный ответ.

Я часто прошу клиентов записать последние десять вопросов из чата поддержки или звонков — это лучший старт для контентного плана под GEO. Не «что ищут», а «что спрашивают». Разные вещи.

3. Есть ли у меня реальная экспертиза? 🔍

ИИ учится на обобщении. Если вы пишете то же, что уже есть у сотни конкурентов, вы не добавляете ценности в общий массив данных. Модель не будет вас выделять.

Личный опыт, конкретные кейсы, нетипичные наблюдения — вот что ценно. Спросите себя честно: есть ли у меня что сказать по теме, чего нет в первой десятке Google? Если ответ «нет» — это не приговор. Это задача на ближайшие месяцы.

4. Моя техническая база готова?

Прежде чем думать про тексты, я всегда проверяю четыре вещи. Скорость загрузки — желательно до 2–3 секунд, иначе ИИ-краулер может не дождаться ответа. Мобильная версия — большинство голосовых запросов идут с телефонов. Базовая разметка Schema.org — без неё моделям сложнее понять структуру контента. И robots.txt — убедитесь, что случайно не блокируете нужных ботов.

Если хоть одно из четырёх не в порядке — начните с этого.

5. Я готов ждать три месяца, а не три недели?

GEO — это не контекстная реклама. Нет кнопки «запустить» и нет мгновенного эффекта. Я видел проекты, где правильно выстроенная страница начинала попадать в ответы только на шестой-восьмой неделе.

Это нужно проговорить с командой до старта. Иначе через месяц накроет разочарование и вы начнёте дёргать стратегию — что только замедляет результат.

6. Есть ли у меня система отслеживания результатов?

Классические SEO-метрики здесь работают частично. Важнее следить за тем, цитируют ли вас ИИ-платформы и что именно говорят.

Мой минимальный мониторинг: раз в две недели задаю несколько ключевых вопросов по нише в разных ИИ-инструментах и смотрю, появляется ли мой контент в ответах. Если нет — иду разбираться почему. Без этой петли обратной связи вы просто публикуете в пустоту.

7. GEO — это слой поверх всего остального, а не отдельный канал 💡

Последний вопрос — и самый важный. GEO не работает в изоляции. Он усиливает то, что уже есть: хороший контент, репутацию, техническую базу, присутствие в авторитетных источниках. Если этого нет — GEO нечего усиливать.

Убедитесь, что у вас есть фундамент. Иначе это будет оптимизация пустоты.

Семь вопросов — не барьер на пути к старту. Это способ стартовать осмысленно и не тратить бюджет на хаотичные действия без понимания цели.

Кросс-валидация фактов у нейросетей: почему ваш контент может проигрывать не конкурентам, а самому себе 🔍

Долго думал, как объяснить одну вещь, которую вижу на практике всё чаще. Клиент делает контент, который по всем формальным признакам хорош — структурированный, с фактами, с конкретикой. Но нейросеть его не цитирует. Или цитирует частично, обрезая именно то, что казалось ключевым. Причина — кросс-валидация. И это тема, которую в GEO-сообществе пока обсуждают меньше, чем она того заслуживает.

Что такое кросс-валидация в контексте нейросетей

Когда языковая модель формирует ответ, она не просто берёт первый попавшийся источник с подходящим текстом. Она сопоставляет факт или утверждение с тем, что встречала в других материалах. Если ваше утверждение есть в одном месте — в вашем тексте — модель воспринимает его как слабо подтверждённое. Если то же самое сказано на нескольких независимых площадках, в разных форматах, разными словами — доверие к факту растёт.

Это не заговор против малого бизнеса. Это логика, встроенная в архитектуру моделей. Они обучались на огромных массивах данных, где повторяемость факта коррелировала с его достоверностью. Та же логика работает при инференсе — когда модель генерирует ответ здесь и сейчас.

Где это ломает GEO-стратегию

Самая частая ошибка, которую я вижу — компания публикует уникальное исследование или кейс только у себя на сайте. Один источник. Нейросеть видит интересный факт, но не может его «верифицировать» через другие сигналы — и просто не включает в ответ. Или включает с оговоркой, которая снижает доверие пользователя.

При этом ваш конкурент берёт ту же общеизвестную цифру из открытого исследования, которую растиражировали десятки медиа, — и нейросеть уверенно её воспроизводит со ссылкой именно на него, потому что его версия формулировки немного ближе к тому, что модель видела чаще всего.

Парадокс: уникальная экспертиза в одиночестве проигрывает банальности, растиражированной широко. Не потому что банальность лучше. А потому что она прошла кросс-валидацию.

Как это использовать в свою пользу 🛠

Первое. Дистрибуция факта важнее его наличия. Если вы провели исследование или получили интересный результат в проекте — опубликуйте его не только у себя. Дайте комментарий в отраслевые медиа, напишите гостевую колонку, попросите партнёров сослаться. Чем больше независимых точек, где встречается ваш факт — тем выше шанс, что модель его воспроизведёт и атрибутирует вам.

Второе. Формулировка должна быть стабильной. Если вы везде описываете один и тот же результат по-разному — «сократили цикл сделки», «ускорили закрытие», «уменьшили время до оплаты» — модель не связывает это в единое утверждение. Выберите одну чёткую формулировку и транслируйте её последовательно везде.

Третье. Якорные факты. Есть смысл намеренно создавать в контенте короткие, точные, легко воспроизводимые утверждения — конкретные цифры, сравнения, выводы в одно предложение. Именно такие блоки модели вытаскивают чаще всего. Длинный аналитический абзац она может не осилить в нужном контексте. Предложение с числом и выводом — заберёт.

Что это меняет в практике

GEO перестаёт быть только про оптимизацию одной страницы. Это про управление тем, как ваши факты и утверждения распределены по информационному пространству в целом. По сути — это PR-задача, переформулированная под логику машинного доверия.

Я сейчас смотрю на контент-стратегию клиентов именно через эту призму: не только что написано на сайте, но и где ещё встречаются ключевые факты о компании. Часто оказывается, что сайт идеально оптимизирован, а нейросеть молчит — просто потому что больше нигде этого нет.

Уникальность хороша для людей. Для нейросетей нужна ещё и подтверждённость.

🔍 Антикейс: почему сайт с хорошим SEO не попадает в ответы ИИ

Ко мне обратился владелец стоматологической клиники из регионального города-миллионника. Сайт у него был сделан на совесть: позиции в топ-10 по большинству ключей, хорошая скорость загрузки, тексты переписаны агентством год назад. В обычной выдаче всё хорошо. Но когда потенциальные пациенты спрашивали ChatGPT или Алису «какую стоматологию выбрать в [город]» или «где лечить зубы под седацией», клиника не появлялась вообще. Конкуренты — появлялись.

Он хотел понять, что не так.

Что я нашёл при аудите

Первый же просмотр сайта без JavaScript показал проблему: на экране оставались шапка, меню и подвал. Весь контент — описания услуг, цены, информация о врачах — грузился через скрипты после первоначального рендеринга. Для посетителя всё выглядело нормально. Для краулера, который забирает текст без выполнения JS, страница была практически пустой.

Но это была лишь первая часть проблемы.

Когда я посмотрел на тексты, стало очевидно второе. Агентство написало классический SEO-контент: «наши специалисты с опытом более 10 лет», «современное оборудование», «индивидуальный подход». Ни одной конкретной детали. Ни цены за приём, ни описания того, чем именно отличается их седация от стандартного обезболивания, ни реальных случаев из практики. Текст, который нравится поисковому алгоритму за плотность ключей, нейросеть воспринимает как информационный шум.

Третье: структурированная разметка отсутствовала полностью. Ни Schema.org для медицинской организации, ни разметки для врачей как отдельных сущностей, ни AggregateRating, хотя отзывы на сайте были.

Что делали и в каком порядке

Начали с технической части. Ключевые страницы — услуги, врачи, контакты — перевели на серверный рендеринг. Это заняло около трёх недель с разработчиком. Параллельно добавили разметку: MedicalOrganization с адресом, часами работы и типом услуг, Person для каждого врача с указанием специализации и стажа, AggregateRating на основе реальных отзывов.

Потом взялись за контент. Переписали страницы услуг так, чтобы они отвечали на конкретные вопросы: что такое седация, кому она подходит, как проходит процедура, что нужно знать до приёма. Добавили блок FAQ на каждую услугу — не ради формы, а с реальными вопросами, которые задают пациенты на приёме. Цены перестали прятать за «звоните, уточним» и выставили диапазоны.

Отдельно проработали карточки врачей. Не просто «Иванова Мария Петровна, стоматолог-терапевт», а конкретика: сколько лет работает, какие случаи берёт, какие методы предпочитает, где учился. Нейросеть любит именно такую фактуру — она строит доверие к источнику.

Что получилось через два месяца 📊

Замеры делали вручную по 25 запросам в ChatGPT, Gemini и Алисе. До начала работ клиника упоминалась в ответах в двух случаях из двадцати пяти — и то в длинных перечнях, без акцента. Через восемь недель картина изменилась: 14 упоминаний из 25, из них в 6 случаях клиника попала в прямую рекомендацию с пояснением.

По данным коллтрекинга, за следующий месяц доля звонков, где пациенты говорили «нашёл через ИИ» или «Алиса посоветовала», выросла с нуля до примерно 8% от всех входящих. Для одной клиники без сети это ощутимо.

Что из этого стоит забрать

Хорошее SEO и высокая видимость в ИИ — это два разных состояния сайта. Можно занимать первое место в Яндексе и при этом полностью отсутствовать в ответах нейросетей. Причины, как правило, одни и те же: контент генерируется через JS, тексты не содержат конкретики, структурированная разметка отсутствует.

Проверить себя просто: откройте DevTools, отключите JavaScript и перезагрузите страницу. Если основного текста на экране нет — для большинства AI-краулеров вас тоже нет.

AI Overviews: что это и почему вы пока не там 🔍

Последние полгода почти на каждой консультации слышу одно и то же: «У нас хорошее SEO, позиции нормальные, но трафик почему-то не растёт». Объяснение простое — люди всё чаще получают ответ прямо на странице Google, не кликая никуда. AI Overviews — это и есть тот самый блок с ответом от ИИ, который появляется над всей обычной выдачей.

Что такое AI Overviews и как это работает

Google запустил AI Overviews как часть Search Generative Experience. По сути, это не сниппет и не избранный ответ в старом понимании. Это генеративный блок: модель собирает информацию из нескольких источников и формулирует связный ответ прямо в поиске. Ссылки там есть, но пользователь видит их сбоку или внизу — и кликает на них уже во вторую очередь, если вообще кликает.

Отсюда и берётся цифра, которую сейчас активно обсуждают: около 60% поисковых сессий заканчиваются без единого клика на сайт. Трафик не исчезает в никуда — он просто застревает внутри Google. Пользователь получил ответ, закрыл вкладку. Ваш сайт был источником, но вы этого никогда не узнаете из Google Analytics.

При этом сайты, которые попадают в этот блок как цитируемые источники, фиксируют кое-что интересное: клики оттуда дают на 35% больше вовлечённости, чем обычный органический переход. Люди, которые всё же кликают из AI Overviews, уже прогреты ответом — они идут за подробностями или за покупкой, а не просто смотреть.

Почему туда не попасть случайно

Вот здесь начинается самое важное. AI Overviews — это не про позиции. Можно стоять в топ-3 по запросу и ни разу не появиться в генеративном блоке. Модель выбирает источники по другим критериям.

Первое — структура ответа. Материал должен давать прямой, чёткий ответ на вопрос в первых абзацах, а не раскачиваться через три экрана вступления. Google буквально смотрит, насколько быстро ваш текст переходит к сути.

Второе — фактическая конкретность. Расплывчатые формулировки вроде «это зависит от ситуации» или «у нас богатый опыт» модель не берёт. Ей нужны цифры, даты, чёткие утверждения. Если вы написали «результат заметен через несколько недель» — это в мусор. Написали «в среднем за 4–6 недель по нашей практике» — уже лучше.

Третье — авторитетность источника в глазах модели. Это E-E-AT в действии: кто написал, на каком сайте, упоминают ли этот сайт где-то ещё. Здесь работают всё те же внешние публикации на авторитетных площадках, разметка Schema.org, чёткое указание автора.

Что с этим делать прямо сейчас 🛠

Я не буду убеждать перелопатить весь сайт с понедельника. Но есть несколько точечных вещей, которые работают.

Пройдитесь по страницам, которые приносят основной трафик. Проверьте: есть ли в первых двух-трёх предложениях прямой ответ на запрос, по которому приходят люди? Если нет — это первое, что надо поправить.

Добавьте блоки с конкретными утверждениями. Не «мы помогаем бизнесу расти», а «средний рост органического трафика у наших клиентов за 6 месяцев — X%». Именно такие фразы модель вытаскивает в ответ.

Разметьте страницы через Schema. Для большинства сайтов достаточно начать с Article, FAQPage и HowTo там, где это уместно по формату. Это не магия, но это сигнал, что контент структурирован и машиночитаем.

И последнее. Регулярно проверяйте, появляетесь ли вы в AI Overviews по своим ключевым запросам. Просто откройте Google в режиме инкогнито и введите несколько профильных вопросов. Если вас там нет, а конкуренты есть — уже понятно, где искать проблему.

AI Overviews — это не будущее. Для большинства ниш это уже сегодняшний день. И чем дольше сидеть в позиции «у нас SEO настроено» — тем больше аудитории уходит к тем, кто успел перестроиться.

Страница эксперта, которую процитирует ИИ: разбираю по пунктам 🔍

SEOnews на днях поднял тему, которую я давно хотел разобрать подробно: как брендам оставаться видимыми, когда поиск всё больше уходит в генеративные ответы. Там правильно обозначена проблема. Но мне хочется зайти с другой стороны — не с уровня «что делать бренду», а с уровня конкретной страницы. Потому что именно здесь всё и решается.

Страница эксперта — это не «О нас». Это любая страница, где вы отвечаете на вопрос от первого лица: статья, кейс, разбор, инструкция. Именно такие страницы ИИ цитирует охотнее всего. Но большинство из них не работают — не потому что написаны плохо, а потому что не собраны правильно.

Что ИИ ищет на странице в первую очередь

Нейросеть не читает — она извлекает. Ей нужен чёткий фрагмент, который можно вставить в ответ без редактуры. Поэтому первый вопрос при проверке любой страницы: есть ли там такой фрагмент?

Он должен быть в первых 80–100 словах. Начинаться с утверждения, а не с вводной. Содержать конкретику — цифру, срок, параметр. И не содержать «мы», «наш», «у нас» — это шум для модели.

Если первый абзац начинается с «Добро пожаловать» или «Наша компания основана в…» — страница проходит этот фильтр с нулевым шансом.

Структура, которую видит алгоритм 📐

Дальше — иерархия. ИИ строит внутреннюю карту страницы: что здесь главное, что вспомогательное, где начинается новый смысловой блок.

Проверяю по такому порядку:

H1 формулируется как вопрос или чёткая тема. Не «Наши услуги по SEO», а «Как продвинуть сайт в ИИ-поиске в 2025 году».

H2 — подвопросы, а не «Преимущества» и «Почему мы». Каждый подзаголовок должен быть понятен без контекста всей страницы.

Есть хотя бы один блок FAQ или HowTo — разметкой или хотя бы структурно. Просто явный вопрос и ответ под ним.

Нет сплошных абзацев на 300 слов. Модель не вытащит нужный кусок из монолита.

Сигналы доверия, которые проверяются машинно

Вот где большинство страниц проигрывают. Эксперт может быть настоящим — но ИИ об этом не знает, если страница не даёт проверяемых сигналов.

Что должно быть:

Дата публикации и дата обновления — видимые на странице и в Schema (datePublished, dateModified).

Автор с именем — не «редакция», а конкретный человек. Ещё лучше — с ссылкой на профиль: VC.ru, Хабр, 2ГИС.

Хотя бы одна цифра с оговоркой. «По нашим данным за 2024 год» работает лучше, чем «по исследованиям».

Конкретный опыт. «Протестировали подход на 11 проектах с апреля по июль 2025» — это цитируемо. «Много лет работаем в этой сфере» — нет.

Schema.org типа Article или FAQPage — без неё ИИ не понимает тип контента и снижает приоритет при извлечении.

Финальная проверка перед публикацией 🧪

Когда страница готова, делаю три простых шага.

Открываю Perplexity и ввожу вопрос, на который отвечает страница. Если сайта нет в источниках — смотрю почему: нет индексации, нет структуры, нет доверительных сигналов.

Копирую первые 100 слов и читаю их отдельно. Они должны работать как самостоятельный ответ. Если без контекста непонятны — переписываю.

Проверяю, есть ли фрагмент длиной 30–70 слов, который начинается с утверждения и содержит конкретику. Это и есть потенциальная цитата.

Если все три пункта ок — страница готова к работе в генеративном поиске. Если нет — никакое SEO не поможет, пока не исправите основу.

Тема видимости в нейропоиске становится мейнстримом. Хорошо, что об этом начали говорить крупные площадки. Плохо, что большинство материалов останавливаются на уровне «нужно адаптироваться». Адаптироваться — это конкретные действия на конкретной странице. Вот они.

Почему структура текста важнее объёма 📐

Есть устойчивый миф, который я вижу снова и снова — у клиентов, у коллег, в чатах про продвижение. Звучит примерно так: «Напишем длиннее — будет лучше». 5000 слов вместо 1500. Больше разделов. Больше примеров. Больше всего.

Я понимаю, откуда это берётся. Эпоха SEO приучила нас думать, что объём — это сигнал серьёзности. Что «полный охват темы» измеряется в знаках. Но когда речь заходит о видимости в генеративных системах — ChatGPT, Perplexity, YandexGPT — эта логика работает против вас.

Как ИИ читает текст

Нейросеть не листает вашу статью сверху вниз, как это делает человек. Она разбирает текст на фрагменты и ищет в них завершённые смысловые единицы: тезис, подтверждение, вывод. Если эта цепочка собрана внутри одного абзаца — модель может взять его и вынести в ответ. Если логика размазана по трём экранам — фрагмент просто не поднимается на поверхность.

Это означает одно: абзац важнее статьи. Не в том смысле, что статья не нужна. А в том, что каждый абзац должен работать самостоятельно. Быть понятным без контекста соседних разделов.

Объём при этом не помогает и не мешает сам по себе. Он нейтрален. Проблема возникает тогда, когда объём достигается за счёт воды — общих фраз, повторений, абзацев-«прокладок» между тезисами. Вот тогда сигнал размывается.

Что значит «плотная структура» на практике

Я проверял это на собственных материалах. Когда переписываешь фрагмент с одной целью — чтобы в двух предложениях было понятно, о чём речь и почему это важно — модель начинает цитировать именно этот фрагмент. Не введение. Не вывод в конце. Конкретный абзац, где всё собрано вместе.

Плотная структура — это не про короткие предложения и не про буллиты. Это про то, что в каждом смысловом блоке есть утверждение и его обоснование. Без отсылки «об этом мы поговорим ниже».

Подзаголовки здесь работают иначе, чем в классическом SEO. Там их ставят для человека, чтобы он мог пробежаться по тексту и найти нужное. Для ИИ подзаголовок — это сигнал смены контекста. Если после подзаголовка идут четыре абзаца пространных пояснений, модель часто теряет нить ещё до того, как доходит до сути.

Лучше работает схема: подзаголовок — прямой ответ — один конкретный пример. Всё. Дальше следующий блок.

Почему длинный текст проигрывает короткому 🔍

Вот парадокс, с которым я сталкивался не раз. Детальная статья на 4000 слов с экспертными комментариями и ссылками на исследования не попадает в ответы. А заметка конкурента в 600 слов — попадает стабильно.

Причина почти всегда одна: в длинной статье тезис и доказательство разделены пространством. Читатель-человек это терпит, потому что держит контекст в голове. Модель — нет. Она берёт фрагмент, и если в нём нет самодостаточного смысла, она идёт дальше.

Короткий текст выигрывает не потому что он короткий. Он выигрывает потому, что в нём нечем разбавить главное. Каждое предложение тянет вес.

Это не значит, что нужно резать всё до 600 слов. Это значит, что длинный материал должен быть устроен как набор плотных блоков, каждый из которых понятен сам по себе. Тогда модель может вытащить любой из них — и он будет работать как ответ.

Один принцип, который меняет подход

Когда я редактирую материал под GEO, я задаю себе один вопрос к каждому абзацу: если вырвать этот кусок из статьи и показать его отдельно — будет ли понятно, что здесь сказано?

Если нет — абзац либо сокращается, либо переписывается так, чтобы в нём была вся необходимая цепочка. Это жёстче, чем писать для читателя. Зато работает для обоих.

Объём — это не ценность. Ценность — это плотность смысла на единицу текста. И именно по этому параметру генеративные модели выбирают, кого цитировать.

Салон красоты, разметка Person и первые упоминания в Алисе 💇‍♀️

Этот кейс — про небольшой салон красоты в городе-миллионнике. Не сеть, не франшиза. Один адрес, шесть мастеров, сайт на Tilda и полное отсутствие в ответах любых генеративных систем. Владелица пришла с простым запросом: «Хочу, чтобы меня находили в интернете». Когда разобрались — выяснилось, что трафик был, а упоминаний в нейросетях не было вообще.

Исходная ситуация

Сайт нормальный. Страницы услуг, цены, фото работ. В Яндексе — 15–20 место по запросу «стрижка + город». В 2ГИС и Яндекс Картах — карточка есть, отзывы есть, оценка 4.6. Но когда я спросил Алису «где постричься в [городе]» — ни одного упоминания этого салона. Алиса назвала конкурентов, агрегатор и статью из местного журнала.

Проблема была не в контенте и не в SEO. Нейросеть просто не понимала, кто стоит за сайтом. Ни одного сигнала о мастерах, об экспертизе. Для генеративной системы такой источник выглядит как листовка без подписи: информация есть, а доверять некому.

Что сделали и почему именно это

Генеративные системы охотнее цитируют источники, за которыми стоят конкретные люди. Разметка Schema.org типа Person — один из способов такую атрибуцию создать.

Шаг первый. Сделали страницы мастеров. Не «наша команда» с фото в ряд, а отдельные страницы: имя, специализация, стаж, работы, короткое интервью в формате вопрос-ответ. На каждой — разметка Person с полями name, jobTitle, description, image, worksFor. Описание писали конкретно: «колорист, работает с осветлением азиатского типа волос, стаж восемь лет». Вот такое нейросеть может использовать в ответе. Общие слова — нет.

Шаг второй. На страницах услуг добавили разметку Service с полем provider — со ссылкой на организацию и на конкретного мастера. Сайт перестал быть набором текстов и стал структурированной сущностью с людьми внутри.

Шаг третий. В блоге появились короткие материалы от мастеров: «Как часто нужно стричь кончики», «Чем отличается балаяж от омбре», «Когда окрашивание противопоказано». Каждый текст подписан конкретным автором — и в тексте, и в разметке Article через поле author с типом Person. Это не просто контент для SEO. Это сигнал: за сайтом стоят люди, которые разбираются в теме.

Всё заняло около трёх недель. Без бюджета на рекламу, без наращивания ссылок.

Результат через 45 дней 📈

Алиса начала упоминать салон в ответах на запросы «где сделать окрашивание» и «мастер по стрижкам в [городе]» — не в каждом ответе, но регулярно. До этого — ноль.

Трафик из Яндекса на страницы мастеров вырос примерно в 2.3 раза. Люди стали искать мастеров по имени — паттерн, которого раньше не существовало. Такой визит конвертируется в запись заметно лучше, чем обезличенный запрос «стрижка недорого». Записей через сайт за тот же период стало больше на 28%. Несколько клиентов на вопрос «откуда узнали» ответили: «Алиса посоветовала».

Что из этого следует

Person — недооценённый тип разметки для локального бизнеса. Все делают LocalBusiness, многие делают Service. Но мало кто думает о том, что за услугой стоит человек — и что нейросети это ценят.

Особенно хорошо работает в нишах, где личная экспертиза важна: салоны, клиники, юристы, репетиторы, консультанты. Там, где клиент выбирает не просто услугу, а конкретного специалиста. Генеративная система в таких случаях охотнее называет имя, чем просто адрес.

Практический вывод: если занимаетесь GEO для локального бизнеса с командой — начните с аудита того, как на сайте представлены люди. Есть ли у каждого специалиста отдельная страница? Есть ли разметка? Есть ли подписанный контент? Если хотя бы один ответ «нет» — это точка роста, которая стоит дешевле, чем кажется.