120 символов после H2, которые решают всё ⚡

Почему именно первый абзац под заголовком

Я долго не придавал этому большого значения. Казалось: главное — написать хороший H2, структурировать текст, добавить разметку. Но когда начал анализировать, какие фрагменты нейросети вытаскивают из страниц, картина стала очевидной. Первые 100–120 символов после H2 — это буквально то окно, в которое смотрит языковая модель, когда решает, цитировать вас или нет.

Логика простая. Когда Gemini, ChatGPT или Perplexity формируют ответ, они не читают страницу целиком. Они извлекают фрагменты — и делают это по структурным ориентирам. H2 — сигнал: «здесь начинается новая смысловая единица». А первое предложение после него — это заявка на то, что именно эта единица из себя представляет. Если там нет чёткого, самодостаточного утверждения, модель двигается дальше.

Что происходит, когда этот абзац написан неправильно

Типичная картина, которую я вижу на аудитах: H2 звучит как «Преимущества нашего продукта», а первый абзац начинается с «Мы рады предложить вам широкий выбор решений для вашего бизнеса». Это не ответ. Это маркетинговый шум. Нейросеть его не процитирует — потому что там нет информации, которую можно вставить в ответ на вопрос пользователя.

Или другой вариант: H2 хороший, конкретный, а первый абзац начинается с контекста. «В последние годы рынок претерпевает значительные изменения...» Это вступление ради вступления. Модель ждёт сути, а не подводки.

Проблема в том, что тексты до сих пор пишутся по журналистской или академической логике: сначала контекст, потом суть. Для ИИ-индексации эта логика работает наоборот.

Как должен быть устроен правильный первый абзац

Я проверял это на реальных страницах. Фрагменты, которые попадают в генеративные ответы, устроены по одной схеме: первое предложение — прямой, самодостаточный ответ на вопрос, который подразумевает заголовок. Без вводных слов, без «это важно потому что», без ссылок на контекст.

Если H2 звучит как «Как выбрать подрядчика для SEO», первый абзац должен начинаться с конкретного критерия выбора — не с рассказа о том, почему выбор подрядчика вообще важен. Модель уже знает, что это важно. Она ищет ответ.

Ещё один момент, который часто упускают: первый абзац должен быть закончен смыслово. То есть если вырезать эти 100–120 символов и показать их отдельно, они должны что-то сообщать. Не «продолжение следует», а готовое утверждение. Это и есть то, что модели называют snippet-ready контентом.

Что это значит на практике прямо сейчас

Это не про то, чтобы переписать весь сайт. Это точечная работа, которую можно начать сегодня. Открываете страницы, которые должны попадать в генеративные ответы. Смотрите на каждый H2. И смотрите на первые два предложения после него.

Задаёте себе три вопроса. Первый — если вырезать этот абзац, будет ли он понятен без контекста? Второй — содержит ли он конкретное утверждение или только подводку? Третий — отвечает ли он на вопрос, который подразумевает заголовок?

Если хотя бы на один ответ «нет» — переписываете. Это занимает пять минут на раздел, но меняет то, как нейросеть воспринимает всю страницу. Я видел, как после такой точечной правки страницы начинали появляться в AI Overviews и ответах Perplexity через три-четыре недели.

В 2026 году конкуренция в генеративной выдаче — это не конкуренция бюджетов. Это конкуренция ясности. 🎯 Кто пишет точнее — тот и цитируется.

Как GigaChat выбирает источники — и почему это важно знать 🔍

Я давно слежу за тем, как разные нейросети формируют свои ответы. Большинство разговоров про источники крутятся вокруг ChatGPT или Яндекс Нейро. GigaChat при этом остаётся в тени — хотя для рунета это один из ключевых игроков, которого нельзя игнорировать. Сбер активно продвигает его в корпоративном сегменте, интегрирует в экосистему, и аудитория растёт. Если вы работаете с российским рынком и не думаете про то, как туда попасть — вы теряете позиции.

Попробую разобрать, по какой логике GigaChat отбирает контент, опираясь на то, что можно наблюдать на практике.

Обучение на русскоязычном корпусе — это и плюс, и ограничение

GigaChat обучался на русскоязычных текстах: книги, новости, энциклопедии, форумы, официальные документы. Это его принципиальное отличие от западных моделей, которые смотрят на рунет через переводной фильтр. Он действительно понимает контекст — «хрущёвка», «МФЦ», «ОМС» не требуют пояснений.

Но здесь есть нюанс, который я вижу в работе. Модель лучше знает то, что хорошо представлено в открытом русскоязычном интернете. Узкоспециализированные темы, региональный бизнес, нишевые услуги — всё это в обучающем корпусе либо представлено слабо, либо не представлено вообще. Если о вас нет информации в публичном поле на русском языке — для GigaChat вы не существуете.

Какие источники GigaChat считает авторитетными

Здесь работает та же логика, что и у других языковых моделей, — но с русской спецификой.

Первое: структурированные и энциклопедические источники. Всё, что похоже на Википедию, справочники, официальные сайты госорганов, профессиональные стандарты — это модель воспринимает как надёжную базу. Если ваш сайт написан с чёткими определениями и структурой, шанс попасть в ответ выше.

Второе: частота упоминаний. Если о бренде или продукте говорят на разных площадках — в СМИ, на форумах, в отзовиках — модель считывает это как сигнал значимости. Один хороший текст на сайте ничего не решает. Важна экосистема упоминаний.

Третье: понятная структура ответа. GigaChat, как и любая языковая модель, ищет фрагменты, которые легко извлечь и встроить в свой ответ. Длинные рассуждения без чёткого тезиса — плохая ставка. Конкретное определение или ответ в первом предложении — хорошая.

Где GigaChat проигрывает Яндекс Нейро — и что это значит 🧩

Яндекс Нейро работает поверх живого поиска: видит актуальные страницы, индексирует свежий контент, учитывает поведенческие сигналы. GigaChat — классическая языковая модель с фиксированным знанием на момент обучения. Он не лезет в веб в реальном времени, если только это не включено в конкретной интеграции.

Практический вывод прямой: если вы хотите попасть в ответы GigaChat, думать об этом нужно было раньше. Или начинать сейчас — в расчёте на следующий цикл обновления модели. Это долгосрочная игра, и именно поэтому системная работа с контентом в рунете — не разовая акция, а постоянный процесс.

Что делать прямо сейчас

На мой взгляд, приоритеты такие. Убедитесь, что ваша тема вообще покрыта в русскоязычном интернете — не вашим сайтом, а в принципе. Проверьте, есть ли упоминания бренда на авторитетных площадках: профильные издания, агрегаторы, крупные форумы.

Если вы работаете в нише, где информации мало — это одновременно риск и возможность. Риск: GigaChat не знает о вас. Возможность: если создадите системный контент по теме раньше конкурентов, получите фору при следующем обновлении модели.

GigaChat — это не угроза и не магический канал продаж. Это ещё одна точка присутствия в голове у потенциального клиента. Чем раньше начнёте работать с ней осознанно, тем меньше придётся догонять потом.

🪟 Производитель окон и цифры вместо эпитетов: как один файл изменил трафик

Есть проекты, после которых понимаешь: проблема была не в продукте и не в сайте. Проблема была в языке. В том, что компания говорила о себе словами, а не фактами.

Вот один такой разбор. Производитель пластиковых окон из Поволжья. Работают с 2011 года, покрывают три региона, монтаж собственными бригадами. По меркам рынка — крепкий средний игрок. Сайт сделан нормально: есть каталог, страница «О нас», отзывы. Контекстная реклама давала 30–40 заявок в месяц при бюджете около 80 тысяч рублей.

Пришли с запросом «хотим органику». Но когда я посмотрел на их контент, стало понятно: проблема не в органике. Проблема в том, что ИИ их просто не видит.

Что было на сайте

Страница «О компании» начиналась так: «Мы производим качественные окна уже более 10 лет. Наша команда профессионалов заботится о каждом клиенте». Дальше — три иконки с текстом «надёжность», «скорость», «гарантия».

На вопрос «Чем отличается ваш монтаж?» менеджер отвечал устно за пять минут. Интересно, по делу, с конкретикой. Но этого не было нигде на сайте.

Я попробовал Perplexity: «Какие окна выбрать для частного дома в Самарской области?» Клиент не появился ни разу. Зато появились производители из Москвы и Питера с нормальными техническими статьями.

Что мы сделали — шаг за шагом

Первым делом попросил собрать реальную статистику по проектам за 2023–2024 годы. Не «у нас тысячи клиентов», а конкретно: сколько объектов, средние сроки монтажа, процент рекламаций, средняя площадь остекления на частный дом в их регионе.

Они дали данные: 214 объектов за 2024 год, средний монтаж — 1 день для квартиры до 4 окон, рекламации по вине монтажа — 2,3%, средняя площадь остекления частного дома — 22 кв. м.

Второй шаг — создали три страницы под конкретные вопросы. Не «окна для дома», а: «Сколько времени занимает установка окон в частном доме?», «Какой профиль выбрать для Поволжья с перепадами температур?», «Почему продувает после установки и как это проверить?».

Каждая страница начиналась с прямого ответа в первых 70 словах. Без «мы рады приветствовать». Сразу факт: «Монтаж 4 окон в квартире занимает 6–8 часов при одной бригаде из двух человек. По нашим данным за 2024 год — медианное время по 214 объектам составило 7 часов».

Третий шаг — добавили в Schema dateModified и явный @type Article с mainEntity под вопрос каждой страницы. Без этого ИИ воспринимает страницу как «просто текст» без контекста использования.

Результат через три месяца

Через 6 недель страница про продувание окон появилась в ответе Perplexity на запрос «почему продувает пластиковые окна после установки» — без прямой ссылки, но с воспроизведением формулировки про регулировку прижима фурнитуры по сезону.

Через 10 недель три страницы регулярно появлялись в ответах на региональные запросы в You.com и Perplexity.

К концу третьего месяца органический трафик на эти страницы вырос с 80 до 430 визитов в месяц. Заявок с органики стало 11 против нуля до этого. Не рекордные цифры — но при нулевом рекламном бюджете на эти страницы.

В чём был настоящий сдвиг

Не в технике. Не в Schema и не в заголовках. Сдвиг произошёл, когда клиент перестал писать про себя и начал отвечать на вопросы покупателей — с цифрами, датами и конкретикой из собственной практики.

ИИ не интересует, что вы «профессионалы с опытом». Ему нужен факт, который можно вставить в ответ без правки. «7 часов по медиане на 214 объектах в 2024 году» — это факт. «Мы работаем быстро» — это шум.

У большинства производственных компаний в регионах эти данные есть. Они живут в голове у менеджеров и в таблицах Excel. Вытащить их наружу — это и есть первый шаг в GEO.

5 признаков, что ваш контент «мёртв» для ИИ 💀

Каждую неделю ко мне приходят с одним и тем же: «Сергей, мы пишем, публикуем, всё по правилам — а в ChatGPT и YandexGPT нас нет». Начинаем разбирать — и почти всегда обнаруживаю одно и то же. Контент технически существует, но для генеративных движков он мёртв. Не потому что плохой. А потому что написан не для того, кто его теперь читает первым.

Вот пять признаков, по которым я это определяю за несколько минут.

1. Вы пишете «обтекаемо» — и ИИ вас не слышит

«Как правило», «в большинстве случаев», «многие эксперты считают» — это убийцы цитируемости. Генеративная модель ищет утверждение, которое можно воспроизвести без искажений. Если вы пишете «возможно, стоит попробовать», она просто пройдёт мимо.

Проверьте любой ключевой абзац: есть ли там хотя бы одно чёткое утверждение в форме «Х — это Y» или «делаем Z, потому что A»? Если нет — ИИ возьмёт ответ у того, кто такое утверждение дал.

2. Структура есть, но она для человека, а не для агента 🔍

Заголовки H2, красивые подзаголовки, логичные разделы — всё это хорошо для читателя. Но если внутри каждого раздела четыре абзаца рассуждений перед выводом, агент этот раздел пропустит. Он ищет фрагмент, где суть, доказательство и вывод упакованы в один-два абзаца, а не размазаны по странице.

Я называю это «плотностью смысла на абзац». У конкурентного контента она высокая. У типичного корпоративного текста — почти нулевая.

3. Нет данных, которые можно проверить

Многие боятся называть конкретные цифры — вдруг устареют, вдруг конкурент придерётся. В итоге текст выходит стерильный: без дат, без показателей, без привязки к реальности. А ИИ обучен на паре «утверждение + подтверждение». Если подтверждения нет — утверждение не берётся в ответ.

Даже внутренний кейс с реальными числами работает лучше, чем красиво написанный текст без единой цифры. Не нужно раскрывать коммерческую тайну. Достаточно: «три месяца, плюс сорок процентов упоминаний, B2B-сегмент».

4. Автора нет — или он существует только формально

Строчка «Автор: Редакция» — это не автор. Отсутствие верифицируемого эксперта за текстом — один из самых быстрых способов выпасть из генеративной выдачи. Особенно в нишах с высоким доверительным порогом: финансы, медицина, юриспруденция, образование.

Имя, должность, ссылка на профиль — это не бюрократия. Это сигнал, что за словами стоит человек, который отвечает за их точность.

5. Контент обновлялся последний раз «когда-то» ⏱

Пожалуй, самый недооценённый признак. ИИ-модели при работе с поисковым контекстом предпочитают свежие источники. Статья двухлетней давности без единого обновления воспринимается как устаревшая — даже если информация в ней по-прежнему верна.

Я регулярно вижу, как после обновления даты и добавления одного актуального абзаца страница снова появляется в ответах. Не потому что алгоритм «обманули» — а потому что дали ему сигнал: этот источник живой.

Что с этим делать прямо сейчас

Возьмите пять самых важных страниц сайта. Проверьте каждую по этим признакам. Скорее всего, найдёте как минимум три из них на каждой странице. Это не катастрофа — это точки роста.

Генеративный поиск — не магия и не лотерея. Это среда с понятными правилами, которые просто сильно отличаются от тех, к которым мы привыкли. Контент, написанный «для людей и Google», нередко оказывается невидимым для модели. И наоборот: короткий, плотный, структурированный текст без единой «красивости» — цитируется стабильно.

Хотите проверить свой контент — пишите в личку. Разберём без продаж.

GEO для локального бизнеса: с чего начать и куда двигаться 📍

Локальный бизнес — кафе, автосервис, стоматология, частная школа — долго оставался в стороне от разговоров про GEO. Казалось, это история про крупные бренды и медиа. Но именно локальный запрос сейчас чаще всего уходит в ИИ-поиск. «Где починить машину рядом», «стоматолог в Химках недорого», «кафе с детским меню в центре» — всё это уже обрабатывается нейросетями, которые выдают готовый ответ. И если вас там нет, человек просто идёт к тому, кто есть.

Расскажу, как я подхожу к GEO-продвижению для локальных проектов — от первых шагов до системной работы.

Сначала — цифровая карточка, потом контент

Для локального бизнеса отправная точка — карточки в геосервисах. Яндекс Карты, 2ГИС, Google Business Profile. Нейросети, особенно Алиса и YandexGPT, активно тянут данные именно оттуда. Если карточка не заполнена — нет описания, нет категорий, нет актуального расписания — шансов попасть в локальный AI-ответ почти нет.

Я всегда начинаю с аудита карточек. Проверяю, совпадают ли название, адрес и телефон на сайте, в карточках и в упоминаниях в сети. Это называется NAP-консистентность. Для нейросети, которая сверяет разные источники, расхождение в адресе — сигнал недоверия. Мелочь, которая дорого стоит.

Что писать на сайте, если бизнес локальный

Типичная ошибка — сайт написан так, будто компания работает на весь мир. «Профессиональный подход», «индивидуальные решения», «высокое качество». ИИ такое не цитирует. Ему нужна конкретика с географической привязкой.

Вот как это выглядит на практике. Не «ремонт автомобилей», а «ремонт АКПП в Люберцах — принимаем без записи, срок диагностики 1 час». Не «детская стоматология», а «лечение зубов детям от 3 лет в Красногорске, работаем по субботам». Адрес, район, конкретная услуга, конкретный параметр — вот структура, которую нейросеть вычленяет и кладёт в ответ.

Отдельно — страницы под конкретные запросы. Если у вас автосервис и вы занимаетесь и ходовой, и кузовом, и электрикой — не прячьте всё на одну страницу «Услуги». Сделайте отдельный блок под каждое направление: заголовок-вопрос, цены или диапазоны, сроки. Это работает и для классического поиска, и для GEO.

Отзывы — это не репутация, это контент для ИИ 🗣

Отзывы на Яндекс Картах и 2ГИС влияют на то, как нейросеть характеризует ваш бизнес. Если люди пишут «быстро сделали», «честно объяснили проблему», «удобно добираться» — эти слова с высокой вероятностью войдут в AI-описание. Если отзывов мало или они общие — модель просто не знает, что о вас сказать.

Я рекомендую выстроить простой процесс сбора отзывов: напоминание после визита, прямая ссылка на карточку, минимум усилий со стороны клиента. Не нужно просить писать развёрнутый текст — достаточно честного отзыва в два-три предложения. Со временем это формирует устойчивый контекст вокруг вашего бренда в нейросети.

Как проверить, что вы движетесь в нужную сторону

Конкретный способ, который я использую: открываю YandexGPT или Алису и задаю запрос так, как его формулирует реальный клиент. «Где пройти техосмотр в Мытищах», «детская стоматология без очереди в Одинцово». Смотрю, кто в ответе. Если там конкуренты — иду на их сайт и карточки, смотрю, чем они отличаются. Обычно видно сразу: конкретные описания, живые отзывы, заполненные карточки.

Дальше — точечные правки. Не переписывать сайт целиком, а улучшить три-пять ключевых точек: заголовок главной, описание основной услуги, карточку в геосервисе. Проверить через две-три недели.

Локальный GEO — это не высокая наука. Это дисциплина: актуальные данные везде, конкретный текст на сайте, живые отзывы. Кто сделает это аккуратно раньше конкурентов — окажется в ответах нейросети первым.

Нулевой клик: почему первое место в Google перестало что-то значить 🔍

Несколько лет назад главная задача в SEO звучала просто: попасть в топ-1. Всё, ты выиграл. Трафик идёт, лиды падают, жизнь прекрасна. Сейчас эта логика работает всё хуже. Я вижу это на живых проектах: сайт стоит на первой позиции по нужному запросу, а органика не растёт. Потому что над ним — блок с ответом от AI. И пользователь просто не кликает. Получил, что хотел, и пошёл дальше.

Это и есть нулевой клик. Не баг, не временная история. Это новая реальность поиска.

Что происходит с трафиком

Google последовательно добавляет элементы, которые удерживают пользователя прямо на странице выдачи. Сначала это были Featured Snippets. Потом Knowledge Graph, People Also Ask, карты, калькуляторы. Теперь — AI Overviews. Яндекс делает то же самое через нейросетевые ответы в колдунщиках. Перплексити вообще построен на этой идее: зачем куда-то переходить, если ответ уже здесь.

По разным оценкам, от 50 до 65 процентов поисковых сессий сейчас заканчиваются без единого перехода на сторонний сайт. По информационным запросам эта цифра ещё выше. Человек спрашивает «как удалить пятно с замши» — и получает пошаговую инструкцию прямо в выдаче. Ваш сайт с идеальной статьёй на эту тему просто не нужен в этой сессии.

И вот здесь многие делают ошибку: начинают искать способ «победить» нулевой клик. Его не победить. Нужно научиться в нём существовать.

Чем AEO отличается от SEO в этом контексте

SEO в классическом понимании — борьба за позицию. Ты стараешься быть первым в списке ссылок. AEO — это другое. Answer Engine Optimization — это борьба за то, чтобы твой ответ стал частью того самого блока, который убивает клик.

Звучит парадоксально. Но логика рабочая: если пользователь всё равно не перейдёт на сайт, лучше пусть нейросеть процитирует твой текст, назовёт твой бренд, использует твои данные. Это формирует узнаваемость и доверие даже без клика. А когда человеку понадобится что-то сложнее — подобрать подрядчика, сравнить продукты, купить — он уже будет знать, кто вы.

Нулевой клик на информационных запросах — это не потеря клиента. Это точка касания. Работать с ней нужно именно так.

Как адаптироваться на практике 🛠

На мой взгляд, здесь есть несколько рабочих направлений.

Первое — делить контент по типу запроса. Информационные запросы с высокой вероятностью нулевого клика — это ваша возможность засветиться в AI-ответе. Пишите их так, чтобы нейросети было удобно цитировать: чёткий вопрос в заголовке, прямой ответ в первых двух-трёх предложениях, структура без воды. Транзакционные запросы — другая история. Там пользователь хочет действия, и туда клик всё ещё идёт.

Второе — работать на упоминаемость, а не только на трафик. Это сдвиг в метриках. Спрашивайте у нейросетей, кого они рекомендуют в вашей нише. Если вас там нет — это сигнал, что контентная и ссылочная стратегия не работает на видимость в AI.

Третье — использовать нулевой клик как брендинговый инструмент. Если ChatGPT или Яндекс называет ваш бренд при ответе на вопрос из вашей темы, это дорого стоит. Даже без перехода.

Почему это важно прямо сейчас

Большинство компаний по-прежнему оценивают SEO через позиции и органический трафик. Это уже неполная картина. Если нейросеть отвечает на 60 процентов запросов вашей аудитории, не называя вас ни разу — вы теряете присутствие в голове потенциального клиента. Молча. Без предупреждения.

По моему опыту, осознание этого сдвига — самый сложный шаг. Не техническая настройка, не переписывание контента. Именно переключение логики: с «я хочу клик» на «я хочу быть частью ответа». Кто сделает этот шаг раньше конкурентов — тот и получит преимущество, пока остальные считают позиции в выдаче.

🤖 OAI-SearchBot пришёл. Ваш сайт к нему готов?

Несколько недель назад в логах серверов у разных владельцев сайтов начал массово появляться новый user-agent — OAI-SearchBot. Это краулер OpenAI, который собирает данные для ChatGPT Search. Не для обучения модели, а именно для поискового индекса. Прямо сейчас он ходит по вашему сайту. Вопрос только в том, что именно он оттуда забирает.

Параллельно рынок GEO наконец начал оформляться институционально. Агентства, которые раньше тихо экспериментировали с видимостью в ChatGPT и Perplexity, сейчас открыто продают это как услугу. Это важный сигнал: спрос стал достаточно устойчивым, чтобы на нём строить бизнес. Значит, те, кто откладывал эту тему «на потом», уже опаздывают.

Что краулеры ИИ-поисковиков ищут на сайте

OAI-SearchBot, Anthropic-AI, PerplexityBot — все они работают по схожей логике, но с одним принципиальным отличием от Googlebot. Классический поисковый бот ищет страницы для ранжирования. ИИ-краулер ищет фрагменты, пригодные для цитирования.

Это меняет всё. Для Googlebot важна страница целиком: метатеги, ссылочный профиль, поведенческие. Для OAI-SearchBot важен конкретный абзац или предложение — то, что можно вставить в ответ без потери смысла. Если у вас нет таких фрагментов, краулер уйдёт с пустыми руками. Сайт проиндексируют, но цитировать не будут.

Я проверял это на нескольких проектах. Страницы с размытыми формулировками вроде «мы предоставляем комплексные решения» в ответах ChatGPT Search не всплывают вообще. Страницы, где есть чёткое утверждение с конкретной цифрой или прямым ответом на вопрос, — появляются регулярно.

Технические настройки, которые нельзя игнорировать

Первое — robots.txt. Это базовый уровень. OAI-SearchBot по умолчанию уважает директивы, но только если вы их явно прописали. Если хотите, чтобы краулер индексировал сайт, убедитесь, что у вас нет случайного запрета через User-agent: *. Многие сайты блокируют всех ботов скопом — и потом удивляются, почему их нет в ИИ-выдаче.

Второе — скорость ответа сервера. ИИ-краулеры менее терпеливы, чем Googlebot. Если страница отдаётся дольше двух секунд, часть из них просто уходит дальше по очереди. Это не мои домыслы — это прослеживается по логам, когда видишь частичные обходы без полной загрузки контента.

Третье — структурированные данные. JSON-LD с разметкой Article, FAQPage, HowTo — это прямой сигнал для ИИ-краулера, что фрагмент предназначен для машинного считывания. Без разметки краулер угадывает структуру сам. Иногда угадывает правильно, чаще — нет.

Что переписать прямо сейчас

Есть несколько типов контента, которые ИИ-краулеры обходят стороной. Тексты без единого утвердительного тезиса — те, где каждое предложение начинается с «возможно» или «в зависимости от ситуации». Страницы, где главный ответ спрятан в середине третьего абзаца. Материалы без дат — краулер не понимает, актуальна ли информация.

Мой рабочий подход сейчас такой: беру ключевые посадочные страницы и прогоняю каждую через один вопрос — «есть ли здесь хотя бы одно предложение, которое ChatGPT может процитировать дословно, не теряя смысл?». Если нет — переписываю первый абзац. Именно первый, потому что краулер чаще всего берёт фрагмент оттуда.

Выводы краткие. OAI-SearchBot уже работает, рынок GEO уже оформился, а значит, разрыв между теми, кто готовит сайты к ИИ-индексации, и теми, кто этого не делает, будет только расти. Проверьте robots.txt, добавьте JSON-LD на ключевые страницы, перепишите размытые вводные абзацы. Это не большой проект — это несколько часов работы, которые дают ощутимый результат уже через две-три недели.

Цифровой след эксперта: почему ИИ вас не цитирует 🔍

Я замечаю одну закономерность снова и снова. Человек реально разбирается в теме — десять лет практики, живые кейсы, нормальный сайт. Но нейросеть его не цитирует. Зато цитирует какого-то блогера с тремя статьями на VC и активным Telegram-каналом. Это не случайность. Это логика того, как генеративные модели понимают, кто такой эксперт.

Они не читают резюме. Они читают след.

Что такое цифровой след в понимании ИИ

Когда нейросеть формирует ответ, она не смотрит в трудовую книжку. Она работает с тем, что доступно в индексируемом пространстве: тексты, упоминания, перекрёстные ссылки между площадками. По сути, она реконструирует вашу экспертность из открытых данных.

Цифровой след — это совокупность сигналов, которые позволяют модели уверенно сказать: вот человек, который разбирается в теме X. Сигналы бывают разного веса. Упоминание на авторитетной площадке весит больше, чем пост в личном блоге. Конкретная формулировка с цифрами весит больше, чем общее рассуждение. Несколько независимых источников об одном человеке весят больше, чем один большой материал.

Именно поэтому распыление работает лучше концентрации. Один идеальный лонгрид на собственном сайте проигрывает пяти нормальным текстам на разных площадках с перекрёстными упоминаниями.

Из чего след складывается на практике

Первый уровень — именной контент. Материалы, где ваше имя стоит рядом с конкретной темой. Не «автор статьи», а «Иван Петров, 12 лет в логистике, объясняет, почему срок хранения товара влияет на маржу». Чем плотнее связь имени и темы, тем чаще модель тянет вас как источник.

Второй — внешние упоминания. Когда о вас пишут другие без вашего участия — это самый сильный сигнал. Комментарий для издания, интервью, экспертная цитата в чужой статье. Модель воспринимает это как стороннее подтверждение — важно не только то, что вы написали, но и кто на вас ссылается.

Третий — структурированные данные о вас. Профиль на профессиональных платформах, конкретный About на сайте, schema-разметка типа Person. Это помогает моделям связать имя, специализацию и площадку в единый узел.

Четвёртый — регулярность. Разовая активность след не создаёт. Создаёт его накопленный массив: когда человек системно присутствует в теме на протяжении времени.

Где люди теряют след, не замечая этого 📉

Первая ошибка — анонимный контент. Статьи без подписи, материалы под названием компании. У компании нет биографии и истории ошибок. У человека — есть. Модели это чувствуют.

Вторая — разрыв между площадками. Вы эксперт по одной теме, но на Habr пишете про технологии, в Telegram — про маркетинг, на сайте — про услуги. Модель не склеивает эти три образа в одного человека. Для неё это три разных автора с размытой специализацией.

Третья — отсутствие цитируемых формулировок. Текст может быть глубоким, но если в нём нет ни одного фрагмента, который можно взять и вставить в ответ, след есть, а цитирования нет. Конкретная фраза с позицией, цифрой или нестандартным углом — это то, что модель способна воспроизвести. Рассуждения «в целом» — нет.

Что с этим делать

Начать стоит с аудита собственного следа. Введите своё имя и специализацию в несколько нейросетей с поиском. Посмотрите, что они говорят. Если вас нет — у вас нет следа, даже если вы известны в профессиональной тусовке офлайн.

Дальше — выбрать две-три площадки и создавать именной контент с конкретными формулировками. Не «полезные советы», а «вот что я делаю в таких ситуациях и почему». Имя, тема, конкретика — минимальная единица следа.

Цифровой след не строится за месяц. Но он строится — если делать это осознанно.

Как строительная компания вышла в ответы нейросетей через FAQ на языке клиента 🏗️

Примерно год назад ко мне обратилась небольшая строительная компания из Поволжья. Частные дома под ключ — каркасники, газобетон, иногда брус. Типичный региональный подрядчик с сайтом-визиткой и парой страниц услуг.

Проблема распространённая: когда потенциальный клиент спрашивал у Яндекс Нейро «сколько стоит построить дом из газобетона в Поволжье» или «что выгоднее — каркасник или газобетон» — компании в ответах просто не было. Конкуренты с развитыми сайтами появлялись, а они нет.

Что мы обнаружили в начале

Первым делом я попросил владельца показать, как они описывают свои услуги. Типичная картина: «строительство домов из газобетона под ключ», «доступные цены», «качество гарантируем». Никакой конкретики. И главное — ни одного ответа на вопрос, который реально задаёт живой человек перед звонком строителям.

Я прогнал несколько десятков запросов через Яндекс Нейро и ChatGPT. Выяснилось, что люди спрашивают иначе, чем компании пишут о себе. Не «строительство домов под ключ», а «можно ли строить каркасник зимой», «сколько времени занимает усадка газобетонного дома», «чем отличается тёплый контур от полной отделки». Вопросы реального покупателя на этапе принятия решения. И на них не было ответа нигде на сайте.

Что мы сделали по шагам

Сначала собрали пул вопросов — около 40 штук. Не из головы, а из реальных диалогов. Попросили менеджеров записать всё, что спрашивают при первом звонке и на замере. Две недели — и готов живой список: «входит ли фундамент в стоимость», «какой дом теплее — каркасник или газобетон», «даёте ли гарантию на кровлю», «можно ли начать стройку без готового проекта».

Потом разбили эти вопросы на кластеры: по этапам строительства, по материалам, по срокам и бюджету, по документам и гарантиям. Шесть смысловых блоков.

Под каждый блок написали страницу в формате FAQ — не сплошной текст, а именно вопрос-ответ. Каждый ответ короткий: 4–6 предложений, конкретные цифры там, где они есть. Например: «Усадка газобетонного дома занимает от 6 до 12 месяцев — в зависимости от марки блока и климата. Поэтому чистовую отделку мы рекомендуем начинать не раньше чем через полгода после возведения коробки.»

Важный момент: мы не переписывали весь сайт. Тронули только страницы FAQ и добавили раздел «Вопрос-ответ» к каждой услуге. Никакой глобальной редизайн-истории.

Результат через три месяца 📈

Примерно через шесть недель компания начала появляться в ответах Яндекс Нейро — сначала на узкие запросы с чёткой цифрой, потом всё чаще.

К концу третьего месяца органический трафик на раздел FAQ вырос примерно в 2,8 раза. Входящих звонков с сайта стало больше на 30–35% — это данные из CRM. Конверсия в замер не изменилась, зато изменилось качество лидов: люди приходили подготовленные, знали базовые термины. Один из менеджеров сказал, что звонки стали «умнее». Это не метрика, но показательно.

Почему это работает именно так

Нейросеть ищет не страницу с ключевым словом — она ищет готовый ответ на конкретный вопрос. Когда текст написан в формате «вопрос — чёткий ответ с деталью», модель буквально вырезает этот блок и вставляет в свой ответ пользователю. Это и есть цитируемость.

Большинство строительных сайтов написаны на языке продавца: «надёжно», «под ключ», «индивидуальный подход». Покупатель думает иначе: «успеем до зимы», «не вылезем за бюджет», «не обманут». Разрыв между этими двумя языками — и есть та дыра, через которую уходят клиенты к конкурентам.

FAQ на языке клиента эту дыру закрывает. Причём одновременно работает и на нейросети, и на живого человека, который просто читает сайт. Редкий случай, когда одно решение даёт два результата без компромисса.

Schema.org для GEO: разметка, которая реально работает 🗂️

Меня часто спрашивают, стоит ли возиться со Schema.org, если основная цель — попасть в ответы ИИ, а не в стандартную выдачу. Отвечаю честно: стоит. Это один из немногих инструментов, где у вас есть прямой способ передать машине структурированный сигнал о том, что именно представляет собой ваш контент.

Принцип простой. Когда ИИ собирает ответ, он берёт не просто «слова на странице», а смысловые блоки — и Schema.org помогает обозначить, где у вас организация, где продукт, где отзыв, где автор. Не магия, а структура.

Какие типы разметки работают для GEO

Не все схемы одинаково полезны. Вот те, с которыми я работаю в первую очередь.

FAQPage — пожалуй, самый прямолинейный вариант. Вопрос-ответ — это буквально то, чем является генеративный поиск. Когда блок с частыми вопросами размечен правильно, модели видят готовую пару «вопрос — ответ» и могут использовать её напрямую.

Article и BlogPosting нужны, чтобы обозначить автора, дату и тему. Это прямо влияет на E-E-A-T: когда у статьи есть конкретный автор с именем и ссылкой на профиль, модели лучше понимают, что источник — живой человек с экспертизой, а не безликая страница.

HowTo отлично подходит для пошаговых инструкций. Разметка превращает описание процесса в структурированный набор шагов, который гораздо проще цитировать.

Product и Review важны для коммерческих сайтов. Когда пользователь спрашивает ИИ «что лучше купить», тот собирает ответ из источников, где есть конкретные характеристики и рейтинги. Без разметки ваши карточки — просто текст.

Organization и LocalBusiness помогают закрепить базовую идентичность: название, адрес, сфера деятельности. Прямой цитаты не даёт, но формирует у модели понимание того, кто вы такой.

Как делать разметку правильно 🔧

Первое, что я проверяю — соответствие разметки реальному содержимому страницы. Звучит очевидно, но на практике встречается постоянно: в разметке одни данные, на странице другие. Модели это замечают, и доверие к источнику падает.

Второе: не надо накидывать все возможные схемы на одну страницу. Если у вас статья-инструкция, используйте Article плюс HowTo, при необходимости добавьте FAQPage. Пять разных типов в надежде, что «больше — лучше», не работает.

Третье: заполняйте схему полностью. Половинчатая разметка — когда поле author есть, но пустое, или datePublished стоит с неверной датой — хуже, чем её отсутствие. Для проверки я использую Rich Results Test от Google и Schema Markup Validator: они показывают ошибки до публикации.

Мой рабочий чек-лист по Schema.org 📋

Перед тем как закрыть задачу по странице, прохожусь по следующему:

Есть ли разметка Article или BlogPosting с заполненными author и datePublished. Если на странице есть FAQ — размечен ли он FAQPage. Если это инструкция — стоит ли HowTo. Для коммерческих страниц — заполнены ли Product и AggregateRating. Нет ли противоречий между разметкой и текстом. Прошла ли страница проверку в валидаторе без критических ошибок.

Разметка не гарантирует попадания в ответ ИИ — такой гарантии не даёт ничто. Но она снижает неопределённость. Когда контент структурирован и явно описывает сам себя, у модели меньше работы по «угадыванию» смысла. А чем меньше неопределённости, тем выше шанс, что именно ваш фрагмент окажется в ответе.

Есть ещё один момент, который я ценю в Schema.org отдельно от GEO: это дисциплина. Когда садишься размечать страницу, вынужден чётко ответить — что именно здесь написано, кто автор, на какой вопрос отвечает материал. Это само по себе делает контент осмысленнее.

Schema.org не заменяет качественный контент. Но если материал хороший, правильная разметка — это способ помочь ИИ его увидеть и правильно интерпретировать.

10 фраз, которые убивают доверие ИИ к тексту 🤖

Есть вещи, которые кажутся безобидными, когда пишешь для людей. Но для генеративных моделей — это красные флаги. Работая с текстами, которые не попадают в нейроответы, я раз за разом вижу одни и те же конструкции. Собрал их в список — с объяснением, почему именно это не работает.

Пустые превосходные степени

«Лучший», «уникальный», «непревзойдённый», «революционный» — модели плохо работают с такими словами, потому что не могут их верифицировать. ИИ не знает, лучший ли вы по сравнению с кем. Нет точки отсчёта — нет доверия.

Если хочешь сказать, что продукт хорош, покажи цифру или факт. Не «лучший сервис», а «среднее время ответа — 4 минуты». Не «уникальная методология», а «методология, разработанная на основе 200 клиентских кейсов». Разница для алгоритма колоссальная.

«Мы заботимся о каждом клиенте» — такая же история. Декларация без подтверждения. Для алгоритма это шум.

Размытые ссылки на экспертизу

«По мнению экспертов», «специалисты рекомендуют», «исследования показывают» — три фразы, которые выглядят как аргумент, но аргументом не являются. Эксперты — какие? Исследования — чьи? Генеративные модели работают с конкретными источниками. Анонимная экспертиза для них не существует.

То же касается «многие клиенты говорят» и «все давно знают». Всё, что нельзя проверить, ИИ либо игнорирует, либо не цитирует.

«Давно доказано, что...» — отдельная ловушка. Без года, без источника это выглядит как попытка добавить веса пустой фразе. Замена простая: назови конкретное исследование или автора. Если источника нет — честнее написать «по моему опыту» или «на практике это выглядит так».

Клише про изменения и тренды 📉

«Мир меняется с каждым днём», «мы живём в эпоху перемен», «технологии развиваются с невероятной скоростью». Я встречаю эти конструкции в каждом третьем тексте, который приносят на разбор.

Для людей они работают как вступление. Но ИИ ищет утверждения с информационной ценностью. Фраза «мир меняется» справедлива для любого текста, написанного с 1900 года по сей день. Алгоритм понимает это лучше, чем кажется.

Близко к этому — «как никогда раньше». «Спрос на контент растёт как никогда раньше» — что именно это значит? На сколько? Без ответа фраза не несёт информации. Числовой ориентир или временной контекст сразу переводят предложение в другую категорию.

Пассивные конструкции без субъекта

«Было принято решение», «является важным», «должно быть отмечено» — классический канцелярит. Здесь нет того, кто действует. Генеративные модели хорошо извлекают информацию, когда понятно: кто, что, когда, почему.

«Следует учитывать», «необходимо понимать» — из той же серии. Кому следует? Простая замена: «Если вы запускаете рекламу на холодную аудиторию, учитывайте...» — сразу появляется адресат и контекст. Конкретика работает лучше абстракции.

Что с этим делать 🛠

Я не предлагаю выжечь все эти фразы из языка — в живой речи они уместны. Но если цель — попасть в нейроответ, логика другая.

Каждое утверждение должно быть либо проверяемым, либо явно помеченным как мнение. «Я считаю, что...» — это честная позиция, с которой ИИ умеет работать. «Все знают, что...» — нет.

Правило, которое я использую сам: если убрать прилагательное или вводную конструкцию и смысл не изменится — убираю. «Уникальный подход к разработке» и «подход к разработке» — одно и то же, пока не доказано обратное.

Тексты, которые попадают в цитирование, выглядят скучнее маркетинговых. Зато в них есть факты, структура и субъект. Именно это и нужно модели, чтобы решить: процитировать вас или взять ответ у кого-то другого.

Prompt-аудит: что это такое и зачем вашему бизнесу это знать 🔍

Термин появился тихо, без пресс-релизов. Но я всё чаще слышу его от клиентов, которые начали серьёзно работать с ИИ-инструментами — и столкнулись с тем, что результаты расходятся с ожиданиями. Иногда сильно.

Попробую объяснить, что это такое и где оно реально работает.

Что такое prompt-аудит

Это анализ того, как бизнес формулирует запросы к языковым моделям — и насколько эти запросы соответствуют тому, что хочется получить на выходе.

Звучит просто, но суть глубже. Большинство компаний внедряют ИИ-инструменты стихийно. Каждый сотрудник пишет промпты как умеет. Один получает нормальный текст, другой — мусор. Итог: ощущение, что «ИИ не работает», хотя проблема не в модели.

Prompt-аудит — это диагностика этого хаоса. Смотришь, что люди спрашивают у модели, в каком формате, с каким контекстом. И видишь, где теряется смысл.

Но есть и другое измерение — то, которое ближе к GEO. Аудит промптов можно применять не только к внутренним процессам, но и к тому, как пользователи спрашивают о вашем продукте или нише у ИИ-систем. Что вбивают в ChatGPT, Perplexity, YandexGPT — и что в ответ получают. Это уже разведка: где вас нет, где вы есть, и почему выдача выглядит именно так.

Где это пересекается с GEO

Я давно говорю, что GEO — это не про «оптимизацию под роботов». Это про понимание того, как ИИ-системы интерпретируют запросы и какие источники берут в ответ.

Prompt-аудит в этом контексте — систематический способ проверить, как выглядит ваша ниша в глазах языковой модели. Берёте 20–30 реальных запросов вашей аудитории, задаёте их в нескольких формулировках, смотрите, кого называют, кого игнорируют, какие формулировки вытаскивают ваш контент, а какие — нет.

Это не магия. Это методичная работа. Но она даёт то, чего не даёт никакой другой инструмент: понимание семантики запросов с точки зрения ИИ, а не классического поискового индекса.

На практике я видел ситуации, когда компания присутствовала в топе Google, но при любых запросах в ChatGPT её не было вообще. Дело было не в качестве контента — дело было в том, что контент не закрывал сценарии, которые реально интересуют пользователей. Он отвечал на запросы, которые компания придумала, а не на те, которые люди задают. 🎯

Что конкретно смотрят при аудите

Если хотите провести это самостоятельно — вот базовая логика.

Первое: соберите реальные пользовательские вопросы. Не ключевые слова, а именно вопросы — так, как их формулирует живой человек. «Что лучше выбрать для X?», «Как отличить Y от Z?», «Стоит ли обращаться в компанию N?»

Второе: прогоните их через несколько ИИ-систем. Смотрите, кого называют в ответах, какие источники цитируются, есть ли вы там.

Третье: сравните с тем, что есть на сайте. Не структуру страниц — а смыслы. Отвечаете ли вы на эти вопросы вообще? Достаточно ли конкретно? Есть ли данные, которые модель могла бы взять как факт?

Четвёртое: зафиксируйте разрывы. Это и есть основа для дальнейшей работы — контентной, структурной, репутационной.

Зачем это бизнесу, если SEO ещё работает

Потому что аудитория уже меняет поведение. Люди не гуглят — они спрашивают. И если модель не знает о вашем продукте или знает его неточно, вы просто выпадаете из сценария принятия решения.

Prompt-аудит — это способ увидеть разрыв до того, как он стал очевидным по цифрам в аналитике. Профилактика, а не пожаротушение.

Тем, кто сейчас серьёзно занимается GEO, я бы рекомендовал делать его раз в квартал. Модели обновляются, индексы меняются — и то, что работало в январе, в апреле может давать другую картину. Это не паранойя, это гигиена работы с новым каналом. 📊

Как ветклиника из региона обошла сетевого гиганта в Яндекс Нейро 🐾

Этот кейс я долго не хотел публиковать. Не потому что стыдно — наоборот. Просто боялся, что звучит неправдоподобно. Небольшая ветклиника в городе-миллионнике, без федерального бренда, без бюджета на контекст — и она начинает цитироваться в Яндекс Нейро чаще, чем сеть с несколькими точками по региону. Но это случилось. Разбираю по шагам.

С чего всё началось

Клиент пришёл с простой болью: органика падала третий квартал подряд, звонков с сайта становилось всё меньше. При этом спрос на ветуслуги в городе не падал — рос. Куда уходил трафик, было непонятно.

Я сделал простой тест: задал Яндекс Нейро около 30 запросов — «ветеринар в [город] отзывы», «где сделать УЗИ кошке», «лечение панкреатита у собак». В 27 из 30 случаев Нейро называл одного конкурента — крупную региональную сеть. Клиент не упоминался ни разу.

Когда залез на сайт конкурента, стало понятно: много страниц, старый авторитет домена. Но контент — типичная вода: «наши специалисты имеют большой опыт», «мы любим животных». Ни одной цифры, ни одного конкретного ответа на конкретный вопрос.

Что именно мы сделали

Первым делом — аудит структуры. Страниц было мало, Schema.org отсутствовала полностью, в текстах не было ни дат, ни имён врачей, ни конкретики. ИИ буквально не за что было зацепиться.

Начали с разметки: VeterinaryCare, MedicalClinic, FAQPage на ключевых страницах. Добавили dateModified на все материалы, прописали sameAs с профилями на 2ГИС и Яндекс Картах. Это заняло около недели.

Параллельно переписали карточки услуг. Вместо «кастрация кошек — безопасно и профессионально» появилось: «Кастрация кота: операция длится 20–35 минут под общим наркозом, животное уходит домой в день процедуры. Реабилитация — 3–5 дней». Звучит прозаично, но именно такие фрагменты ИИ берёт в ответ без правки.

Дальше — экспертный контент. Написали 8 статей под конкретные вопросы: «как понять что у кошки болят зубы», «какие прививки нужны щенку в первый год», «что делать если собака съела шоколад». Каждая — структура «вопрос — прямой ответ — детали». Никаких вступлений про важное место животных в жизни людей. Сразу по делу.

Отдельно добавили страницу с врачами: имя, специализация, стаж, 2–3 предложения с конкретикой. ИИ очень любит проверяемый экспертный статус — прямой сигнал E-E-A-T.

Что получилось через 10 недель 📊

Прогнали те же 30 запросов. Клиника появилась в ответах Нейро по 19 из них — против нуля в начале. Конкурент сохранил присутствие по 22 запросам, но уже не монопольное: по 11 они цитировались вместе. По узким клиническим вопросам — «лечение отита у кошки», «диета после стерилизации» — клиника вышла вперёд.

Звонки с сайта выросли на 34%. Часть новых клиентов при первом контакте говорила что-то вроде «Яндекс посоветовал» или «нашли через поиск, там была подробная информация». Трафик из поиска вырос примерно на 28%, бюджет на рекламу не менялся.

Почему это сработало именно здесь

Ветеринарная ниша — почти идеальный полигон для GEO. Люди задают очень конкретные вопросы в момент стресса: животное заболело, нужен ответ прямо сейчас. Нейро любит точные ответы на точные вопросы, а не тексты про команду профессионалов.

Крупная сеть проигрывала не потому что плохой сайт. Её контент написан для людей, которые уже выбрали эту клинику. А контент для ИИ — это ответы на вопросы тех, кто ещё только выбирает.

Небольшой клинике оказалось проще: меньше страниц, быстрее переписали, быстрее получили результат. Это окно сейчас открыто во многих нишах — пока крупные игроки не перестроились.

🍽️ GEO для HoReCa: почему ресторан, отель или кофейня могут исчезнуть из рекомендаций нейросетей

Когда турист приезжает в незнакомый город, он всё реже открывает TripAdvisor или 2ГИС напрямую. Чаще спрашивает у ChatGPT или Алисы: «Где вкусно поесть стейк в центре Екатеринбурга?» или «Посоветуй уютный бутик-отель в Петербурге рядом с Эрмитажем». Нейросеть думает секунду — и выдаёт список. Кто в нём окажется, зависит не от размера рекламного бюджета.

HoReCa — это Hotel, Restaurant, Cafe. Отрасль, которая объединяет все заведения, где человек платит за еду, напитки или ночлег: рестораны, кафе, кофейни, бары, отели, хостелы. Одна из тех ниш, где GEO работает особенно остро: решения здесь эмоциональные и срочные. Человек не сравнивает варианты три недели — он хочет ответ прямо сейчас и доверяет тому, кого назвала нейросеть.

Что нейросеть ищет, когда рекомендует заведение

Ключевой момент, который часто упускают: нейросеть не ранжирует сайты как поисковик. Она синтезирует ответ из нескольких источников и называет те заведения, по которым у неё достаточно согласованных данных.

Ей нужно понять: что вы за место, для кого, чем отличаетесь. Если ваш сайт — красивая главная с размытыми фото и кнопкой «Забронировать», нейросеть просто не знает, что про вас сказать. Она выберет конкурента, у которого есть конкретика: описание кухни, атмосферы, подходящих поводов, режима работы. Именно поэтому заведения с живым структурированным контентом попадают в ответы — даже если их сайт скромнее и моложе.

Три точки, где HoReCa теряет видимость

Первая — отсутствие ответов на реальные вопросы. Люди спрашивают: «Где в Москве отметить день рождения компанией 10–15 человек?», «Есть ли в Сочи отели с завтраком прямо на берегу?». Если на сайте нет текста, который отвечает на такие запросы живым языком — вас не процитируют. Раздел «О нас» с историей основания тут не поможет.

Вторая — рассинхрон данных. Нейросети агрегируют информацию из нескольких источников: сайт, карточки на картах, отзывники, агрегаторы. Если часы работы на сайте одни, в Яндекс Картах другие, а в Google — третьи, для алгоритма это сигнал ненадёжности. Такое заведение попадает в ответ реже или не попадает вовсе.

Третья — отзывы без содержания. Нейросеть не просто смотрит на рейтинг — она читает текст и вытаскивает характеристики. Если у вас сотня отзывов «всё хорошо, советую», а у конкурента пятьдесят с деталями — «тихий зал, хорошее освещение, умеют готовить рибай средней прожарки» — конкурент окажется в ответе чаще. Нейросети есть что о нём сказать конкретного.

Что реально работает в GEO для отеля или ресторана

По моему опыту, самое эффективное — контент под конкретные сценарии. Не «ресторан итальянской кухни в Москве», а отдельные страницы под запросы: романтический ужин, корпоратив, семья с детьми, деловой обед, день рождения. Каждый сценарий — отдельный ответ на отдельный вопрос, который задают нейросети.

Для отелей работает так же. Страница «Для свадеб» или «Для командировочных» — это не просто маркетинг. Это структурированный сигнал: вот кому подходит это место и почему.

Отдельно — FAQ. «Есть ли парковка?», «Принимаете ли собак?», «Можно ли прийти без брони?» — добавьте это на сайт в формате вопрос-ответ, и вы дадите алгоритму готовые формулировки для цитирования.

Главный сдвиг, который стоит принять

В HoReCa долго побеждал тот, кто красивее выглядит. В генеративном поиске побеждает тот, кто понятнее объясняет. Нейросети не видят интерьер — они читают текст. Если в нём есть чёткий ответ на вопрос «почему стоит прийти именно к вам и именно для этого повода» — вы в рекомендациях. Если нет — вас там просто нет, как бы хорошо ни была настроена контекстная реклама.

🧠 Память диалоговых систем: почему ИИ помнит одно и забывает другое

Когда пользователь задаёт уточняющий вопрос в ChatGPT или в диалоговой Алисе — он ожидает, что система помнит предыдущую реплику. В рамках одной сессии так и есть. Но стоит закрыть вкладку — следующий разговор начинается с чистого листа.

Это не баг. Это архитектурное решение. И для тех, кто занимается GEO, понимание того, как устроена эта память, напрямую влияет на то, как строить контент.

Что такое контекстное окно и почему оно важно

Любая диалоговая модель работает с контекстным окном — это ограниченный объём текста, который модель «видит» в каждый момент. Туда входит история диалога, системный промпт и содержимое загруженных документов. Когда контекст переполняется, ранние реплики выпадают. Модель буквально перестаёт их «видеть».

Современные модели имеют окна от нескольких тысяч до сотен тысяч токенов — но поведение модели ухудшается по мере заполнения контекста. То, что было сказано в начале, удерживается хуже, чем последние реплики.

Для GEO это означает конкретную вещь. Если пользователь ведёт длинный исследовательский диалог — выбирает подрядчика, сравнивает решения — ваш контент, который модель «видела» в начале, к концу разговора ослабевает. Чтобы остаться в ответе, материал должен быть самодостаточным: его должно быть можно воспроизвести коротко и точно даже спустя несколько обменов репликами.

Три вида памяти: в чём разница

Когда говорят о памяти ИИ-систем, смешивают разные вещи. Я бы разделил их на три уровня.

Первый — контекстная память. Это то самое окно: живёт одну сессию, не сохраняется между разговорами. Именно с ней работает большинство пользователей.

Второй — долгосрочная память через хранилища. Функция, которую внедряют отдельные продукты: сохранённые заметки о пользователе, которые подгружаются при следующей сессии. По сути это внешняя база данных, которая притворяется памятью.

Третий — знания из обучения. То, что модель усвоила на огромных корпусах текста. Это принципиально другая «память» — не привязана к конкретному диалогу. И именно здесь GEO работает на длинную дистанцию: если ваш бренд или экспертиза достаточно представлены в открытом интернете, модель может воспроизвести их даже без поиска.

Что это значит для видимости в генеративном поиске

Когда Perplexity или Search Generative Experience собирают ответ, они не «помнят» вас из прошлых сессий. Они каждый раз заново ищут релевантные источники и загружают их в контекст. Каждый новый запрос — чистый лист.

Устойчивая видимость строится не на том, что вас «запомнили», а на том, что вас находят снова и снова — по каждому целевому запросу.

На практике отсюда вытекает несколько вещей. Контент должен быть модульным: короткие самодостаточные блоки, которые дают ответ без необходимости читать всю страницу. Модели не читают статью целиком — они вытаскивают фрагмент, который точнее всего закрывает вопрос. Если ключевой тезис спрятан в середине длинного текста, он с высокой вероятностью не попадёт в ответ.

Второй момент — повторяемость сигналов. Чем больше независимых источников упоминают ваш бренд или вашу позицию по теме, тем выше вероятность, что модель воспроизведёт её и без прямого поиска. Это работа с «памятью обучения», а не с контекстом. Долгосрочный актив, который не сбрасывается при закрытии вкладки.

Практический вывод 🎯

Диалоговые системы не помнят вас — они вас находят. Каждый раз заново. Отсюда стратегия: создавать контент, который легко находить, легко цитировать и легко воспроизводить коротко. Не один большой текст, а серия точных структурированных ответов на конкретные вопросы. Именно это оседает в генеративных ответах устойчиво, а не случайно.

🔍 Я проверил 50 спортивных магазинов — вот кто выигрывает в GEO и почему

Несколько месяцев назад ко мне обратился интернет-магазин спортивного оборудования — средний по размеру, работает в нескольких регионах. Жалоба стандартная: конкуренты появляются в ответах Яндекс Нейро и ChatGPT, а их нет. Я предложил начать с широкого аудита — не только их сайта, но и рынка в целом. Так получилось исследование по 50 магазинам из этой ниши.

Расскажу, что нашёл.

Как я строил аудит

Брал запросы, которые реально задают люди нейросетям: «какую беговую дорожку выбрать для дома», «сравнение гантелей и штанги для новичка», «что нужно для домашнего зала за разумные деньги». Смотрел, кто попадает в ответы, а кто нет. Потом заходил на сайты тех, кого цитируют, и тех, кого игнорируют, и сравнивал структуру, подачу контента и техническую основу.

По каждому сайту фиксировал: есть ли статейный раздел, как он устроен, насколько быстро после заголовка появляется суть, используются ли сравнения и списки, насколько чист HTML при отключённом JavaScript.

Что объединяет тех, кого цитируют

Из 50 магазинов стабильно попадали в ответы нейросетей около двенадцати. Там оказалась одна и та же картина.

Во-первых, живой контент с реальными сравнениями. Не «беговая дорожка — это удобно», а «модели до 40 000 рублей подходят для ходьбы и лёгкого бега, выше этой суммы появляется складная рама и нагрузка до 120 кг». ИИ цепляется именно за такие утверждения — они легко ложатся в ответ на конкретный вопрос.

Во-вторых, прозрачная структура материала. После каждого подзаголовка — сразу ответ, без разгона. Первые сто символов раздела содержат факт. Такие тексты явно писались с пониманием того, как их читают не только люди.

В-третьих, карточки товаров дополнены коротким абзацем «для кого подходит». Не SEO-описание, а живая рекомендация. Именно эти фрагменты нейросети вытаскивают в ответы на вопросы вроде «подойдёт ли велотренажёр пожилому человеку».

Что делают остальные 38 магазинов

Большинство либо вообще не ведут блог, либо публикуют тексты под старое SEO: плотность ключей высокая, смысла мало. Нейросети такой текст не цитируют — им нечего оттуда взять в ответ.

Ещё одна массовая проблема — контент живёт только в JavaScript. Я отключал скрипты на двадцати трёх сайтах из выборки: у четырнадцати статейный раздел при этом просто исчезал. Краулеры нейросетей видели пустую страницу.

Несколько магазинов делали хорошие обзоры, но хоронили ключевые выводы в середине длинного текста. Нейросеть сканирует начало раздела — если там вода, она идёт дальше.

Что сделали для клиента и что получилось

Начали с малого: взяли пятнадцать самых коммерчески важных категорий и переписали вводные абзацы в статьях — убрали разгон, поставили факт в первое предложение. Параллельно перевели статейный раздел на серверный рендеринг, чтобы контент отдавался в чистом HTML.

Потом добавили в карточки товаров блок «кому подойдёт» — два-три предложения без маркетинга, с конкретикой по весу, нагрузке, уровню подготовки.

Через три месяца магазин начал появляться в ответах Яндекс Нейро по запросам, которых там раньше не было вообще. Упоминаемость по целевым запросам выросла примерно с 4% до 31% — замеряли вручную по выборке из 80 запросов раз в две недели. Трафик из AI-каналов за этот период вырос на 40%, а конверсия с него оказалась выше, чем с обычного поиска: люди приходили уже с готовым намерением купить.

Главный вывод из всего этого аудита: в спортивной нише почти нет конкуренции за место в ответах ИИ. Большинство магазинов просто не думают об этом. Кто начнёт сейчас — займёт позиции без особого сопротивления.

Чем мерить свою видимость в ИИ: сравниваю инструменты мониторинга

Меня всё чаще спрашивают: «А как вообще понять, цитирует ли меня ChatGPT или Perplexity?». Вопрос закономерный. SEO-специалисты привыкли к чётким метрикам — позиции, трафик, клики. В GEO с этим пока сложнее. Инструменты есть, но каждый со своими ограничениями. Разберу, что реально работает, а что пока больше выглядит красиво, чем измеряет.

Ручная проверка — неудобно, но честно

Начну с очевидного. Самый доступный способ — вручную задавать запросы в ChatGPT, Perplexity, Gemini и смотреть, появляется ли ваш бренд, имя эксперта или сайт в ответах. Я сам так делаю регулярно — раз в неделю прохожусь по десятку целевых запросов.

Плюс очевидный: бесплатно и без посредников. Вы видите ровно то, что видит пользователь.

Минус тоже очевидный: не масштабируется. Если у вас 50 целевых запросов и четыре платформы — это уже 200 проверок руками. Плюс модели варьируют ответы даже на один и тот же запрос: сегодня упоминают, завтра нет.

Тем не менее ручную проверку я не стал бы списывать со счетов. Для небольшого проекта или для калибровки — это самый честный инструмент.

Специализированные GEO-трекеры 🔍

За последние полтора года появился ряд инструментов, заточенных именно под мониторинг упоминаний в генеративных ответах. Profound, Otterly, Rankscale и несколько других работают по схожему принципу: вы задаёте набор запросов, инструмент прогоняет их через ИИ-системы и фиксирует, упоминается ли ваш бренд, на какой позиции и с каким контекстом.

Что реально полезно — возможность сравнить себя с конкурентами. Вы видите не просто «нас упоминают», а «нас упоминают реже, чем вот этих ребят». Это уже рабочие данные, с которыми можно что-то делать.

Ограничения тоже есть. Большинство этих инструментов ориентированы на англоязычный рынок — русскоязычная семантика и Яндекс там либо не поддерживаются, либо поддерживаются формально. Адекватные тарифы начинаются от нескольких сотен долларов в месяц, что для небольшого бизнеса ощутимо. И главное: ни один трекер не даёт полной картины, потому что модели не раскрывают свои индексы и логику ранжирования.

Мониторинг через классические медиа-инструменты

Часть коллег адаптирует под GEO привычные сервисы типа Brand Analytics. Логика такая: если ИИ цитирует ваш сайт — источник будет виден в ссылках Perplexity или в веб-версии ChatGPT. Мониторинг ловит эти упоминания.

На практике это работает лишь частично. Perplexity действительно даёт ссылки на источники — их можно отследить через реферальный трафик в аналитике. Необычный прирост переходов с Perplexity или ChatGPT на конкретную страницу косвенно говорит о цитировании. Но большинство генеративных ответов источники не указывают вовсе — модель просто формулирует ответ, не ссылаясь ни на кого.

Что я использую сам и что советую 🛠

Честно: универсального решения нет. Мой рабочий подход сейчас — комбинация из трёх вещей.

Первое — ручная проверка по ключевым запросам раз в неделю. Небыстро, но даёт ощущение реальности.

Второе — реферальный трафик в GA4. Смотрю, что приходит с ChatGPT, Perplexity, Bing Copilot. Это не полная картина, но измеримый сигнал.

Третье — один GEO-трекер на небольшом наборе приоритетных запросов. Не пытаюсь охватить всё — выбираю 15–20 запросов, по которым хочу быть в ответах, и слежу именно за ними.

Рынок инструментов мониторинга GEO сейчас напоминает SEO-рынок в 2010-м: много стартапов, мало стандартов, метрики у всех разные. Это нормально для молодой дисциплины. Но это означает, что слепо доверять одному инструменту пока не стоит — перепроверяйте данные руками хотя бы иногда.

Reddit и Quora как источник упоминаний в ChatGPT: разбор кейса из B2B-консалтинга 🔍

Когда ко мне пришёл этот клиент, у него была типичная проблема: сайт приличный, кейсы есть, экспертиза настоящая — но в ответах ChatGPT и Perplexity его просто не существовало. Ниша — управленческий консалтинг для малого и среднего бизнеса, средний чек около 300 тысяч рублей. Клиенты перед покупкой спрашивали ИИ: «Кому доверить разработку стратегии для небольшой производственной компании?» — и получали в ответ имена, которых там не было.

Исходная ситуация

Мы проверили 30 целевых запросов в ChatGPT, Perplexity и частично в Gemini. Результат — ноль упоминаний бренда в прямых ответах, ноль цитирований экспертов. При этом сайт технически нормальный, robots.txt открыт для OAI-SearchBot. Проблема была в другом: компанию просто не обсуждали нигде, кроме её собственных страниц. А нейросети, когда готовят ответ, опираются на то, что говорят о бренде внешние площадки — форумы, сообщества, медиа. Собственный сайт в этой иерархии не на первом месте.

Reddit и Quora в этой логике работают как сигнал доверия. Когда на форуме живой человек рекомендует конкретную компанию с объяснением почему — модель воспринимает это принципиально иначе, чем коммерческий текст на лендинге.

Что делали — по шагам

Первые две недели ушли на аудит тематических веток. На Reddit нашли около 15 активных сабреддитов, где обсуждают стратегическое управление, операционку и рост небольших компаний. На Quora — порядка 40 вопросов, которые либо остались без нормального ответа, либо получили ответы общего характера без конкретики.

Дальше начали системную работу. Специалист компании — не агентство, а реальный сотрудник — отвечал на вопросы от своего имени: без рекламы, без ссылок в каждом сообщении, просто по делу. Если вопрос звучал как «как выстроить систему KPI для производственного отдела до 50 человек» — давался развёрнутый практический ответ на основе реального опыта. Бренд упоминался органично, только когда это уместно в контексте.

Параллельно сделали несколько длинных тредов-разборов — формат «мы проходили через это, вот что сработало». Такие посты набирают вес медленнее, но именно они потом цитируются моделями: в них есть структура, конкретные шаги и измеримый результат.

Что получилось через три месяца 📊

Через 90 дней картина изменилась заметно. Упоминания в прямых ответах ChatGPT по целевым запросам выросли с нуля до устойчивых 20–25% — примерно каждый четвёртый релевантный запрос стал давать ответ, где компания или её подход фигурировали явно. В Perplexity, который активнее ссылается на источники, бренд начал появляться в блоке citations.

Трафик с chatgpt.com в GA4 вырос с единичных сессий до 180–200 в месяц. Цифра небольшая, но конверсия в заявку у этих сессий оказалась 8–9% — против обычных 1,5–2% с органики. За квартал закрыли два новых контракта, которые клиенты прямо называли «нашли через ChatGPT».

Что это значит на практике

Главный вывод не про Reddit сам по себе. Reddit и Quora — это инфраструктура доверия для нейросетей. Модели обучены на открытых обсуждениях, и этот сигнал для них весомее корпоративного контента.

Но есть жёсткое условие: это должны быть настоящие ответы от реального человека с реальной экспертизой. Массовый спам и шаблонные комментарии со ссылками моментально считываются и аудиторией, и в конечном счёте моделями. Работает только искренняя помощь людям, которые задают вопросы. Это медленнее, чем хочется, зато устойчиво.

Если ваша компания сейчас невидима в ответах ИИ — проверьте сначала, обсуждают ли вас вообще за пределами вашего собственного сайта. Скорее всего, там и лежит причина.

Как провести GEO-аудит за 30 минут 🔍

Большинство компаний до сих пор не знают, как их описывают нейросети. Они следят за позициями в Яндексе, смотрят на трафик из Google, а ChatGPT и Яндекс Нейро тем временем тихо формируют у потенциальных клиентов картину про их бренд. Иногда точную. Иногда — нет.

GEO-аудит — это первый шаг, чтобы понять, где вы вообще находитесь. Хорошая новость: первичный аудит не требует дорогих инструментов. Достаточно браузера, блокнота и примерно получаса.

Шаг первый: проверяем, что говорят о вас нейросети

Открываете ChatGPT, Яндекс Нейро и GigaChat. По очереди задаёте несколько типов запросов.

Брендовые: «Расскажи о компании [название]», «Чем занимается [название]». Смотрите, упоминает ли вас модель вообще, совпадают ли факты с реальностью, нет ли галлюцинаций про адрес, услуги, партнёров.

Категорийные: «Лучшие [ваша ниша] в Москве», «Какой [продукт] выбрать в 2025 году». Попадаете ли вы в ответ или нейросеть называет только конкурентов?

Проблемные: запросы, с которыми ваш клиент приходит к поиску. «Как выбрать...», «Что делать, если...». Появляется ли ваш бренд или контент как источник ответа?

Всё записываете в таблицу с тремя колонками: запрос, упомянули или нет, что именно сказали. Это ваша отправная точка.

Шаг второй: оцениваем контент на цитируемость

Открываете пять-семь ключевых страниц — статьи, описания услуг, главную. Смотрите на них не глазами человека, а глазами модели. Три вопроса.

Есть ли конкретные факты? Цифры, даты, сроки, параметры. Если страница написана в духе «оказываем услуги высокого качества» — для нейросети она почти пустая.

Есть ли структура? Подзаголовки, списки, короткие абзацы. ИИ извлекает информацию блоками. Если текст — сплошной поток, модель не вытащит из него чёткий факт.

Есть ли FAQ или блок вопросов-ответов? Один из самых цитируемых форматов. Если его нет ни на одной странице — это сигнал.

По итогу этого шага видно, какой контент имеет шансы попасть в ответы, а какой нейросеть просто проигнорирует.

Шаг третий: проверяем техническую базу

Не глубокий технический аудит — только базовые вещи, которые напрямую влияют на то, как модели считывают сайт.

Есть ли Schema.org разметка? Минимум — Organization с названием, адресом, контактами. Хорошо — FAQPage на информационных страницах, Product или Service там, где описываете предложение. Проверить можно через валидатор структурированных данных Google за пару минут.

Есть ли файл llms.txt? Это аналог robots.txt для языковых моделей: подсказывает ИИ-краулерам, какие страницы важны. Пока использование не массовое, но для раннего GEO — хорошая заявка на внимание.

Насколько легко краулеру обойти сайт? Если контент спрятан за авторизацией, подгружается только через JavaScript или заблокирован в robots.txt — нейросеть его не увидит.

Что делать с результатами 📋

После трёх шагов у вас будет честная картина. Скорее всего, вы увидите одно из двух. Либо вас почти нет в ответах нейросетей — и тогда приоритет один: создавать цитируемый контент. Либо вы есть, но информация неточная — и тогда первая задача: дать моделям корректную фактуру, из которой они будут брать правильные данные.

По моему опыту, большинство компаний находятся в первой ситуации. Не потому что делают что-то не так. Просто ещё не начали делать это осознанно.

Тридцать минут — это не полноценный аудит, это диагностика. Но даже она даёт то, чего у большинства нет: понимание стартовой точки. А без неё невозможно двигаться вперёд.

Snippet bait: как писать так, чтобы ИИ тебя цитировал 🎯

Есть один приём, который в GEO-среде называют snippet bait. Дословно — «приманка для сниппета». Звучит немного манипулятивно, но на самом деле это просто способ писать контент так, чтобы ИИ мог вытащить из него готовый ответ и вставить в свой вывод.

Объясню, откуда вообще берётся эта логика.

Почему ИИ берёт одни фрагменты и игнорирует другие

Когда ChatGPT, Perplexity или YandexGPT отвечает на вопрос, он не пересказывает страницу целиком. Он ищет фрагмент, который максимально точно закрывает запрос — желательно компактный, самодостаточный, без необходимости читать контекст вокруг.

Думай об этом как о цитате на пресс-конференции. Журналист берёт не весь ваш монолог, а ту фразу, которая звучит как готовый тезис. Остальное — фон.

Именно поэтому плотный абзац на 400 слов с мыслью, зарытой в середину, ИИ почти никогда не цитирует. А чёткое определение в двух предложениях — берёт.

Что такое snippet bait на практике

Это не магический тег и не скрытый атрибут. Это структура текста, при которой каждый смысловой блок содержит законченный ответ на конкретный вопрос.

Признаки хорошего snippet bait:

— Блок начинается с ответа, а не с подводки. «Срок подачи возражения — 10 дней с момента получения решения» работает лучше, чем «Если вы хотите оспорить решение, то сначала стоит разобраться со сроками, которые…»

— Блок самодостаточен. Его можно вырвать из контекста — и он всё равно будет понятен.

— В нём есть конкретика: цифры, условия, порядок действий, чёткие определения. Не «быстро», а «за 2 рабочих дня». Не «обычно», а «в большинстве случаев по закону № 44-ФЗ».

— Объём — до 60–80 слов. Именно такие фрагменты чаще всего попадают в ответы систем с RAG-архитектурой.

Как это выглядит в реальном тексте

Возьмём простой пример. Допустим, у вас страница про рефинансирование ипотеки.

Плохой вариант: «Рефинансирование — это удобный инструмент, который позволяет снизить ставку и улучшить условия кредита. Многие наши клиенты уже воспользовались этой возможностью и остались довольны».

Хороший вариант: «Рефинансирование ипотеки — это оформление нового кредита для погашения старого, как правило, под более низкую ставку. Выгодно, если разница ставок от 1,5 процентных пункта и осталось более 3 лет до конца срока».

Второй вариант ИИ может процитировать дословно. Первый — нет. Там просто нечего взять.

Где внутри текста размещать такие блоки

Первые 60–100 слов страницы — самое важное место. ИИ смотрит на начало документа как на определение темы. Если там сразу есть ответ — отлично. Если там «Добро пожаловать на страницу нашего сервиса» — плохо.

Дальше работают подзаголовки в формате вопроса: «Как рассчитать срок окупаемости?», «Что входит в стоимость?». После каждого — короткий прямой ответ в первых двух предложениях. Потом можно раскрывать подробнее.

FAQ-блоки — отдельная история. Они буквально созданы для snippet bait: вопрос + ответ = готовый фрагмент для цитирования. Именно поэтому страницы с хорошо написанными FAQ попадают в ответы ИИ непропорционально часто.

Ещё один момент, который недооценивают: не пытайся упаковать в один блок сразу всё. Лучше три чётких snippet bait на странице, чем один большой абзац, в котором есть всё и сразу — но извлечь из него что-то конкретное невозможно. 🔍

Главный сдвиг в мышлении здесь такой: ты пишешь не текст для читателя, который прокручивает страницу. Ты пишешь источник, из которого машина будет собирать ответ. Это не значит писать хуже или суше — это значит писать точнее.