Представьте, что компания выбирает систему мониторинга температуры для нескольких складов. Специалисту нужно найти решение с автоматическими уведомлениями, интеграцией с ERP, автономным хранением измерений и возможностью централизованного контроля.

Ещё недавно процесс выглядел предсказуемо: открыть поисковик, изучить предложения поставщиков, скачать технические характеристики, сравнить условия и запросить коммерческие предложения.

Теперь тот же специалист может обратиться к AI-ассистенту:

«Подбери три системы мониторинга температуры для распределённой складской сети. Учти интеграцию с ERP, работу при потере интернета, стоимость внедрения и ограничения каждой системы. Сравни решения и предложи оптимальный вариант».

AI-система может разбить задачу на несколько поисковых запросов, найти документацию производителей, сопоставить характеристики и подготовить сравнительный ответ.

Окажется ли ваша компания среди рассмотренных вариантов?

Допустим, ваш продукт действительно подходит. Он конкурентоспособен, сайт работает быстро, а маркетинг регулярно публикует статьи. Но AI может не включить продукт в рекомендацию. Возможно, система не нашла нужную техническую страницу. Возможно, характеристики описаны слишком общими словами. Или у конкурентов оказались более полные руководства, сравнительные таблицы и проверяемые сведения об ограничениях.

В результате потенциальный покупатель может вообще не узнать о вашем предложении.

Это пока не универсальный сценарий: традиционный поиск, прямые обращения к поставщикам и личные рекомендации никуда не исчезли. Но там, где пользователь делегирует исследование рынка AI-системе, часть процесса выбора проходит ещё до первого посещения сайта.

Новая конкуренция начинается до посещения сайта

Классическое SEO помогает сделать страницу заметной в поисковой выдаче и получить переход. В AI-поиске между запросом и посещением сайта появляется ещё один этап: формирование ответа, в котором система может объединять сведения нескольких источников.

При этом обнаружение страницы, использование информации, упоминание бренда, атрибуция источника и рекомендация продукта — разные события.

Система может сослаться на документацию производителя, объясняя принцип работы датчиков, но предложить оборудование другой компании. Или назвать бренд в списке поставщиков на основании отраслевого обзора, не дав ссылки на официальный сайт.

Поэтому задача бизнеса сложнее, чем «добиться цитирования в ChatGPT». Нужно повысить вероятность того, что AI-система при решении релевантной задачи найдёт достоверные сведения о продукте, правильно соотнесёт их с требованиями пользователя и рассмотрит продукт как один из обоснованных вариантов.

В профессиональной среде для этой деятельности используются термины GEO (Generative Engine Optimization) и AEO (Answer Engine Optimization). Но за новыми названиями важно не потерять суть: речь не о секретном управлении нейросетью, а об улучшении доступности, релевантности и проверяемости информации.

От вопроса клиента — к нескольким поисковым задачам

У разных платформ собственные поисковые технологии, модели и правила отбора источников. Единого алгоритма для ChatGPT Search, Google AI Mode, Copilot, Perplexity и Алисы AI нет. Тем не менее полезно рассматривать процесс как цепочку: доступ к данным → поиск релевантных материалов → отбор и использование сведений → возможные цитирование и рекомендация → действие пользователя.

Google, например, официально описывает механизм query fan-out: система создаёт несколько связанных запросов, чтобы собрать информацию по исходной задаче [1]. Яндекс также сообщает, что Алиса AI может уточнять и расширять исходный запрос, обращаться к поиску и формировать ответ из найденных материалов [5].

Для выбора нашей складской системы AI может искать не только «мониторинг температуры», но и «автономное хранение измерений», «интеграция датчиков с ERP», «уведомления о превышении порога», «эксплуатация системы без интернета».

Один пользовательский вопрос охватывает несколько самостоятельных информационных потребностей. Если на сайте есть только страница «купить систему мониторинга по выгодной цене», её может оказаться недостаточно для содержательного сравнения.

Для маркетинга это означает переход от одиночных ключевых фраз к пользовательским сценариям: задачам клиента, ограничениям и критериям выбора. Для ИТ — необходимость обеспечить техническую доступность и актуальность информации, отвечающей на эти вопросы.

Первая задача ИТ: сделать сведения доступными для поиска

Начинать с массового выпуска «GEO-статей» странно, если существующие страницы недоступны поисковым системам.

Типичные проблемы хорошо известны: ошибки HTTP, случайный noindex, ограничения в robots.txt, некорректный canonical, закрытая документация, нарушенные внутренние ссылки, блокировки CDN или WAF. В веб-приложениях встречается и другая ситуация: человек видит полноценную страницу, а автоматизированный клиент получает почти пустой HTML, потому что основной текст появляется только после выполнения JavaScript.

Некоторые поисковые системы умеют обрабатывать JavaScript, но это не гарантирует, что любой поисковый робот или AI-агент увидит страницу одинаково хорошо.

Поэтому первый этап — аудит важных URL, а не переименование SEO-раздела в GEO. Нужно проверить HTTP-ответы, индексируемость, содержимое страницы, правила сканирования, серверные логи и фактические блокировки на уровне инфраструктуры.

Отдельно стоит разобраться в политике доступа AI-платформ. OpenAI различает OAI-SearchBot, используемый для поисковых функций ChatGPT, и GPTBot, связанный со сбором материалов, потенциально используемых для обучения моделей. Разрешения на их сканирование независимы [3]. Таким образом, публичный сайт можно сделать доступным для поиска, не давая одинаковые разрешения всем роботам.

Однако robots.txt не является защитой конфиденциальных данных: такие материалы требуют настоящего контроля доступа. Правила для роботов также не заменяют проверки WAF, который может блокировать легитимные обращения.

У Google есть дополнительный нюанс: для участия в генеративных функциях поиска страница должна быть индексируемой и пригодной для показа поискового фрагмента. Кроме того, Google внедряет в Search Console управление включением сайта в генеративные функции. По умолчанию участие разрешено, а сам элемент управления по состоянию на октябрь 2026 года развёртывается поэтапно [1, 10]. Если он доступен для вашего ресурса, стоит проверить, не установлено ли исключение.

И всё же техническая готовность означает только возможность участвовать в поиске. Она не гарантирует попадания в конкретный ответ.

Вторая задача: заменить рекламные обещания проверяемыми фактами

Предположим, техническая проверка пройдена. Следующий вопрос: достаточно ли на странице информации для выбора продукта?

Типичное описание: «Инновационная система обеспечивает высокую надёжность, гибкую интеграцию и бесперебойную работу в любых условиях».

Для рекламного сообщения формулировка привычна. Для технического сравнения — почти бесполезна.

Что означает «высокая надёжность»? Какие интерфейсы интеграции поддерживаются? Сколько времени сохраняются измерения без связи? Какие функции недоступны в автономном режиме?

AI не может корректно сопоставить предложение с требованиями, если производитель не раскрывает сопоставимых свойств. Хорошая продуктовая страница отвечает не только на вопрос «почему мы лучше», но и на реальные вопросы инженера, закупщика и руководителя проекта.

Вопрос покупателя	Какие сведения должны быть доступны
Подойдёт ли система для нескольких объектов?	Архитектура, масштабирование, ограничения
Можно ли интегрировать её с ERP?	API, протоколы, документация, поддерживаемые версии
Что произойдёт при потере связи?	Условия автономной работы и синхронизации
Насколько точны измерения?	Диапазон, погрешность, условия измерения и подтверждение
Чем отличаются модели?	Сравнение функций и ограничений
Во сколько обойдётся внедрение?	Состав поставки, лицензии, факторы стоимости

 

Важны не только числа, но и условия их применения, источник и дата актуальности. Показатель точности без методики измерения может привести к неверному сравнению. Заявленная совместимость без списка поддерживаемых протоколов — к ошибочному предположению об интеграции.

Речь не о специальном «стиле для нейросетей». Google прямо предупреждает: искусственно дробить страницы на мелкие блоки ради AI-поиска не требуется [1]. Смысл в другом — сделать утверждения ясными, содержательными, проверяемыми и понятными человеку.

Такая документация одновременно снижает нагрузку на пресейл, ускоряет подготовку предложений и уменьшает риск ошибочных ожиданий у клиента.

Третья задача: согласовать данные между сайтом, ERP и партнёрами

Даже подробная страница не спасает ситуацию, если другие источники противоречат ей. На сайте указана одна версия оборудования, у дилера — другая, в PDF-инструкции — третья. Цена и доступность товара различаются между каталогом, CRM и товарным фидом.

Человеку иногда удаётся разобраться. Автоматизированной системе приходится выбирать, каким сведениям доверять.

Поэтому AI-видимость частично превращается в задачу управления мастер-данными: согласования информации между ERP, PIM, CMS, публичным каталогом, API и партнёрскими ресурсами.

Здесь полезны стандартные структурированные данные schema.org: они позволяют явно описывать товар, бренд, производителя, идентификаторы, цену и наличие. Но это не гарантированный способ получить рекомендацию. Google сообщает, что специальной AI-разметки schema.org не требуется, а обычная разметка остаётся частью общей поисковой инфраструктуры [1].

Для электронной коммерции важны также актуальные товарные фиды и официальные механизмы передачи продуктовых данных. Подключение к такому каналу означает, что платформа может получить сведения, но не то, что она обязательно покажет или порекомендует товар.

В итоге управлять приходится не одной страницей сайта, а целостным цифровым представлением компании и её продукта.

Отдельный сценарий: когда AI-агенту нужно не ответить, а выполнить действие

Поисковый ответ и агентное действие — разные задачи. Система может правильно рекомендовать продукт, но затем не суметь оформить заявку на сайте: кнопка не распознаётся, у поля нет понятной подписи, состояние формы изменяется неожиданным образом.

Для таких сценариев полезны семантический HTML, доступные названия элементов управления, предсказуемая навигация, ясные сообщения об ошибках и возможность проверить итог операции. Google web.dev отдельно разбирает, как браузерные агенты используют HTML, дерево доступности и снимки экрана [9].

Но успешное прохождение формы не означает, что продукт начнут чаще рекомендовать. Agent readiness и видимость в AI-поиске нужно тестировать отдельно. И особенно внимательно проектировать подтверждение операций, если действие агента связано с оплатой, персональными данными или юридическими обязательствами.

Четвёртая задача: дать внешние основания доверять утверждениям

Предположим, производитель сообщает о соответствии оборудования определённому стандарту. Если это написано только в рекламном описании, система может обнаружить утверждение, но возможности независимо проверить его ограничены.

Иная ситуация возникает, если доступны сертификат, запись в реестре, протокол испытаний, документация интегратора или содержательный кейс заказчика. Такие материалы дают дополнительные основания для проверки фактов.

Это не означает, что AI всегда проверяет каждую характеристику по нескольким источникам. И само наличие сертификата не гарантирует использования его в ответе. Но достоверные внешние документы расширяют набор свидетельств, доступных поиску.

Для маркетинга это повод пересмотреть работу с репутацией. Вместо цели «получить ещё сто упоминаний» продуктивнее добиваться публикации конкретных проверяемых фактов: условий внедрения, результатов испытаний, архитектуры решения, подтверждённых эффектов.

Наблюдательные исследования находят связь между внешними упоминаниями известных брендов и их видимостью в AI-ответах. Но из корреляции не следует, что массовая закупка упоминаний вызовет рост рекомендаций. На оба показателя могут одновременно влиять популярность бренда, масштаб бизнеса и маркетинговые инвестиции.

Репутация для AI-поиска — не частота повторения названия, а доступность заслуживающих доверия свидетельств.

Что доказано, а что пока остаётся маркетинговой гипотезой

Вокруг GEO уже сложился рынок услуг и обещаний быстрого роста присутствия в AI-ответах. Однако академические результаты осторожнее рекламных формулировок.

В работе GEO: Generative Engine Optimization, представленной на KDD 2024, авторы показали, что изменение текста источника способно влиять на его видимость внутри исследуемой генеративной системы [7]. Отсюда происходит часто цитируемое утверждение о повышении видимости «до 40%».

Ключевая оговорка: в основном эксперименте документы уже были предоставлены модели. Измерялось, как меняется использование источника в конкретных условиях. Это нельзя трактовать как увеличение на 40% вероятности обнаружения нового сайта — и тем более как обещание роста продаж.

Критический обзор Olivier Martinez, охватывающий 45 работ и опубликованный в июле 2026 года как препринт, рассматривает обнаружение, включение в контекст, цитирование, использование фактов и поведение пользователя как отдельные переменные [8]. В этом корпусе автор не находит устойчивого универсального доказательства того, что одна GEO-тактика обеспечивает долгосрочный причинный эффект на обнаруживаемость и коммерческие результаты во всех платформах.

Это не означает бесполезность оптимизации. Это означает, что масштаб обещаний должен соответствовать масштабу доказательств.

Официальные рекомендации Google подтверждают важность базового SEO, полезного контента и корректной технической структуры [1, 2]. Microsoft советует делать информацию точной, актуальной и удобной для извлечения [4]. Но рекомендации компаний о собственных системах — не то же самое, что независимые контролируемые эксперименты.

Советы об обязательном llms.txt, специальном формате для LLM или создании множества страниц под каждую формулировку запроса также не следует считать универсальными правилами. Для Google Search llms.txt не требуется и не влияет на видимость, а специальное дробление текста не нужно [1]. В отдельных иных системах подобные файлы могут использоваться — это отдельный технический вопрос, который нужно проверять по документации потребителя.

Практическая стратегия поэтому проста: сначала устранить проверяемые технические и информационные проблемы, затем измерить эффект в конкретных сценариях.

Как измерять результат, а не впечатление от красивого ответа

Допустим, после обновления сайта AI стал чаще ссылаться на документы компании. Это полезный сигнал, но ещё не коммерческий результат.

Цитирование не равно переходу. Переход не равен заявке. А заявка не гарантирует сделку. Кроме того, пользователь может получить готовый ответ и вообще не открыть источник.

Поэтому измерение должно объединять четыре уровня:

Уровень	Что наблюдаем	Что это показывает
Технический	Доступность URL, индексация, ошибки и обращения роботов	Может ли система получить данные
Видимость	Упоминания бренда и ссылки по целевым задачам	Насколько часто компания появляется в выбранных сценариях
Качество	Верность характеристик, контекст рекомендации, корректность ссылки	Насколько правильно AI представляет продукт
Бизнес	Переходы, квалифицированные заявки, сделки	Возникает ли измеримый коммерческий эффект

 

Платформы предоставляют разные источники данных. В Яндекс Вебмастере доступна «Видимость сайта в Алисе AI» — доля упоминаний и примеры запросов. Но важно учитывать знаменатель: статистика ограничена запросами, по которым сайт уже достаточно высоко находится в обычной выдаче; данные обновляются еженедельно за последние три месяца [6]. Это не доля бренда среди всех ответов Алисы.

Google с июня 2026 года развивает отдельные отчёты Search Console по генеративным функциям, а с 31 августа эти отчёты доступны всем сайтам по всему миру [11]. Microsoft развивает AI Performance в Bing Webmaster Tools [12]. Метрики этих платформ нельзя без оговорок сравнивать между собой: различаются интерфейсы, методы отбора запросов и знаменатели.

Для самостоятельного мониторинга полезно сформировать набор реальных клиентских задач, использовать несколько формулировок каждой, повторять измерения и фиксировать дату, язык, регион и интерфейс AI. Однократный вопрос «посоветуй наш бренд» проверяет скорее узнавание уже названного продукта, чем его обнаружение в конкурентном выборе.

Один продукт, десять задач, три месяца

Вернёмся к производителю складской системы мониторинга. Вместо заказа масштабной «GEO-кампании» логичнее провести совместный пилот ИТ, маркетинга, продаж и продуктовой команды.

Первый месяц — диагностика. Выберите один коммерчески значимый продукт. Составьте десять реальных вопросов покупателей: выбор, интеграция, эксплуатация, стоимость, ограничения и сравнение. Проверьте ответы нескольких AI-систем без упоминания собственного бренда, используя естественные переформулировки. Параллельно выполните технический аудит целевых страниц.

Второй месяц — исправление информации. Определите, что именно мешает корректному сравнению: недоступное API, устаревшая инструкция, расхождение характеристик у дилеров, отсутствие условий испытаний. Обновите документацию, продуктовые страницы и данные в смежных системах. Добавляйте внешние подтверждения лишь там, где для них есть реальная фактическая основа.

Третий месяц — повторные проверки. Проведите измерения в сопоставимых условиях. По возможности используйте похожие неизменённые страницы или группы сценариев в качестве контроля. Отдельно оцените упоминания, корректность технических утверждений, ссылки и коммерческие обращения.

Простое сравнение «до и после» не устанавливает причинность: за это время могли обновиться AI-платформа, поисковый индекс и предложения конкурентов. Но пилот позволит увидеть слабые места и сформулировать более строгую проверку гипотез.

При этом у важных сведений должен быть ответственный владелец. ИТ обеспечивает техническую доступность и целостность данных. Маркетинг — соответствие информации задачам аудитории. Инженеры подтверждают характеристики. Продажи помогают сформулировать реальные критерии выбора.

Не начинайте с GEO-бюджета. Начните с проверки собственной информации

AI-поиск не отменяет SEO. Он добавляет новые требования к тому, как компания описывает себя и свои решения в цифровой среде.

Недостаточно, чтобы потенциальный клиент мог найти сайт. В некоторых сценариях нужно ещё и дать интеллектуальной системе основания понять продукт, сопоставить его с задачей и, если это обоснованно, включить в рекомендацию.

В этом нет магической технологии. Есть доступный сайт, достоверные характеристики, актуальная документация, согласованные данные, независимые подтверждения и измеримые результаты.

Выберите один ключевой продукт, сформулируйте десять задач покупателей и проверьте, сможет ли AI обоснованно предложить ваше решение, если пользователь заранее не знает названия компании.

Посмотрите, какие источники использует система. Что она понимает правильно? Какие характеристики пропускает? Где ошибается? Почему предлагает конкурентов?

После этого посадите за один стол ИТ, маркетинг, инженеров и продажи.

Возможно, выяснится, что вам нужны не сотни новых статей, а открытая техническая документация, актуальные данные у партнёров и два-три содержательных кейса.

Главный вопрос теперь не в том, знает ли нейросеть название вашей компании. Главный вопрос — достаточно ли точной и проверяемой информации, чтобы AI мог обоснованно рекомендовать ваш продукт для реальной задачи клиента.

 

Источники

[1] Google Search Central. Optimizing your website for generative AI features on Google Search. Официальное руководство, актуальная редакция 2026 года. ↗ Открыть источник

[2] Google Search Central. AI features and your website. ↗ Открыть источник

[3] OpenAI. Overview of OpenAI Crawlers. ↗ Открыть источник

[4] Madhavan K. Optimizing Your Content for Inclusion in AI Search Answers. Microsoft Advertising, 8 октября 2025. ↗ Открыть источник

[5] Яндекс Вебмастер. Как формируются ответы Алисы AI. ↗ Открыть источник

[6] Яндекс Вебмастер. Видимость сайта в Алисе AI. ↗ Открыть источник

[7] Aggarwal P., Murahari V., Rajpurohit T., Kalyan A., Narasimhan K., Deshpande A. GEO: Generative Engine Optimization. KDD 2024, с. 5–16. DOI: ↗ Открыть источник

[8] Martinez O. Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026). arXiv:2607.14035, 15 июля 2026. Препринт. ↗ Открыть источник

[9] Kulikowski K., More O. Build agent-friendly websites. Google web.dev, 2026. ↗ Открыть источник

[10] Google Search Console Help. Search generative AI control. Экспериментальное развёртывание настройки. ↗ Открыть источник

[11] Google Search Central. Introducing Search Generative AI performance reports in Search Console. 3 июня 2026; обновление о глобальной доступности от 31 августа 2026. ↗ Открыть источник

[12] Microsoft Bing Webmaster Blog. Introducing AI Performance in Bing Webmaster Tools (Public Preview). 10 февраля 2026. ↗ Открыть источник

Срез источников: 23 октября 2026 года. Пример складской системы мониторинга — условный; результаты пилота не проводились и не представлены как эмпирический кейс.