Если модель вас не знает, она вас не выберет

Коротко о главном:

1. GEO (Generative Engine Optimisation) — это оптимизация бренда под ответы нейросетей. Термин ввёл Kantar в отчёте Marketing Trends 2026.
2. 74% пользователей ИИ-ассистентов регулярно спрашивают у них рекомендации перед покупкой. Данные того же отчёта.
3. Отличие от SEO: поисковик показывает десять ссылок, нейросеть даёт один ответ с двумя-тремя брендами. Третьей страницы тут нет.
4. Что помогает попасть в ответ: понятные формулировки о том, кто вы и для кого, раздел с вопросами и ответами, проверяемые цифры, упоминания на внешних площадках.
5. Обратная сторона той же скорости: проверять идеи неделями больше не получается. Синтетические исследования на цифровых респондентах дают результат за часы, совпадение с живыми опросами по выбору лидера — 87%.

Десятилетия реклама училась понимать человека. Мы искали инсайты, спорили о тональности, считали охваты и частоту. Всё это работало, пока на другом конце коммуникации стоял человек.

Теперь там всё чаще стоит машина. Покупатель спрашивает у нейросети, какие кроссовки взять для широкой стопы, какую CRM выбрать для отдела из пяти человек, куда съездить в октябре с детьми. И получает три варианта с аргументами. Рекламы он не видел, на сайт не заходил, а выбор уже сузился до трёх названий. Повлиять на этот момент вы не успели.

Понимать человека по-прежнему нужно. Но теперь к этому добавился навык, которого в профессии раньше не было: понимать, как думает машина, которая понимает человека.

Что такое GEO и почему это не переименованный SEO

У явления есть название. Kantar в отчёте Marketing Trends 2026 вводит термин GEO, Generative Engine Optimisation, по прямой аналогии с SEO. Формулировка там жёсткая: если модель тебя не знает, она тебя не выберет.

Легко решить, что это старое SEO в новой упаковке, и отдать задачу тому же подрядчику. Так делать не стоит, и вот почему.

Поисковая оптимизация боролась за место в списке. Пользователь всё равно видел десять ссылок и выбирал сам, а бренду нужно было попасть повыше и выглядеть кликабельнее соседей. Проиграть означало уехать на третью страницу: видимость плохая, но вы существуете.

В генеративной выдаче списка нет. Модель даёт ответ, в ответ помещается два-три бренда. Решает не позиция в индексе, а то, что модель про вас поняла: чем вы занимаетесь, для кого работаете, чем отличаетесь и можно ли вам верить. Если уверенного ответа у неё нет, она назовёт того, про кого он есть.

Отсюда и разница в цене ошибки. Проиграть в SEO означало получать меньше трафика. Проиграть в GEO означает отсутствовать в тот момент, когда человек выбирает.

Почему это происходит именно сейчас

Отложить хочется, и я понимаю почему. Мы видели десяток технологий, которые обещали перевернуть индустрию и тихо исчезли.

Но 74% пользователей ИИ-ассистентов регулярно спрашивают у них рекомендации. Это данные Kantar, и речь не про интерес к технологии, а про обычный способ выбирать. Ранние адоптеры закончились, началось нормальное потребительское поведение, к которому мы просто ещё не привыкли профессионально.

Стоит посмотреть и на то, кто об этом говорит. Kantar, Ipsos и NielsenIQ зарабатывают на классических исследованиях и рекламных замерах. Им меньше всех выгодно объявлять, что правила меняются. Когда о сдвиге пишут те, кому он невыгоден, это надёжнее любого стартап-манифеста.

Есть и практический аргумент. В русскоязычном поле GEO сейчас почти никто не занимается осознанно. Попасть в ответ модели по своей категории сегодня стоит дёшево, примерно как поисковая оптимизация в 2007 году, когда хватало нормальных текстов и отсутствия воровства. Через год конкуренция за это место будет другой.

Что делает бренд видимым для модели

Секретных приёмов здесь нет. Есть довольно скучная работа, которую большинство брендов не делает.

Модель собирает представление о вас из текстов: вашего сайта, отраслевых публикаций, отзывов, справочников, чужих статей с упоминаниями. Подтекст она не считывает и метафору не оценит. Ей нужны прямые утверждения: кто вы, что делаете, для кого, чем отличаетесь и чем это подтверждается.

Из этого следуют четыре вещи.

1. Пишите понятно. Главная страница с надписью «мы создаём смыслы» и фоновым видео человеку кажется солидной, а модель не извлечёт из неё ни категорию, ни аудиторию, ни отличие. Бренд, который не может объяснить себя простыми предложениями, из ответа выпадает.

2. Структурируйте. Модели хорошо читают понятные заголовки, вопросы с ответами, разделы, где один блок закрывает одну тему целиком. Раздел FAQ обычным человеческим языком сработает лучше десяти страниц вдохновляющего текста. Причина техническая: модель забирает из источника связный фрагмент, и чем меньше ему нужен контекст, тем выше шанс, что возьмут именно его.

3. Давайте проверяемое. «Мы лидеры рынка» не значит ничего. «По результатам ста сравнительных тестов совпадение составило 87%» значит, потому что это можно проверить. Цифры, методика, ссылки на источники и честно названные ограничения повышают шанс цитирования сильнее любых эпитетов.

4. Работайте с внешними площадками. Отраслевые издания, обзоры, справочники, экспертные комментарии весят больше вашего сайта. Свой сайт модель читает как вашу версию событий, а внешние источники как проверку этой версии.

Управлять тем, что нейросеть скажет о вашем бренде, полностью нельзя. Кто обещает обратное, продаёт воздух. Но влиять на это можно теми же средствами, которыми вы всегда влияли на репутацию, с поправкой на нечеловеческого читателя.

Обратная сторона: скорость требует другой проверки идей

Пока речь шла о том, как клиент вас находит. Есть симметричная часть, о которой думают реже.

Если выбор сжался до одного запроса и трёх вариантов в ответе, времени на исправление ошибки у бренда почти не осталось. Раньше слабая кампания просто работала хуже, и её докручивали по ходу. Теперь слабое сообщение рискует не попасть в ответ совсем, и докручивать будет нечего.

Посмотрите теперь, с какой скоростью мы эти сообщения проверяем. Классическое исследование занимает три-четыре недели на рекрутинг и стоит от трёхсот тысяч рублей, причём результат нередко приходит, когда продакшн уже запущен. Онлайн-панели быстрее, но там профессиональные респонденты прокликивают анкеты ради вознаграждения и пишут «нормально» и «мне нравится». Остаётся интуиция команды, на которую индустрия молилась годами от безысходности, потому что альтернатива стоила слишком дорого.

Получается перекос. Снаружи всё ускорилось до секунд, внутри мы возимся месяцами. Этот разрыв и закрывают синтетические исследования.

Работает это так. Вместо живых людей анкету заполняют цифровые респонденты, то есть смоделированные потребители со своим профилем: пол, возраст, город, доход, привычки, готовность пробовать новое. Вы описываете нужный сегмент, добавляете материалы и получаете отчёт за несколько часов.

Мы в Fair Lab делаем именно такую платформу для синтетический исследовани. На один сегмент создаётся до 300 цифровых респондентов, каждый отвечает по логике своего профиля, а в отчёте вы видите оценки по шкалам, распределение ответов и развёрнутые комментарии с аргументацией. Первые результаты приходят через пятнадцать минут. Мы проверяли метод на собственной валидации: больше ста сравнительных тестов, свыше двенадцати тысяч живых и цифровых респондентов, совпадение по выбору лидирующего варианта с живыми опросами 87%.

Лучше всего цифровые респонденты справляются там, где решение ещё можно поменять дёшево:

1. выбор между несколькими рекламными концепциями;
2. проверка нейминга и слогана;
3. оценка идеи ролика до съёмок;
4. тест позиционирования и оффера;
5. поиск инсайтов и барьеров, которые мешают аудитории согласиться.

Правило простое: чем раньше этап и чем больше вариантов ещё в игре, тем больше метод экономит.

Это не наша частная выдумка. Kantar в том же отчёте отводит синтетическим данным отдельный тренд и приводит точность собственной технологии усиления данных 94–95% относительно реальных. Ipsos, который разрабатывает методику вместе со Стэнфордом, называет синтетические панели цифровыми двойниками и пишет прямо: вопрос не в том, изменит ли метод индустрию, а в том, когда и как.

Где у метода границы

Тут важно не приукрасить, иначе всё развалится на первом же проекте.

Цифровые респонденты дают ранний сигнал, а не окончательный вердикт. О брендах они осведомлены чуть лучше живых людей. Осторожничают там, где решает личный физический опыт: своя машина, свой район, вкус продукта. И сглаживают самый резкий негатив, потому что не переживают личное разочарование.

Поэтому метод хорошо работает с идеями, смыслами и коммуникацией, и хуже там, где всё держится на ощущениях. Отсюда рабочая схема: сначала синтетика отсеивает слабое и сужает выбор, потом живое исследование проверяет то, где ошибка обойдётся дорого.

Так к этому относится и NielsenIQ, самый осторожный голос в теме. Их позиция: синтетические респонденты убедительно воспроизводят человеческие ответы при качественных данных, но годятся для ранних решений, а не для финального «запускаем или нет». С энтузиазмом Kantar и Ipsos это не спорит, это уточняет область применения.

Что сделать в ближайший месяц

Ни нового бюджета, ни новой команды для этого не нужно.

1. Проверьте, существуете ли вы для моделей. Спросите у трёх нейросетей, что они знают о вашем бренде и кого советуют в вашей категории. Бесплатно, десять минут, впечатление обычно отрезвляющее.
2. Перечитайте главную страницу глазами машины. Понятно ли из первого экрана, что вы делаете, для кого и чем отличаетесь? Если нет, чинить надо текст, а не дизайн.
3. Соберите нормальный FAQ. Не формальные пункты про доставку, а те вопросы, которые вам реально задают клиенты, с ответами, понятными без остального сайта. Самый дешёвый способ попасть в генеративную выдачу из существующих.
4. Замените обещания на проверяемые утверждения. Там, где стоит «лучший» и «инновационный», поставьте цифру и методику или уберите фразу.
5. Посчитайте, сколько времени проходит от идеи до проверки на аудитории. Если счёт идёт на недели, вы отстаёте от скорости, с которой снаружи принимаются решения. Оптимизация под нейросети этого не компенсирует.

Что со всем этим делать

Превращать это в панику про то, что ИИ всех заменит, я не хочу. Не заменит. Понимать человека остаётся главным навыком профессии, и ни одна модель не придумает за вас, почему вашему покупателю должно быть не всё равно.

Но появился второй слой, которого раньше не было. Машина рекомендует вас на входе и помогает проверять ваши идеи на старте. Игнорировать её примерно так же разумно, как в 2007 году считать поисковики временным увлечением.

Так уже происходит. Вопрос только в том, когда вы это признаете, до конкурентов или после.

Источники:

1. Kantar, Marketing Trends 2026 — https://www.kantar.com/campaigns/marketing-trends
2. Ipsos, Transforming Research Through Synthetic Data — https://www.ipsos.com/en/ai/transforming-research-through-synthetic-data
3. NielsenIQ, Confronting the duality of synthetic respondents in market research — https://nielseniq.com/global/en/insights/commentary/2024/it-takes-one-to-know-one-confronting-the-duality-of-synthetic-respondents-in-market-research/