Анализ 1 200 AI Overviews, чтобы понять, какие фрагменты контента попадают в ответы AI (оригинал публикации исследования)

В последнее время много говорят о GEO, но было интересно разобраться на практике: что именно заставляет AI выбирать один фрагмент страницы, а другой игнорировать?

Была взята случайная выборка из 1 200 AI-ответов за последние две недели и сравнили три параметра:

🟣длину extractable passages;
🟣глубину контента;
🟣позиции страниц в традиционной выдаче Google.

Результат оказался интересным.

📌 Средняя длина фрагмента, который цитировался AI, составила 317 слов.
Это примерно в два раза меньше, чем типичный long-form материал.

Но сама длина не была определяющим фактором.
Некоторые фрагменты длиной всего 150 слов получали цитирования, потому что в них сразу содержалась вся необходимая информация без "воды".
Еще один важный фактор - структура.

Страницы, которые чаще попадали в AI-ответы, обычно имели:
🔹 понятные H2/H3;
🔹 короткие абзацы;
🔹 структурированную подачу;
🔹 информацию, которую легко быстро извлечь.

И здесь возникает интересный парадокс.

Очень глубокий и качественный материал может проигрывать просто потому, что его сложнее быстро "прочитать" модели.

А теперь самое интересное.
📊 71% страниц, которые находились в топ-10 Google, также попадали в AI Overviews.
Для страниц за пределами топ-10 этот показатель упал до 23%.
Это показывает достаточно сильную связь между традиционным SEO и AI visibility.
Но зависимость далеко не абсолютная.
Были и несколько случаев, когда страница занимала, например, 6 позицию в Google, но вообще не попадала в AI Overview.
Поэтому просто "быть в топе Google" уже недостаточно.

Главный сигнал - clarity
Самым стабильным фактором оказались не длина и даже не глубина контента.
Понятность.
Лучше всего работали фрагменты, в которых AI мог получить ответ на вопрос буквально за 1-2 предложения.

Получается, сегодня недостаточно просто создать большой экспертный материал.
Нужно сделать так, чтобы отдельные части этого материала можно было легко извлечь, понять и процитировать.


Текущий вывод:
Для AI важнее не то, сколько вы написали, а насколько легко из вашего материала получить точный ответ.
И, похоже, именно здесь проходит одна из ключевых границ между классическим SEO и GEO.

🔎 Как ChatGPT выбирает контент для ответа: 27 000 страниц под микроскопом

RESONEO провели reverse engineering ChatGPT Retrieval: 27 000 страниц, 58 000 извлеченных URL и 1 249 реальных ответов ChatGPT, собранных в июле 2026 года.

И цифры здесь действительно интересные:
📊 58 000 URL были извлечены ChatGPT
📊 7 600 были повышены до источников
📊 5 000 реально процитированы в тексте ответа
📊 Только 760 страниц модель фактически открыла и прочитала

То есть страница может попасть в retrieval, но модель в большинстве случаев работает не с ее полным содержимым.

Что реально видит ChatGPT?
В обычном retrieval результат часто представлен всего тремя элементами:
Title + URL + примерно 200 символов сниппета.

Для собственного индекса OpenAI:
🟣snippet ограничивается примерно 202 символами;
🟣в 83,6% случаев он содержит H1;
🟣в 77% случаев H1 находится прямо с первого символа;
🟣после H1 остается около 146 символов для основного текста;
🟣Meta Description при этом игнорируется.

Еще интереснее: первый alt у изображения может съесть около 50 символов этого ограниченного пространства.

А что с самим поиском?

Здесь важно понимать, что у ChatGPT есть разные режимы работы с поиском и рассуждением.

🟣Free Think - режим "Thinking" в бесплатной версии ChatGPT, где модель дополнительно анализирует запрос и ищет информацию.
🟣Paid Thinking - аналогичный режим для платных пользователей, но с более широким доступом к поиску и моделям.

RESONEO сравнили, какие источники ChatGPT использует в этих двух режимах. Под URL здесь понимаются найденные веб-страницы, которые система рассматривает как потенциальные источники ответа.

Free Think - в среднем 35,3 найденных URL на разговор:
🟣74,7% - из собственного поискового индекса OpenAI;
🟣3,1% - из Google;
🟣22,2% - через Oxylabs.

Paid Thinking - в среднем 35,1 найденных URL:
🟣24,7% - из индекса OpenAI;
🟣75,3% - из Google.

То есть разница очень существенная: бесплатный Thinking в исследовании в основном опирался на индекс OpenAI, а платный Thinking - на Google.

Поэтому один и тот же запрос в разных режимах ChatGPT может формировать ответ, опираясь на разные наборы веб-страниц.
Еще один показатель: обычный Free Instant давал в среднем 15,1 URL, а Free Think - уже 35,3 URL.

И еще один важный момент
OpenAI фактически использует два разных хранилища:
🟣Search index - короткий сниппет для поиска страницы.
🟣Read cache - полная страница, преобразованная в Markdown.
И они обновляются по-разному.

Исследователи обнаружили, что 13% сниппетов отставали от фактического crawl более чем на месяц.

А read cache может сохраняться несколько недель или даже месяцев.
Причем после открытия страницы одним пользователем ее копия может быть использована другим пользователем без нового обращения к сайту.

🟣🟣🟣Главный вывод для GEO

Оптимизировать нужно не только "всю статью".

Нужно контролировать тот небольшой фрагмент, который retrieval реально показывает модели.

Кстати о чанках и их ранжировании - я дал небольшой комментарий Евгению Гуменюку, можете почитать на украинском.

Title, H1, первые ~150 символов после H1, структура страницы и отсутствие лишнего контента перед H1 могут напрямую влиять на то, какую информацию ChatGPT получит о вашей странице еще до ее открытия.

И это уже совсем другой подход к GEO: оптимизация не только под ranking, а под retrieval → extraction → citation.
Полное исследование RESONEO (анг оригинал)
Как ChatGPT выбирает контент для ответа (подробный анализ на русском)