Классический отчет по SEO строится вокруг позиций в выдаче: топ-3, топ-10, динамика по неделям. Этот показатель перестает быть надежным индикатором для руководства. Позиции держатся, а трафик и заявки одновременно падают — и объяснить разрыв через привычные метрики не получается.
Аналитика Коммерсанта фиксирует: с начала 2025 года органический трафик информационных площадок — СМИ, юридических и образовательных ресурсов — упал в среднем на 30%, по отдельным категориям — до 60%. Кликабельность у части сегментов просела более чем вдвое.
Ahrefs в декабре 2025 года провел собственное исследование на выборке 300 000 запросов, сравнив декабрь 2023 и декабрь 2025 года. Вывод: при наличии блока AI Overview первая позиция теряет 58% кликов. В апреле 2025 та же метрика показывала 34,5%. Динамика роста потерь за восемь месяцев — почти двукратная. Полные данные — в материале Ahrefs про падение кликов из-за AI Overview.
Управленческий вывод простой: топ-10 в выдаче перестает быть гарантией показа пользователю. Метрику позиций нужно дополнять метрикой цитируемости в ответах нейросетей — иначе отчет показывает картину, которой уже нет в реальности.
У карточки товара есть цена и параметры наличия — модель берет из нее готовый факт для ответа. У типового корпоративного раздела «Услуги» такого факта нет: формулировка про «комплексные решения для бизнеса любого масштаба» не дает модели ничего, что можно процитировать целиком.
Рабочий пример из промышленной ниши: поставщик холодильного оборудования заменил формальные технические описания карточек на инженерные расчеты и сценарии применения на производстве. Через несколько месяцев страницы стали появляться в нейровыдаче. Точных цифр прироста компания не публиковала, но принцип воспроизводится системно: модель выбирает конкретный проверяемый факт, а не общее описание компетенций.
Краулер языковой модели ищет на странице определенный набор признаков:
Answer-first подход строится на том же принципе: сначала конкретный ответ с цифрой, потом обоснование. «Внедрение CRM для компании из 20 сотрудников стоит от 150 000 рублей, цена зависит от количества интеграций, объема переноса данных и срока проекта» — такую формулировку модель может процитировать целиком. Формулировку про «широкий спектр решений» — нет.
Блок вопросов-ответов с разметкой FAQPage передает модели готовую пару без разбора сплошного текста. Готовые решения Аспро на 1С-Битрикс поддерживают Schema.org для товаров, статей и отзывов без ручной настройки — на самописных платформах эту разметку часто добавляют вручную, и нередко ее просто нет.
Указанное авторство статьи — отдельный фактор отбора источника: генеративные модели чаще цитируют материалы с именем и должностью автора, чем анонимные тексты от «команды маркетинга».
llms.txt — файл в корне сайта с кратким описанием контента, который читают ChatGPT, Perplexity и Claude. В июне 2026 представитель Google Джон Мюллер назвал пользу llms.txt для поиска Google спекулятивной — подробности в материале Search Engine Journal о позиции Google. Файл имеет смысл завести, но роста позиций именно в Google от него ожидать не стоит.
Устоявшегося инструмента под эту метрику в России пока нет. Практический вариант — задавать в Алисе, ChatGPT и Perplexity 10-15 реальных вопросов из ниши клиента, включая брендовые запросы, и фиксировать источники в ответах. Технические ошибки сайта без ручного перебора помогает найти чеклист проверки сайта на попадание в ответы ИИ — его результат можно закладывать в отчет как отдельный раздел рядом с позициями и трафиком.
Три категории страниц для первой волны изменений:
Разрыв между позицией в выдаче и реальным переходом на сайт растет с каждым новым замером Ahrefs. Для управленческой отчетности это означает: показатель позиций больше нельзя использовать как единственный KPI эффективности SEO, его нужно дополнять метрикой присутствия в генеративных ответах.