Одна и та же статья попадает в Perplexity, но не в DeepSeek. Почему нейросети выбирают источники по-разному

Представьте, вы опубликовали экспертную колонку с цифрами, свежую, структурированную. Через неделю Perplexity уже цитирует её в ответах пользователям. А DeepSeek на те же запросы ваш материал будто не видит вообще, называет конкурентов. Ошибки здесь нет. Просто две нейросети отбирают источники по совершенно разным правилам, и то, что нравится одной, для другой почти безразлично.

Большинство GEO-советов игнорируют этот факт и дают universal-рекомендации «пишите структурно, добавляйте цифры». Но если не понимать, чем живой поиск Perplexity отличается от индексной логики DeepSeek, половина усилий уходит впустую: вы оптимизируете под одну систему и случайно проседаете в другой. 

Почему Perplexity и DeepSeek цитируют бренды по-разному

Разница начинается с самого фундамента, как система вообще ищет, чем ответить пользователю.

Perplexity делает живой веб-поиск при каждом запросе. Он лезет в актуальный индекс прямо в момент, когда пользователь спрашивает и тянет свежие страницы. Для него возраст домена и накопленная репутация значат меньше, чем дата последнего обновления. Страница, опубликованная неделю назад с точными цифрами, обгонит статью трёхлетней давности, даже если та лежит на более авторитетном сайте.

DeepSeek работает от индекса, он чаще опирается на уже проиндексированные данные, а не на поиск в реальном времени, и любит тексты с прозрачной структурой: размеченный Markdown, нумерованные списки, явные блоки «вопрос-ответ». Индекс обновляется реже, поэтому эффект от правок на странице виден с задержкой. Здесь решает не скорость, а качество структуры.

Есть и второе важное различие, сколько источников система реально берёт в ответ. Perplexity просматривает десятки страниц-кандидатов, но в итоговый ответ отбирает лишь единицы, отбрасывая большинство. DeepSeek работает с ещё более коротким списком. А это значит, что конкуренция за место в DeepSeek жёстче: чем короче список цитат, тем ценнее каждая позиция и тем труднее вытеснить конкурента.

Что работает именно в Perplexity: 4 технических приёма

Perplexity живёт живым поиском, поэтому здесь выигрывают технические сигналы: всё, что помогает краулеру быстро понять, что страница свежая и хорошо устроена.

Приём 1: schema-разметка Article и FAQPage. Микроразметка показывает краулеру структуру страницы на блюдечке, где заголовок, автор, дата, где блок вопросов и ответов. Система получает готовые размеченные сущности вместо того, чтобы парсить сырой HTML, и такие страницы чаще попадают в список кандидатов на цитирование.

Приём 2: регулярное обновление даты и фактов. Раз Perplexity ищет вживую, страницы, которые обновляются хотя бы раз в 1-2 месяца, получают фору. Освежили статистику, добавили абзац с актуальной датой, поправили цифры, и вот уже ваша страница выглядит живее, чем застывший конкурент трёхлетней давности.

Приём 3: answer capsule в первых предложениях. Если в первых 2-3 предложениях абзаца стоит прямой, самодостаточный ответ на вопрос, модель чаще вытаскивает его дословно как цитату. Perplexity собирает ответ пользователю из фрагментов и чем точнее сформулирован ваш кусок, тем меньше система его переписывает, оставляя вашу формулировку и ссылку на вас.

Приём 4: цифры и таблицы. Конкретика вроде «доля рынка выросла на 12%» цитируется охотнее, чем общие слова, потому что число легко проверить и вставить в ответ точь-в-точь. Модель любит якоря, за которые можно зацепиться.

Все четыре вместе дают накопительный эффект, свежая дата плюс разметка плюс компактный ответ в начале плюс таблица закрывают сразу несколько критериев, по которым Perplexity отбирает источники.

Что работает в DeepSeek: 3 контентных приёма

DeepSeek почти безразличен к свежести. Ему важно другое, насколько удобно из текста вытащить готовый смысловой фрагмент.

Приём 5: чёткая иерархия H2/H3 и нумерованные списки. Текст, разбитый на логичные подзаголовки с пронумерованными пунктами внутри, отдаёт машине готовые блоки. Модель легко выделяет кусок, ограниченный заголовком и списком, и куда хуже справляется, когда мысль растворена в сплошном абзаце.

Приём 6: FAQ-блок с прямыми формулировками. DeepSeek часто цитирует такие блоки целиком, потому что формат «вопрос-ответ» уже совпадает с тем, как система строит собственный ответ. А если вопрос в вашем FAQ близок к формулировке пользовательского запроса, шанс на цитирование резко растёт.

Приём 7: бренд рядом с конкретной метрикой. «Бренд X занимает 18% Share of Voice в категории Y» работает лучше, чем «бренд X, лидер рынка». Цифра даёт модели якорь, за который она цепляется, закрепляя связку «бренд, факт» внутри себя. Абстрактную похвалу модель перефразирует или пропустит.

И нюанс для контент-плана: DeepSeek обновляет индекс медленнее, эффект от правок виден недели через 3-4. Поэтому под него материал выгоднее делать сразу капитально, с продуманной структурой и полным FAQ, а не рассчитывать на частые мелкие правки, которые система заметит нескоро. Для Perplexity, наоборот, работает ритм регулярных обновлений. Один и тот же материал под две системы готовится по-разному.

Как понять, попадает ли бренд в цитаты

Здесь есть неочевидная сложность. Ни Perplexity, ни DeepSeek не присылают брендам отчёт о том, где и как их упомянули. А проверять вручную ответы нейросетей по десяткам запросов почти бессмысленно. Выдача постоянно меняется и системы обновляются с разной скоростью, так что снимок, сделанный сегодня, завтра уже неточен.

Поэтому измерение AI-видимости строится на нескольких метриках, и главная тонкость в том, что считать их нужно по каждой нейросети отдельно. Усреднённая цифра «упоминаний в ИИ» без разбивки скрывает самое важное: где именно бренд проседает, в живом поиске Perplexity или в индексе DeepSeek. А чинить эти две ситуации, как мы уже разобрались, приходится по-разному, техническими приёмами в одном случае и контентными в другом.

Базовых показателя два. Share of Voice показывает долю бренда среди всех цитат по запросу, то есть его положение относительно конкурентов. Brand Mention Rate, частоту, с которой нейросеть вообще упоминает бренд, и по нему удобно отслеживать динамику. К ним добавляется третий, менее очевидный срез - список источников, которые нейросеть реально процитировала при ответе. Именно он вскрывает сюжеты вроде истории с sostav.ru, когда видно, что Perplexity процитировал материал площадки, но бренда внутри этой статьи не назвал, потому что его там попросту не было.

Отдельная история, трафик из ответов нейросетей на сайт. Его легко спутать с ботами и накрученными кликами, поэтому переходы из ИИ имеет смысл фильтровать от синтетики, иначе метрика перестаёт отражать реальную картину. 

Как использовать чужие площадки для роста цитируемости

Отсюда следует, пожалуй, самый практичный вывод. Публиковаться на площадке, которой нейросети уже доверяют, короче, чем растить доверие к собственному малоизвестному домену с нуля.

sostav.ru цитируется в 10 пользовательских запросах суммарно 23 раза, то есть для Perplexity (и, вероятно, для DeepSeek) в теме маркетинга это устойчивый источник. Если система один раз выбрала площадку как достоверный источник по теме, ваша колонка на этой же площадке наследует часть накопленного доверия домена, порог входа резко ниже, чем у публикации на сайте, о котором нейросеть слышит впервые.

При этом колонка с цифрами обгоняет общие описания. «Share of Voice бренда X составляет 15% в категории аутрич-платформ», это готовый факт, который модель встроит дословно. Абстрактную фразу без числа она перефразирует или предпочтёт более конкретного конкурента.

Частые вопросы

Как отследить, что нейросети говорят о компании?

Вручную проверять нейросети по десяткам запросов нерационально: выдача меняется, Perplexity и DeepSeek обновляются с разной скоростью. Для этого существуют платформы мониторинга AI-видимости (brandfound, profound, visiobrand): они собирают ответы нейросетей по реальным пользовательским сценариям и показывают Share of Voice, Brand Mention Rate и список процитированных источников в одном месте.

Как посчитать AI-трафик с нейросетей на сайт?

Базовый способ, UTM-метки на страницах, которые с высокой вероятностью цитируются нейросетями, в связке с антифрод-фильтрацией. Без неё данные легко исказить ботами и накрученными кликами, поэтому переходы из ИИ важно очищать от синтетики, оставляя только реальные визиты, иначе метрика не годится для решений.

Как сравнить бренд с конкурентами в AI-выдаче?

По Share of Voice, но обязательно в разрезе каждой нейросети отдельно, а не общей усреднённой цифрой. Позиция в Perplexity и в DeepSeek может отличаться в разы из-за разного механизма отбора, поэтому сравнение имеет смысл только при раздельном анализе.