Продвижение в нейросетях (GEO): исследование NeuroReach на основе практического кейса i2CRM

Автор: Василий Жарков

Основатель NeuroReach, исследователь в области Generative Engine Optimization (GEO)

Исследование NeuroReach Research, основанное на анализе практического кейса i2CRM, представляет результаты изучения факторов, влияющих на рекомендации генеративных моделей, а также практических подходов к продвижению компаний в системах искусственного интеллекта в рамках направления Generative Engine Optimization (GEO).

Еще совсем недавно поиск практически любого сложного продукта или услуги начинался одинаково.

Если компании требовалась CRM-система, юридический подрядчик, маркетинговое агентство, производитель оборудования или медицинская клиника, первым шагом почти всегда было открытие поисковой системы.

Дальше следовал привычный сценарий.

Несколько поисковых запросов.

Десятки открытых вкладок.

Официальные сайты.

Обзоры.

Отзывы.

Рейтинги.

Видео.

Форумы.

После этого пользователь самостоятельно сопоставлял информацию из разных источников и принимал решение.

Так выглядел стандартный процесс выбора почти двадцать лет.

Сегодня этот сценарий постепенно меняется.

Все чаще поиск начинается не с поисковой строки, а с обычного вопроса, заданного генеративной модели.

Например:

Какую CRM выбрать производственной компании с отделом продаж из 30 человек?

или

Какое SEO-агентство считается одним из сильнейших в России?

или

Посоветуй стоматологическую клинику в Москве с хорошей репутацией.

На первый взгляд кажется, что изменился лишь интерфейс.

Вместо поисковой строки появилось окно диалога.

Однако на практике изменился сам процесс получения информации.

Если раньше пользователь получал список ссылок и самостоятельно анализировал десятки источников, то теперь значительную часть этой работы выполняет искусственный интеллект.

Генеративная модель анализирует доступную информацию, сопоставляет различные источники, выделяет наиболее релевантные варианты и формирует готовый ответ.

Конечно, человек по-прежнему принимает окончательное решение самостоятельно.

Он изучает сайты компаний, сравнивает стоимость услуг, читает отзывы, общается с менеджерами и оценивает коммерческие предложения.

Но один важный этап уже произошёл.

Первое представление о рынке сформировалось ещё до того, как пользователь открыл первый сайт.

Именно это изменение сегодня становится одним из самых важных для бизнеса.

Когда искусственный интеллект становится участником выбора

Появление генеративных моделей не означает отказ от классического поиска.

Поисковые системы остаются основным способом навигации в интернете.

Миллиарды запросов ежедневно по-прежнему начинаются с Google, Яндекса и других поисковых сервисов.

Однако рядом с привычным сценарием появился ещё один способ взаимодействия с информацией.

Поисковая система отвечает на вопрос:

«Где находится нужная информация?»

Генеративная модель помогает ответить на другой вопрос:

«Что лучше выбрать именно в моей ситуации?»

Это принципиально разные задачи.

В первом случае пользователь самостоятельно изучает десятки источников и формирует собственное мнение.

Во втором случае искусственный интеллект уже предлагает предварительно обработанную информацию, выделяет наиболее подходящие варианты и объясняет причины своего выбора.

Для пользователя это означает экономию времени.

Для бизнеса — появление нового пространства, в котором формируется доверие к бренду.

Василий Жарков

Специалист по продвижению в нейросетях

Важно

Генеративные модели не заменяют поисковые системы. Они становятся дополнительным инструментом принятия решений, который всё чаще используется ещё до перехода пользователя на сайт компании.

Почему этот вопрос касается практически любого бизнеса

Первые разговоры о генеративном искусственном интеллекте были посвящены в основном созданию текстов, изображений и программного кода.

Сегодня всё заметнее становится другой сценарий использования.

Люди начинают обращаться к генеративным моделям за рекомендациями.

Они спрашивают:

1. какую CRM выбрать;
2. какой банк считается надёжным;
3. какое маркетинговое агентство обладает сильной экспертизой;
4. какую стоматологическую клинику можно рекомендовать;
5. какой сервис аналитики использовать;
6. какого производителя бытовой техники выбрать;
7. какой университет предлагает наиболее сильную программу обучения;
8. какой юридической компании можно доверить сопровождение сделки.

Практически в каждой отрасли можно найти аналогичные примеры.

Во многих случаях генеративная модель не ограничивается перечислением известных компаний.

Она объясняет причины своего выбора, сравнивает альтернативы и помогает пользователю быстрее разобраться в рынке.

Это означает, что искусственный интеллект постепенно становится ещё одним участником процесса принятия решений.

Именно поэтому всё больше компаний начинают задаваться вопросами, которые ещё два года назад практически не обсуждались.

Почему нейросеть рекомендует наших конкурентов?

Почему разные генеративные модели называют разные компании?

Можно ли повлиять на вероятность появления бренда в ответах искусственного интеллекта?

Какие факторы влияют на формирование рекомендаций?

Ответы на эти вопросы постепенно становятся частью маркетинговой стратегии.

Почему классического SEO уже недостаточно

Когда речь заходит о продвижении в нейросетях, часто можно встретить противоположные точки зрения.

Одни утверждают, что поисковая оптимизация теряет своё значение.

Другие считают, что никакой новой области вообще не существует, а всё происходящее можно объяснить классическим SEO.

На практике обе позиции выглядят слишком категоричными.

Качественная поисковая оптимизация по-прежнему остаётся фундаментом цифрового присутствия компании.

Именно сайт остаётся основным источником структурированной информации о бизнесе, его продуктах, услугах и экспертизе.

Однако путь пользователя уже не заканчивается поисковой выдачей.

Если раньше основная задача заключалась в том, чтобы привести человека на сайт, то сегодня появляется ещё одна.

Компании важно быть понятной не только пользователю, но и генеративной модели.

Именно поэтому постепенно формируется новая область цифрового маркетинга, которую принято называть Generative Engine Optimization (GEO) или продвижением в нейросетях.

Важно понимать, что GEO не приходит на смену SEO.

Скорее, оно расширяет существующую систему цифрового присутствия.

Если поисковая оптимизация помогает поисковой системе найти сайт компании, то GEO помогает генеративным моделям корректно понять саму компанию, её специализацию, экспертность и место на рынке.

Почему вокруг GEO возникает столько вопросов

Несмотря на стремительный рост интереса к теме, продвижение в нейросетях остаётся одной из самых молодых областей цифрового маркетинга.

Каждую неделю появляются новые статьи, посвящённые ChatGPT, Gemini, Claude, Алисе, Perplexity, Copilot, DeepSeek, Grok и другим генеративным системам.

Авторы рассказывают о технических настройках сайтов, структурированных данных, публикации экспертного контента, работе с репутацией и развитии бренда.

Большинство подобных материалов отвечает на вопрос:

«Что рекомендуется делать?»

Но значительно реже обсуждается вопрос другого уровня.

Почему генеративные модели вообще рекомендуют одни компании и не рекомендуют другие?

Без понимания этого механизма любые практические рекомендации остаются лишь отдельными гипотезами.

Именно поэтому мы решили построить это исследование иначе.

В центре внимания находится не конкретная генеративная модель и не отдельный набор технических рекомендаций.

Нас интересуют общие закономерности, которые можно наблюдать при анализе поведения современных генеративных систем.

О чём это исследование

В основе этого материала лежит несколько месяцев практической работы команды NeuroReach.

Мы анализировали ответы различных генеративных моделей, наблюдали за изменением рекомендаций, проверяли рабочие гипотезы в коммерческих проектах и сопоставляли полученные результаты с общедоступной информацией о принципах работы современных языковых моделей.

Важно сделать одно уточнение.

Мы не претендуем на описание внутренних алгоритмов ChatGPT, Gemini, Claude, Алисы или любых других генеративных систем.

Детали их работы остаются закрытыми.

Поэтому всё, о чём пойдёт речь далее, основано не на предположениях о внутреннем устройстве моделей, а на анализе их поведения, практических наблюдениях и результатах реализованных проектов.

В следующих разделах мы последовательно рассмотрим:

1. как меняется процесс выбора товаров и услуг;
2. почему генеративные модели становятся новым источником рекомендаций;
3. что такое Generative Engine Optimization (GEO);
4. чем продвижение в нейросетях отличается от классического SEO;
5. какие закономерности уже можно наблюдать на практике;
6. как эти гипотезы проверялись в коммерческих проектах;
7. какие выводы могут быть полезны компаниям уже сегодня.

Это исследование не претендует на окончательный ответ на все вопросы. Напротив, его цель — предложить системный взгляд на новую область цифрового маркетинга, которая только начинает формироваться, и заложить основу для дальнейшего профессионального обсуждения темы продвижения компаний в генеративных системах.

Почему появление генеративных моделей меняет подход к цифровому присутствию компаний

На протяжении последних двадцати лет цифровой маркетинг развивался вокруг одной основной задачи — помочь пользователю найти информацию.

Компании инвестировали в поисковую оптимизацию, чтобы занимать высокие позиции в поисковой выдаче.

Развивали контекстную рекламу, чтобы быстрее получать целевой трафик.

Создавали экспертный контент, чтобы отвечать на вопросы потенциальных клиентов.

Работали с репутацией, чтобы сформировать доверие.

Публиковались в отраслевых СМИ.

Попадали в рейтинги.

Развивали корпоративные блоги.

Выступали на конференциях.

На первый взгляд может показаться, что все эти инструменты решают разные задачи.

На самом деле у них всегда была одна общая цель — предоставить человеку информацию, необходимую для принятия решения.

Генеративные модели не отменили эту систему.

Они изменили способ взаимодействия с ней.

От поиска информации — к поиску готового ответа

Представим ситуацию.

Компания выбирает подрядчика по SEO.

Еще несколько лет назад руководитель открывал поисковую систему, вводил запрос вроде «SEO-агентство» или «лучшие SEO-компании России», после чего начинал изучать результаты поиска.

Дальше всё зависело от него.

Он открывал сайты.

Изучал кейсы.

Сравнивал услуги.

Читал отзывы.

Просматривал отраслевые рейтинги.

И только после этого составлял собственное мнение.

Сегодня этот процесс всё чаще выглядит иначе.

Пользователь может задать генеративной модели всего один вопрос:

«Какое SEO-агентство считается одним из сильнейших в России и почему?»

В ответ он получает уже не список сайтов.

Он получает объяснение.

Генеративная модель может назвать несколько компаний, кратко описать специализацию каждой из них, сравнить сильные стороны и предложить варианты в зависимости от задачи пользователя.

После этого человек всё равно переходит на сайты, изучает информацию и принимает окончательное решение самостоятельно.

Однако первый этап выбора уже завершён.

Именно поэтому генеративные модели становятся ещё одним каналом взаимодействия между компанией и потенциальным клиентом.

Искусственный интеллект не создаёт информацию с нуля

Когда пользователь впервые сталкивается с ответом ChatGPT или другой генеративной модели, может возникнуть ощущение, что искусственный интеллект самостоятельно знает, какие компании являются сильными игроками рынка.

На практике всё значительно сложнее.

Генеративная модель не появляется в информационном вакууме.

Её ответы строятся на основе огромного массива данных, который включает самые разные типы источников.

Среди них могут быть:

1. официальные сайты компаний;
2. статьи в средствах массовой информации;
3. отраслевые публикации;
4. рейтинги;
5. интервью;
6. документация;
7. справочные материалы;
8. научные публикации;
9. открытые базы знаний;
10. отзывы и другие общедоступные источники информации.

Каждый источник сам по себе редко становится определяющим.

Гораздо важнее то, насколько последовательно разные источники описывают компанию.

Именно поэтому сегодня всё чаще говорят не только о поисковой оптимизации сайта, но и о качестве цифрового присутствия бренда в целом.

Василий Жарков

Специалист по продвижению в нейросетях

Ключевая мысль

Генеративная модель оценивает не отдельную страницу сайта. Она работает с совокупностью информации, доступной о компании в открытом информационном пространстве.

Почему рекомендации разных моделей отличаются

Многие специалисты замечают интересную закономерность.

Если задать одинаковый вопрос ChatGPT, Gemini, Claude, Perplexity, Алисе или другой генеративной системе, ответы могут отличаться.

Иногда совпадает большая часть рекомендаций.

Иногда модели называют совершенно разные компании.

Это вполне ожидаемо.

Современные генеративные системы отличаются друг от друга практически по всем ключевым параметрам.

Различаются:

1. архитектуры моделей;
2. подходы к обучению;
3. механизмы поиска информации;
4. использование внешнего поиска;
5. периодичность обновления данных;
6. способы формирования итогового ответа.

Поэтому не существует универсального списка компаний, который одинаково используется всеми генеративными моделями.

При этом можно заметить другую закономерность.

Компании, обладающие сильным цифровым присутствием, чаще оказываются среди рекомендаций сразу нескольких моделей.

Именно это наблюдение стало одной из отправных точек нашего исследования.

Почему возник термин Generative Engine Optimization

По мере роста популярности генеративных моделей специалисты начали искать подходы, которые помогли бы компаниям быть лучше представленными в ответах искусственного интеллекта.

Так появился термин Generative Engine Optimization (GEO).

Сегодня под GEO обычно понимают комплекс мероприятий, направленных на повышение качества цифрового присутствия компании с учётом особенностей генеративных систем.

При этом важно не сводить GEO исключительно к технической оптимизации сайта.

Такое представление было бы слишком узким.

Если классическое SEO в первую очередь работает с поисковыми системами и страницами сайта, то продвижение в нейросетях затрагивает значительно более широкий круг задач.

Среди них:

1. развитие экспертного контента;
2. работа с цифровой репутацией;
3. присутствие в авторитетных отраслевых источниках;
4. публикация исследований;
5. участие в рейтингах;
6. создание структурированной информации о компании;
7. формирование понятной цифровой идентичности бренда.

Другими словами, объектом работы становится уже не отдельная страница сайта, а информационная среда, в которой существует компания.

Почему мы решили провести это исследование

В течение последних месяцев команда NeuroReach работала с проектами, основной задачей которых было повышение представленности компаний в генеративных моделях.

Практически каждый проект начинался с одних и тех же вопросов.

Почему искусственный интеллект рекомендует именно эти компании?

Можно ли объяснить причины появления бренда в ответах нейросетей?

Какие изменения действительно влияют на рекомендации, а какие являются случайными совпадениями?

Ответить на эти вопросы исключительно теоретически невозможно.

Именно поэтому мы построили исследование вокруг практических наблюдений.

Мы анализировали ответы различных генеративных моделей, отслеживали изменения после появления новых публикаций, сравнивали рекомендации между системами и проверяли рабочие гипотезы на коммерческих проектах.

Цель этого материала — не предложить универсальный набор приёмов.

Наша задача значительно шире.

Мы хотим предложить понятную модель, которая поможет объяснить, почему современные генеративные системы рекомендуют одни компании чаще других, какие факторы потенциально влияют на этот процесс и какое место в новой цифровой среде занимает Generative Engine Optimization.

Далее мы перейдём к самому важному вопросу исследования — попробуем разобраться, как именно генеративные модели формируют рекомендации и почему один и тот же запрос может приводить к разным ответам в разных системах.

Как генеративные модели формируют рекомендации

Когда пользователь задаёт вопрос генеративной модели, ответ обычно выглядит цельным и последовательным. Из-за этого может возникнуть впечатление, что искусственный интеллект просто «знает», какие компании являются лучшими на рынке.

На практике всё значительно сложнее.

Современные генеративные модели не обладают собственным мнением о компаниях, товарах или услугах. Они работают с информацией, которая уже существует в цифровом пространстве, анализируют её, сопоставляют различные источники и формируют наиболее вероятный ответ на поставленный вопрос.

При этом разработчики крупнейших генеративных систем не раскрывают полный состав факторов, влияющих на рекомендации. Поэтому любые выводы о механизмах их работы следует рассматривать как результат практических наблюдений и анализа поведения моделей, а не как описание внутренних алгоритмов.

Тем не менее уже сегодня можно выделить несколько закономерностей, которые регулярно проявляются в ответах различных генеративных систем.

Закономерность №1. Искусственный интеллект стремится к согласованности информации

Если одна и та же информация встречается сразу в нескольких независимых источниках, вероятность того, что генеративная модель будет воспринимать её как достоверную, значительно возрастает.

Например, если компания последовательно описывает себя как разработчика CRM-системы, а это же подтверждают отраслевые СМИ, рейтинги, профильные каталоги, экспертные публикации и собственные материалы компании, то у модели формируется достаточно целостное представление о бренде.

Обратная ситуация выглядит иначе.

Если на официальном сайте компания позиционирует себя одним образом, в публикациях используется другая формулировка, а в каталогах указаны устаревшие сведения, цифровой образ становится менее однозначным.

Это не означает, что генеративная модель обязательно исключит компанию из рекомендаций. Однако ей становится значительно сложнее определить, чем именно занимается организация, в каких задачах обладает экспертизой и в каких пользовательских сценариях её стоит рекомендовать.

Именно поэтому качество цифрового присутствия определяется не количеством публикаций, а их согласованностью.

Закономерность №2. Значение имеет не один источник, а информационная среда

Один из самых распространённых вопросов звучит так:

«На каком сайте нужно разместить информацию, чтобы попасть в рекомендации нейросети?»

Практика показывает, что такой вопрос изначально построен неверно.

Не существует одного универсального источника, который гарантирует появление компании в ответах генеративной модели.

Гораздо важнее совокупность сигналов.

Официальный сайт рассказывает о компании.

Отраслевые СМИ подтверждают её экспертность.

Рейтинги помогают определить положение на рынке.

Публикации раскрывают специализацию.

Интервью показывают позицию экспертов.

Доклады и конференции демонстрируют практический опыт.

Отзывы помогают сформировать представление о пользовательском опыте.

Каждый из этих элементов сам по себе может показаться недостаточным.

Однако вместе они формируют цифровой профиль компании, который генеративная модель способна анализировать значительно эффективнее, чем отдельные несвязанные публикации.

Закономерность №3. Экспертность должна быть подтверждена фактами

Большинство компаний называют себя профессионалами.

На сайтах можно встретить формулировки вроде:

«Лидер рынка.»

«Команда экспертов.»

«Лучшее решение.»

«Высокое качество.»

Подобные заявления давно стали частью корпоративной коммуникации.

Однако для генеративной модели значительно большую ценность представляют сведения, которые можно подтвердить.

Например:

1. участие в профессиональных рейтингах;
2. опубликованные исследования;
3. реализованные проекты;
4. отраслевые награды;
5. публичные выступления;
6. аналитические материалы;
7. интервью;
8. статистика;
9. кейсы с измеримыми результатами.

Чем больше подобных подтверждений присутствует в открытом информационном пространстве, тем более содержательным становится цифровой профиль компании.

Закономерность №4. Контекст вопроса влияет на рекомендации

Ещё одна особенность генеративных моделей заключается в том, что они стараются учитывать контекст пользовательского запроса.

Например, вопросы:

«Какую CRM выбрать?»

и

«Какую CRM выбрать производственной компании с отделом продаж из 50 человек?»

формально относятся к одной теме.

Но для генеративной модели это два разных сценария.

Во втором случае появляется значительно больше факторов, которые необходимо учитывать.

Размер компании.

Отрасль.

Особенности процессов.

Тип бизнеса.

Потенциальные требования к функциональности.

Поэтому и рекомендации могут существенно отличаться.

То же самое происходит практически во всех сферах.

Лучшее решение зависит не только от качества компании, но и от конкретной задачи пользователя.

Именно поэтому продвижение в нейросетях нельзя рассматривать как попытку стать «лучшим для всех».

Гораздо важнее сформировать понятную экспертную связь между компанией и теми задачами, которые она действительно решает.

Закономерность №5. Генеративные модели оценивают смысл, а не только ключевые слова

Традиционная поисковая оптимизация долгое время строилась вокруг анализа поисковых запросов.

Несмотря на существенное развитие алгоритмов, поисковые системы по-прежнему работают с запросами пользователя и документами, которые могут содержать ответ.

Генеративные модели делают ещё один шаг вперёд.

Они пытаются понять смысл вопроса.

Например, пользователь может вообще не упоминать название услуги.

Вместо этого он описывает проблему.

Именно поэтому всё большее значение приобретает полнота экспертного контента.

Компания должна быть способна объяснить не только то, какие услуги она оказывает, но и какие задачи помогает решить, с какими проблемами сталкиваются её клиенты, в каких ситуациях её опыт оказывается наиболее полезным.

Чем богаче и последовательнее описана эта экспертиза, тем выше вероятность того, что генеративная модель сможет правильно связать компанию с соответствующим пользовательским запросом.

Первые выводы

Несмотря на то что внутренние алгоритмы генеративных моделей остаются закрытыми, практические наблюдения позволяют сделать несколько важных выводов.

Во-первых, продвижение в нейросетях нельзя свести к одному техническому действию или одному инструменту.

Во-вторых, генеративные модели работают не с отдельной страницей сайта, а с совокупностью сведений о компании.

В-третьих, ключевую роль начинает играть не объём опубликованной информации, а её качество, последовательность и способность формировать целостное представление о бренде.

Именно поэтому продвижение в нейросетях постепенно становится самостоятельным направлением цифрового маркетинга, которое объединяет SEO, управление цифровой репутацией, контент-маркетинг, работу со СМИ, отраслевыми рейтингами, экспертными публикациями и другими элементами цифрового присутствия компании.

Однако остаётся главный вопрос.

Если генеративные модели используют столь большое количество информации, можно ли системно повлиять на вероятность появления бренда в рекомендациях?

Чтобы ответить на него, необходимо разобраться, какие принципы лежат в основе Generative Engine Optimization и чем этот подход отличается от привычной поисковой оптимизации.

Чем Generative Engine Optimization отличается от классического SEO

После появления первых публикаций о продвижении в нейросетях возникло два противоположных мнения.

Одни специалисты заявили, что SEO постепенно теряет актуальность, поскольку пользователи всё чаще обращаются к генеративным моделям.

Другие, наоборот, утверждали, что никакого нового направления не существует, а GEO — это лишь новое название уже известных методов поисковой оптимизации.

На практике обе точки зрения выглядят слишком упрощёнными.

Generative Engine Optimization не заменяет SEO.

Но и не является его полным синонимом.

Это разные направления, которые решают разные задачи, хотя во многом используют одни и те же фундаментальные принципы.

SEO отвечает на вопрос «Как найти сайт?»

Классическая поисковая оптимизация появилась как способ помочь поисковым системам лучше понимать содержимое веб-страниц.

За годы развития отрасли существенно изменились алгоритмы ранжирования, появились сотни факторов, влияющих на позиции сайта, однако основная задача осталась прежней.

Поисковой системе необходимо определить:

1. соответствует ли страница запросу пользователя;
2. насколько качественным является материал;
3. заслуживает ли сайт доверия;
4. стоит ли показывать его среди результатов поиска.

Итогом работы SEO становится рост видимости сайта в поисковой выдаче и увеличение органического трафика.

Проще говоря, SEO помогает пользователю найти компанию.

GEO отвечает на вопрос «Почему именно эту компанию стоит рекомендовать?»

Generative Engine Optimization решает другую задачу.

Генеративная модель не ограничивается поиском документа.

Она пытается сформировать ответ.

Если пользователь спрашивает:

«Какие CRM подходят для среднего бизнеса?»

или

«Какие маркетинговые агентства обладают сильной экспертизой в SEO?»

модель должна не просто найти информацию.

Ей необходимо выбрать компании, объяснить причины выбора и представить ответ в логичной и понятной форме.

Поэтому объектом анализа становится уже не только сайт.

Важную роль начинают играть сведения обо всей компании.

Насколько понятно описана её специализация.

Подтверждается ли экспертность независимыми источниками.

Насколько последовательно бренд представлен в цифровой среде.

Есть ли противоречия между различными публикациями.

Можно ли сформировать цельное представление о деятельности организации.

Таким образом, если SEO помогает сделать сайт заметным, то GEO помогает сделать компанию понятной.

Почему сайт по-прежнему остаётся основой

Иногда можно встретить мнение, что с развитием генеративных моделей значение корпоративного сайта будет постепенно снижаться.

Пока подобные выводы выглядят преждевременными.

Во многих случаях именно официальный сайт остаётся наиболее полным и структурированным источником информации о компании.

Именно здесь публикуются:

1. описание услуг;
2. информация о продуктах;
3. сведения о команде;
4. кейсы;
5. исследования;
6. новости;
7. документация;
8. контактные данные;
9. официальные заявления.

Для генеративных моделей подобная информация имеет особую ценность, поскольку позволяет получить наиболее точное представление о деятельности организации.

Поэтому качественный сайт остаётся фундаментом цифрового присутствия.

Однако одного сайта уже недостаточно.

Почему цифровое присутствие становится шире сайта

Если раньше значительная часть маркетинговых усилий концентрировалась вокруг корпоративного ресурса, сегодня компания существует одновременно в десятках информационных пространств.

Её упоминают отраслевые издания.

О ней пишут СМИ.

Она участвует в профессиональных рейтингах.

Публикует исследования.

Даёт комментарии экспертным площадкам.

Выступает на конференциях.

Ведёт корпоративные блоги.

Размещает аналитические материалы.

Развивает образовательные проекты.

Формирует базу знаний.

Все эти элементы постепенно складываются в единый цифровой профиль компании.

Именно этот профиль становится источником информации не только для людей, но и для генеративных моделей.

Чем более последовательным он является, тем проще искусственному интеллекту понять специализацию бренда и связать её с соответствующими запросами пользователей.

Почему GEO объединяет сразу несколько направлений маркетинга

Одна из особенностей продвижения в нейросетях заключается в том, что оно находится на пересечении сразу нескольких дисциплин.

Здесь недостаточно заниматься исключительно поисковой оптимизацией или исключительно контент-маркетингом.

Необходим комплексный подход.

В него могут входить:

1. поисковая оптимизация сайта;
2. развитие экспертного контента;
3. работа с цифровой репутацией;
4. публикации в отраслевых СМИ;
5. участие в независимых рейтингах;
6. создание исследований;
7. развитие личного бренда экспертов;
8. структурирование информации о компании;
9. работа со справочниками и отраслевыми каталогами;
10. формирование единой цифровой идентичности бренда.

По отдельности каждый из этих инструментов существовал и раньше.

Новым становится не сам набор инструментов, а цель их использования.

Если раньше они в основном помогали привлекать внимание человека, то теперь они также формируют информационную среду, которую анализируют генеративные модели.

Почему продвижение в нейросетях нельзя свести к технической оптимизации

На раннем этапе развития GEO многие публикации были посвящены преимущественно техническим вопросам.

Обсуждались структурированные данные, семантическая разметка, оптимизация страниц и другие элементы, хорошо знакомые специалистам по SEO.

Безусловно, техническое качество сайта остаётся важным фактором.

Однако практические наблюдения показывают, что этого недостаточно.

Генеративные модели работают значительно шире, чем классические поисковые системы.

Они стремятся понять компанию как субъект рынка.

Кто она.

Чем занимается.

В каких задачах обладает экспертизой.

Какими фактами это подтверждается.

Поэтому техническая оптимизация становится лишь одной из составляющих более общей стратегии.

От оптимизации страниц — к управлению цифровой сущностью компании

Пожалуй, главное отличие GEO заключается в изменении самого объекта оптимизации.

В традиционном SEO основной единицей работы была страница сайта.

Оптимизировались заголовки.

Контент.

Структура документа.

Внутренняя перелинковка.

Ссылочный профиль.

В Generative Engine Optimization фокус постепенно смещается.

В центре внимания оказывается уже не страница, а сама компания как единая цифровая сущность.

Насколько последовательно она описана в разных источниках.

Насколько понятны её специализация и компетенции.

Какие устойчивые ассоциации формируются вокруг бренда.

Насколько легко генеративной модели ответить на вопрос:

«В каких ситуациях эту компанию действительно стоит рекомендовать?»

Именно поэтому продвижение в нейросетях постепенно выходит за рамки исключительно SEO и становится частью более широкой стратегии управления цифровым присутствием бренда.

Из чего складывается цифровой образ компании

Один из самых распространённых вопросов, который сегодня задают специалисты по маркетингу, звучит достаточно просто:

Что именно анализируют генеративные модели, когда рекомендуют компанию?

Точного ответа на этот вопрос пока не существует.

Разработчики крупнейших языковых моделей не раскрывают внутренние механизмы ранжирования рекомендаций. Поэтому любые попытки описать их алгоритмы неизбежно будут носить предположительный характер.

Однако это не означает, что закономерности невозможно исследовать.

Если регулярно анализировать ответы различных генеративных моделей, сравнивать их между собой и наблюдать за тем, как меняются рекомендации после появления новой информации, постепенно начинают проявляться устойчивые тенденции.

Именно такой подход лёг в основу нашего исследования.

Мы не пытались ответить на вопрос, как устроены генеративные модели внутри.

Нас интересовал другой вопрос:

Каким должен быть цифровой образ компании, чтобы искусственный интеллект мог корректно понять её специализацию и рекомендовать пользователям в релевантных сценариях?

Именно понятие цифрового образа компании стало одним из ключевых в ходе исследования.

Компания существует не только на своём сайте

Когда речь заходит о цифровом присутствии бизнеса, многие по-прежнему представляют себе официальный сайт.

Это закономерно.

Именно сайт остаётся центральной площадкой, где компания рассказывает о своих продуктах, услугах, команде и опыте.

Однако для генеративной модели сайт — лишь один из источников информации.

Любая организация оставляет после себя значительно более широкий цифровой след.

Компания может упоминаться:

1. в отраслевых средствах массовой информации;
2. в профессиональных рейтингах;
3. в каталогах организаций;
4. в карточках картографических сервисов;
5. в интервью руководителей;
6. в экспертных колонках;
7. в аналитических исследованиях;
8. в материалах конференций;
9. в пресс-релизах;
10. в образовательных публикациях;
11. в официальной документации;
12. в открытых базах знаний;
13. в социальных сетях;
14. на видеоплощадках;
15. в подкастах;
16. в отзывах клиентов.

Каждый из этих источников содержит отдельный фрагмент информации.

По отдельности они редко дают полную картину.

Но вместе формируют цифровой образ компании.

Именно с этим образом, по нашей гипотезе, и взаимодействуют современные генеративные модели.

Цифровой образ должен быть последовательным

Представим две компании.

Первая регулярно публикует экспертные материалы.

Участвует в отраслевых конференциях.

Попадает в независимые рейтинги.

Даёт комментарии специализированным изданиям.

Публикует исследования.

Развивает официальный сайт.

Во всех источниках компания описывается примерно одинаково.

Её специализация понятна.

Экспертиза подтверждается фактами.

Вторая компания также активно присутствует в интернете.

Однако информация о ней противоречива.

На сайте используется одно позиционирование.

В интервью — другое.

В каталогах указаны устаревшие сведения.

Разные публикации описывают компанию по-разному.

Для человека подобные противоречия не всегда критичны.

Он способен самостоятельно разобраться в ситуации.

Генеративной модели сделать это значительно сложнее.

Чем менее последовательной выглядит цифровая картина, тем труднее сформировать уверенное представление о компании.

И наоборот.

Если сведения из разных независимых источников не противоречат друг другу, цифровой образ становится более целостным.

Значение имеет не количество публикаций

Долгое время в цифровом маркетинге существовал подход, при котором основной целью становилось увеличение количества контента.

Публиковалось всё больше статей.

Создавались десятки страниц.

Расширялись разделы сайта.

Добавлялись новые материалы.

Сам по себе этот подход нельзя назвать ошибочным.

Однако практические наблюдения показывают, что для генеративных моделей значительно важнее другое.

Не количество информации.

А её качество.

Полнота.

Актуальность.

Последовательность.

Связность.

Если одна и та же мысль подтверждается несколькими независимыми источниками, вероятность её корректного восприятия существенно выше, чем в ситуации, когда большое количество публикаций дублирует друг друга или содержит противоречивые сведения.

Именно поэтому сегодня всё чаще внимание смещается с объёма контента на качество цифровой среды вокруг бренда.

Экспертность должна быть измеримой

Практически каждая компания называет себя профессиональной.

На корпоративных сайтах можно встретить десятки похожих формулировок:

«Лидеры рынка.»

«Команда экспертов.»

«Лучшие специалисты.»

«Высокое качество.»

Подобные заявления практически невозможно проверить.

Поэтому сами по себе они имеют ограниченную ценность.

Совсем иначе воспринимаются сведения, которые можно подтвердить.

Например:

1. результаты независимых исследований;
2. участие в профессиональных рейтингах;
3. аналитические материалы;
4. отраслевые публикации;
5. реальные кейсы;
6. статистика проектов;
7. публичные выступления;
8. образовательные программы;
9. экспертные комментарии;
10. собственные исследования рынка.

Такие материалы не просто рассказывают о компании.

Они помогают объяснить, почему именно эта компания обладает соответствующей экспертизой.

Для генеративных моделей подобная информация потенциально значительно полезнее декларативных маркетинговых утверждений.

Цифровой образ нельзя сформировать за один день

Ещё одна закономерность, которую мы наблюдали в ходе исследования, связана со временем.

Компании редко начинают регулярно появляться в рекомендациях сразу после одной публикации или одного информационного повода.

Гораздо чаще заметный результат становится следствием длительной и последовательной работы.

Постепенно появляются статьи.

Исследования.

Выступления.

Комментарии.

Рейтинги.

Интервью.

Экспертные материалы.

Каждый новый элемент дополняет уже существующую информационную картину.

Со временем отдельные публикации начинают складываться в единую систему.

Именно тогда цифровой образ компании становится значительно более устойчивым.

Поэтому продвижение в нейросетях сложно рассматривать как разовую маркетинговую кампанию.

Скорее, это процесс системного развития цифрового присутствия бренда.

Основной вывод

Если обобщить результаты наблюдений, можно сформулировать одну гипотезу, которая проходит через всё наше исследование.

Генеративные модели рекомендуют не сайты и не отдельные публикации. Они работают с цифровым образом компании, который формируется на основе множества взаимосвязанных источников информации.

Именно поэтому продвижение в нейросетях нельзя свести к технической оптимизации сайта или публикации нескольких статей.

Оно требует системной работы над тем, как компания представлена в цифровом пространстве, насколько последовательно описана её экспертиза и насколько убедительно эта экспертиза подтверждается независимыми источниками.

Эта гипотеза стала отправной точкой для разработки методологии NeuroReach, цель которой — не просто увеличить количество упоминаний бренда, а сформировать устойчивый, понятный и подтверждённый цифровой образ компании.

В следующем разделе мы подробно рассмотрим эту методологию, объясним её основные принципы и покажем, каким образом она использовалась в рамках проведённого исследования.

Методология NeuroReach: как мы исследуем продвижение в нейросетях

После анализа сотен ответов различных генеративных моделей мы пришли к выводу, что продвижение в нейросетях невозможно описать одним фактором.

Нельзя объяснить рекомендации исключительно качеством сайта.

Нельзя свести их только к публикациям в СМИ.

Недостаточно учитывать только поисковую оптимизацию или цифровую репутацию.

На практике рекомендации генеративных моделей формируются под влиянием большого количества взаимосвязанных сигналов.

Поэтому в ходе исследования мы отказались от попытки найти единственный фактор успеха.

Вместо этого была разработана модель, рассматривающая цифровое присутствие компании как единую экосистему.

Основная идея этой модели заключается в следующем.

Василий Жарков

Специалист по продвижению в нейросетях

Генеративная модель рекомендует не страницу сайта и не отдельную публикацию. Она формирует представление о компании как о единой сущности, объединяя сведения из множества источников.

Именно поэтому объектом исследования стала не отдельная публикация, а цифровая экосистема бренда.

Первый принцип. Последовательность

Любая компания сообщает рынку большое количество информации.

Описание услуг.

Миссию.

Позиционирование.

Экспертизу.

Историю.

Преимущества.

Проблема заключается в том, что эти сведения часто отличаются в зависимости от площадки.

На официальном сайте используется одна формулировка.

В интервью — другая.

В каталоге организаций — третья.

В социальных сетях — четвёртая.

Для человека подобные различия редко становятся серьёзной проблемой.

Он способен самостоятельно понять, что речь идёт об одной и той же компании.

Для генеративной модели подобные расхождения могут усложнять формирование единого цифрового образа.

Поэтому одним из основных принципов методологии NeuroReach является последовательность описания компании во всех значимых источниках.

Речь не идёт о буквальном копировании текстов.

Наоборот, материалы должны отличаться друг от друга.

Однако ключевые сведения о компании, её специализации, компетенциях и сфере деятельности должны оставаться едиными.

Второй принцип. Подтверждаемая экспертность

Экспертность невозможно создать с помощью рекламных утверждений.

Она появляется тогда, когда существует достаточное количество независимых подтверждений.

Именно поэтому в рамках исследования мы рассматривали экспертность как совокупность объективных сигналов.

К ним относятся:

1. исследования;
2. аналитические материалы;
3. кейсы;
4. отраслевые публикации;
5. рейтинги;
6. интервью;
7. публичные выступления;
8. образовательные материалы;
9. экспертные комментарии;
10. статистика проектов.

Каждый подобный материал не просто рассказывает о компании.

Он помогает объяснить, почему она обладает соответствующей компетенцией.

Третий принцип. Связность цифровой среды

Большинство компаний воспринимают различные маркетинговые инструменты как независимые направления работы.

SEO существует отдельно.

PR отдельно.

Контент-маркетинг отдельно.

SERM отдельно.

Рейтинги отдельно.

Однако генеративная модель не разделяет информацию подобным образом.

Она воспринимает всё цифровое пространство как единый информационный массив.

Поэтому важным становится не наличие отдельных публикаций, а наличие связей между ними.

Например, исследование может быть опубликовано на сайте компании.

Затем его цитируют отраслевые СМИ.

Позже оно обсуждается на конференции.

После этого появляются экспертные комментарии.

Возникает единая информационная цепочка.

Именно подобные связи делают цифровой образ значительно более устойчивым.

Четвёртый принцип. Постоянное развитие

Цифровой образ нельзя сформировать один раз.

Любая компания развивается.

Появляются новые продукты.

Меняется команда.

Выходят исследования.

Публикуются кейсы.

Происходят новые события.

Если цифровое присутствие перестаёт обновляться, со временем оно начинает отражать прошлое состояние компании.

Поэтому продвижение в нейросетях представляет собой непрерывный процесс.

Цифровая среда вокруг бренда должна развиваться одновременно с самим бизнесом.

Пятый принцип. Комплексный подход

Самый важный вывод нашего исследования заключается в том, что ни один инструмент сам по себе не способен обеспечить устойчивое присутствие компании в рекомендациях генеративных моделей.

Даже качественный сайт не решает эту задачу полностью.

Так же как её не решают публикации в СМИ, работа с репутацией или участие в рейтингах по отдельности.

Максимальный эффект достигается тогда, когда все элементы цифрового присутствия начинают работать как единая система.

Именно поэтому мы рассматриваем Generative Engine Optimization не как отдельный маркетинговый инструмент, а как подход к управлению цифровым образом компании.

Проверка гипотезы на практике

Любая методология имеет ценность только в том случае, если её можно проверить в реальных проектах.

Именно поэтому следующим этапом исследования стало применение описанных принципов в коммерческих проектах из различных отраслей.

На протяжении нескольких месяцев мы наблюдали, как изменяется представленность компаний в ответах генеративных моделей после последовательного развития их цифрового присутствия.

Одним из таких проектов стала CRM-платформа i2CRM.

Именно этот проект позволил проверить многие из описанных гипотез на практике и оценить, насколько изменения цифровой среды компании могут влиять на её представленность в рекомендациях современных генеративных моделей.

Практическая часть исследования

До этого момента мы рассматривали продвижение в нейросетях как концепцию.

Разобрали, почему меняется поведение пользователей, чем Generative Engine Optimization отличается от классического SEO и какие закономерности можно наблюдать при анализе ответов современных генеративных моделей.

Следующий вопрос закономерен.

Работают ли описанные принципы на практике?

Чтобы ответить на него, недостаточно теоретических рассуждений.

Необходимо проверить гипотезы в реальных коммерческих проектах, наблюдая за тем, как меняется представленность компаний в рекомендациях генеративных моделей после последовательной работы над их цифровым присутствием.

Именно этому посвящена практическая часть нашего исследования.

Доклад, на основе которого подготовлено исследование

Основные выводы исследования впервые были представлены на профильной конференции в виде открытого доклада, посвящённого продвижению компаний в генеративных моделях.

В выступлении подробно рассматриваются причины появления Generative Engine Optimization, изменения в поведении пользователей, особенности работы современных нейросетей, а также результаты первых коммерческих проектов.

Если вам удобнее воспринимать информацию в формате видео, рекомендуем сначала посмотреть запись выступления, а затем вернуться к статье для более детального изучения отдельных разделов.

▶ https://vkvideo.ru/video-141990443_456239697

▶ https://www.youtube.com/watch?si=gt9F8hdv9tUyhImx&v=efz0Ke-eX4o&feature=youtu.be

Презентация исследования

Для доклада была подготовлена отдельная презентация, которая отражает структуру исследования и основные выводы.

Ниже мы последовательно разберём каждый раздел презентации, дополнив его пояснениями, примерами и результатами практической работы.

▶ https://disk.yandex.ru/i/6LjcM970eR8pXw

Разбор презентации

Основные выводы исследования были впервые представлены в формате доклада на профильной конференции. Для выступления была подготовлена отдельная презентация, в которой последовательно отражены ключевые идеи, гипотезы, методология и результаты практической работы.

Однако любой доклад неизбежно ограничен временем. Многие тезисы, представленные на слайдах, были сформулированы максимально кратко и не позволяли подробно объяснить причины сделанных выводов, привести дополнительные примеры и показать взаимосвязь между отдельными этапами исследования.

Именно поэтому в рамках статьи мы не будем ограничиваться публикацией самой презентации.

Ниже последовательно разберём каждый слайд, объясним, какие идеи лежат в его основе, какие гипотезы проверялись в ходе исследования и каким образом они подтверждались на практике. Такой формат позволяет использовать презентацию как краткую навигацию по исследованию, а статью — как её подробную аналитическую расшифровку.

Слайд 1. Нейросеть — новый этап конкурентной борьбы

Первый слайд задаёт главную тему всего исследования.

За последние два десятилетия компании привыкли конкурировать за внимание пользователя в поисковых системах. Основными инструментами этой борьбы были поисковая оптимизация, контекстная реклама, контент-маркетинг, работа с репутацией и развитие бренда. Независимо от используемого канала цель оставалась одинаковой — привести потенциального клиента на сайт компании.

С появлением генеративных моделей эта последовательность начала меняться.

Сегодня всё больше пользователей начинают выбор не с просмотра поисковой выдачи, а с обращения к искусственному интеллекту. Вместо самостоятельного изучения десятков сайтов человек задаёт вопрос ChatGPT, Claude, Gemini, Perplexity, Copilot, Алисе или другой генеративной модели и получает готовую рекомендацию вместе с объяснением причин выбора.

На первый взгляд может показаться, что изменился только интерфейс поиска. Вместо строки поисковой системы появился диалог с искусственным интеллектом. На практике изменения значительно глубже.

Если раньше поисковая система помогала пользователю найти информацию, то генеративная модель всё чаще помогает принять предварительное решение. Она анализирует доступные сведения, сопоставляет различные источники, выделяет наиболее подходящие варианты и представляет их уже в виде готового ответа.

Именно поэтому конкуренция постепенно смещается ещё на один уровень.

Компании начинают бороться не только за место в поисковой выдаче, но и за вероятность появления в рекомендациях искусственного интеллекта.

При этом важно понимать, что рекомендация генеративной модели не заменяет весь процесс продажи.

После получения ответа пользователь всё равно изучает официальный сайт компании, сравнивает условия, оценивает стоимость услуг, знакомится с кейсами, читает отзывы и принимает окончательное решение самостоятельно.

Однако первое представление о рынке уже сформировано.

Во многих случаях именно генеративная модель определяет первоначальный круг компаний, которые вообще попадут в поле зрения потенциального клиента.

Это означает, что искусственный интеллект становится новым участником процесса принятия решений. Не конечным покупателем, а своеобразным аналитиком, который предварительно фильтрует рынок и помогает пользователю сократить количество рассматриваемых вариантов.

Именно этот сдвиг стал отправной точкой всего нашего исследования.

Если нейросети начинают влиять на выбор поставщиков товаров и услуг, возникает закономерный вопрос: почему они рекомендуют одни компании и значительно реже упоминают другие?

Ответу на этот вопрос посвящены все последующие разделы презентации.

Слайд 2. Генеративная модель становится участником процесса выбора

Если первый слайд формулирует проблему, то второй объясняет, почему она вообще возникла.

На протяжении многих лет процесс выбора любого сложного продукта был практически одинаковым. Пользователь открывал поисковую систему, вводил запрос, просматривал несколько сайтов, изучал обзоры, читал отзывы, сравнивал характеристики и только после этого принимал решение.

Во всех этих действиях именно человек выступал главным аналитиком. Поисковая система лишь помогала найти документы, но не пыталась подсказать, какой вариант лучше.

С развитием генеративных моделей эта последовательность изменилась.

Сегодня искусственный интеллект всё чаще выполняет ту часть работы, которую раньше пользователь делал самостоятельно. Он анализирует большое количество информации, сравнивает различные компании, выделяет сильные и слабые стороны каждого решения и предлагает уже готовый список рекомендаций.

Именно поэтому в презентации используется понятие «новый участник процесса выбора».

Важно подчеркнуть, что речь не идёт о полной замене человека. Пользователь по-прежнему самостоятельно принимает окончательное решение, однако этап предварительного анализа всё чаще делегируется искусственному интеллекту.

Это изменение может показаться незначительным, но именно оно создаёт новую конкурентную среду.

Если раньше борьба происходила исключительно за внимание человека, то теперь появляется ещё один уровень — необходимо, чтобы сама генеративная модель смогла корректно понять компанию, определить её специализацию и связать её с теми сценариями, в которых она действительно является подходящим выбором.

Практика показывает, что этот процесс нельзя свести к случайности.

Если последовательно задавать различным генеративным моделям схожие вопросы, можно заметить определённые закономерности. Одни компании упоминаются регулярно, другие появляются лишь в отдельных сценариях, третьи практически никогда не попадают в рекомендации, несмотря на сильные позиции в классическом поиске.

Именно это наблюдение стало отправной точкой нашего исследования.

Мы предположили, что рекомендации генеративных моделей формируются не случайным образом, а под влиянием определённого набора факторов, которые можно выявить посредством систематического анализа.

В отличие от поисковых систем, где многие принципы ранжирования хорошо изучены профессиональным сообществом, механизмы формирования ответов генеративных моделей остаются закрытыми. Разработчики крупнейших языковых моделей не раскрывают полный перечень факторов, влияющих на рекомендации компаний.

Поэтому единственным способом приблизиться к пониманию этих механизмов становится наблюдение за поведением самих моделей.

Именно такой подход и был выбран в рамках исследования.

Вместо попыток объяснить внутреннее устройство искусственного интеллекта мы сосредоточились на анализе его поведения. Мы сравнивали ответы разных генеративных моделей, отслеживали изменение рекомендаций после появления новых публикаций, анализировали повторяющиеся закономерности и проверяли возникающие гипотезы на реальных коммерческих проектах.

Этот подход во многом напоминает исследования алгоритмов поисковых систем в первые годы развития SEO. Пока внутренние механизмы оставались закрытыми, специалисты изучали не код поисковых алгоритмов, а их поведение. Постепенно именно практические наблюдения позволили сформировать современные подходы к поисковой оптимизации.

Сегодня продвижение в генеративных моделях находится в похожей стадии развития.

Мы ещё не знаем всех внутренних принципов работы языковых моделей, однако уже можем наблюдать устойчивые закономерности, повторяющиеся независимо от конкретной платформы. Именно анализ этих закономерностей и стал фундаментом дальнейших разделов исследования.

Слайд 3. Проверяем гипотезу на реальном коммерческом проекте

После обсуждения общих закономерностей возникает вполне логичный вопрос: насколько эти наблюдения подтверждаются практикой?

Любая гипотеза имеет ценность только тогда, когда её можно проверить в реальном бизнесе. Именно поэтому следующий этап исследования был построен не вокруг теоретических рассуждений, а вокруг коммерческого проекта, в котором можно было последовательно отслеживать изменения цифрового присутствия компании и анализировать реакцию генеративных моделей.

В качестве такого проекта была выбрана CRM-платформа i2CRM.

Этот выбор нельзя назвать случайным.

Во-первых, рынок CRM отличается высокой конкуренцией. Пользователи регулярно обращаются к нейросетям за рекомендациями, сравнивают различные решения и просят подобрать систему под конкретные бизнес-задачи. Во-вторых, подобные запросы имеют выраженный коммерческий характер. Человек не просто интересуется темой, а находится на этапе выбора продукта, что делает рекомендации искусственного интеллекта особенно значимыми.

Кроме того, рынок CRM хорошо подходит для анализа изменений. Здесь присутствует большое количество известных игроков, сформирована развитая информационная среда, регулярно публикуются обзоры, рейтинги, сравнительные материалы и экспертные статьи. Всё это создаёт благоприятные условия для проверки гипотез о том, каким образом цифровое присутствие влияет на ответы генеративных моделей.

Важно отметить, что целью проекта никогда не было получение быстрого результата за счёт какого-либо одного инструмента.

Мы сознательно отказались от подхода, при котором эффективность продвижения оценивается после публикации одной статьи, размещения одного пресс-релиза или технической оптимизации сайта.

Подобные эксперименты редко позволяют сделать объективные выводы, поскольку одновременно на рекомендации генеративных моделей может влиять множество внешних факторов.

Поэтому было принято решение использовать комплексный подход.

В рамках проекта последовательно развивались различные элементы цифрового присутствия компании: официальный сайт, экспертные публикации, отраслевые материалы, рейтинги, аналитические исследования, структурированные данные, фактоиды, ответы на типовые вопросы пользователей и другие составляющие, которые вместе формируют цифровой образ бренда.

При этом изменения внедрялись постепенно.

Такой подход позволял наблюдать не только итоговый результат, но и понимать, каким образом меняется представленность компании по мере развития её цифровой среды.

Ещё одной важной особенностью проекта стало использование сразу нескольких генеративных моделей.

Если бы анализ ограничивался только одной платформой, было бы невозможно понять, являются ли наблюдаемые изменения устойчивой закономерностью или особенностью конкретного алгоритма. Поэтому ответы регулярно сравнивались между различными системами, включая ChatGPT, Claude, Gemini, Perplexity, Copilot, DeepSeek и другие модели.

Это позволило оценивать не единичные случаи появления бренда в рекомендациях, а общую динамику изменения его представленности в генеративной среде.

Именно результаты этого проекта стали практической основой исследования.

Все дальнейшие выводы, представленные в презентации, основаны не на предположениях, а на наблюдениях, полученных в ходе многомесячной работы с реальным коммерческим проектом. Они не претендуют на описание внутренних алгоритмов языковых моделей, однако позволяют проследить устойчивые закономерности, которые начинают проявляться при последовательной работе над цифровым присутствием компании.

Слайд 4. Почему нейросети рекомендуют конкурентов

Именно с этого этапа начинается практическая часть исследования.

До запуска проекта мы решили не строить предположений о том, как должна работать генеративная модель, а сначала посмотреть на реальную картину. Для этого различным нейросетям был задан один и тот же коммерческий запрос, связанный с выбором CRM-системы.

Результат оказался достаточно показательным.

Практически все модели уверенно рекомендовали известных игроков рынка, подробно объясняя преимущества каждого решения, сравнивая функциональность и описывая сценарии использования. При этом i2CRM либо полностью отсутствовала в ответах, либо упоминалась значительно реже конкурентов.

Сам по себе этот факт нельзя считать неожиданным.

Любая генеративная модель формирует ответ исключительно на основе того цифрового представления, которое уже существует о компании в открытом информационном пространстве. Если бренд недостаточно хорошо описан, редко встречается в релевантном контексте или его цифровой образ выглядит неполным, вероятность появления в рекомендациях закономерно снижается.

Поэтому первая задача проекта заключалась не в продвижении как таковом.

Необходимо было понять, почему искусственный интеллект делает именно такой выбор.

Для этого был проведён детальный анализ компаний, которые регулярно появлялись в ответах различных генеративных моделей.

Мы изучали не только их сайты, но и всю информационную среду вокруг каждого бренда. Анализировались публикации в отраслевых СМИ, экспертные статьи, обзоры, рейтинги, справочники, интервью, кейсы, образовательные материалы и другие источники, которые могли использоваться генеративными моделями при формировании ответа.

Достаточно быстро начала проявляться интересная закономерность.

Компании, которые стабильно рекомендовались искусственным интеллектом, практически всегда обладали хорошо сформированным цифровым образом. Они регулярно встречались в профессиональных публикациях, участвовали в отраслевых рейтингах, присутствовали в сравнительных обзорах, имели большое количество материалов, описывающих продукты и сценарии их использования.

При этом значение имело не только количество упоминаний.

Гораздо важнее оказалось качество всей информационной среды.

Если различные источники последовательно описывали специализацию компании, её сильные стороны и область применения продукта, генеративной модели было значительно проще сформировать устойчивую связь между брендом и соответствующим пользовательским запросом.

С i2CRM ситуация выглядела иначе.

Несмотря на наличие качественного продукта и многолетний опыт работы на рынке, компания была значительно менее заметна в том информационном пространстве, которое анализируют современные языковые модели. В результате искусственный интеллект гораздо увереннее рекомендовал конкурентов, цифровой образ которых оказался более полным и лучше подтверждённым независимыми источниками.

Именно в этот момент была сформулирована одна из ключевых гипотез исследования.

Проблема заключается не в том, что генеративная модель «не знает» компанию.

Проблема заключается в том, что ей недостаточно информации, чтобы уверенно рекомендовать её пользователям в конкретных коммерческих сценариях.

Если эта гипотеза верна, то изменение цифровой среды вокруг бренда должно постепенно изменить и рекомендации генеративных моделей.

Именно проверке этой гипотезы посвящены следующие этапы проекта, где мы переходим от анализа проблемы к построению стратегии её решения.

Слайд 5. Два контура GEO-продвижения

После анализа причин, по которым генеративные модели отдавали предпочтение конкурентам, возник следующий вопрос: каким образом можно изменить сложившуюся ситуацию?

Первоначально рассматривались различные варианты. Можно было сосредоточиться исключительно на развитии корпоративного сайта, увеличить количество публикаций в СМИ, усилить работу с отзывами или расширить присутствие компании в отраслевых рейтингах. Однако каждый из этих подходов решал лишь отдельную часть задачи.

Постепенно стало очевидно, что генеративные модели воспринимают компанию не как отдельный сайт и не как совокупность независимых публикаций. Для них бренд представляет собой единую информационную сущность, которая складывается из множества взаимосвязанных источников.

Именно поэтому в рамках проекта была разработана стратегия, состоящая из двух взаимодополняющих контуров.

Первый контур был направлен на формирование общественного цифрового доверия. Его задача заключалась в том, чтобы создать вокруг бренда достаточное количество независимых подтверждений его компетенции. В этот контур вошли работа с пользовательским контентом, репутацией, экспертными публикациями, отраслевыми площадками, рейтингами и другими источниками, которые помогают генеративной модели получить подтверждение значимости компании извне.

Второй контур решал иную задачу.

Если первый отвечал за формирование внешнего информационного поля, то второй был сосредоточен на самой компании: её официальном сайте, коммерческих страницах, экспертном контенте, описании продуктов и структуре знаний, которую генеративные модели могут использовать при анализе бренда.

Такое разделение оказалось принципиально важным.

В процессе исследования стало понятно, что даже качественный корпоративный сайт не способен полностью компенсировать отсутствие независимых источников информации. В то же время большое количество публикаций во внешней среде не даёт максимального эффекта, если официальный сайт недостаточно подробно раскрывает продукт, сценарии его применения и ключевые преимущества.

Иными словами, оба контура работают только в связке.

Внешняя информационная среда повышает доверие к бренду и подтверждает его значимость, а собственные цифровые активы позволяют генеративной модели получить детальное представление о компании и её продуктах.

Именно сочетание этих двух направлений легло в основу всей дальнейшей работы с проектом i2CRM.

В последующих разделах мы подробно рассмотрим каждый из контуров отдельно, разберём конкретные инструменты, которые использовались в рамках исследования, и покажем, каким образом последовательное развитие цифровой среды постепенно влияло на рекомендации различных генеративных моделей.

Слайд 6. Первый контур. Пользовательский контент как источник доверия

Первым этапом практической реализации стратегии стала работа с пользовательским контентом.

Такое решение может показаться неожиданным. Многие по-прежнему воспринимают отзывы исключительно как инструмент повышения конверсии на сайте или фактор, влияющий на решение потенциального клиента. Однако в условиях распространения генеративных моделей их значение становится значительно шире.

Современные языковые модели стремятся формировать ответы на основе различных независимых источников информации. Для них важно не только то, что компания говорит о себе самостоятельно, но и то, как её описывают клиенты, партнёры, отраслевые площадки и профессиональное сообщество.

Именно поэтому пользовательский контент стал одним из первых направлений работы.

При этом речь не шла о механическом увеличении количества отзывов.

Главной задачей было формирование естественного информационного поля, в котором реальные пользователи описывают опыт взаимодействия с продуктом, рассказывают о сценариях использования, отмечают преимущества системы и обсуждают практические результаты внедрения.

Подобные материалы содержат большое количество фактической информации.

Из них генеративные модели могут извлекать сведения о функциональности продукта, отраслевой специализации, типичных задачах клиентов, сильных сторонах решения и даже характерных формулировках, которыми пользователи описывают компанию.

Фактически каждый качественный отзыв становится ещё одним элементом цифрового профиля бренда.

Особое внимание уделялось разнообразию источников.

Если вся информация сосредоточена исключительно на корпоративном сайте, она воспринимается как позиция самой компании. Когда же аналогичные сведения появляются на независимых площадках, у генеративной модели появляется возможность сопоставить данные из нескольких источников и убедиться в их согласованности.

Именно согласованность информации играет одну из ключевых ролей.

Когда различные независимые площадки описывают компанию схожим образом, искусственный интеллект получает значительно больше оснований считать такую информацию достоверной. В результате повышается вероятность того, что соответствующие характеристики будут использованы при формировании ответов пользователям.

Важно подчеркнуть ещё одну особенность.

Работа с пользовательским контентом в рамках GEO не сводится к управлению репутацией в классическом понимании. Цель заключается не только в увеличении количества положительных отзывов, но и в расширении объёма структурированной информации о компании, которая становится доступной генеративным моделям.

Таким образом, пользовательский контент рассматривается не как отдельный маркетинговый инструмент, а как один из элементов формирования цифровой сущности бренда.

Именно поэтому работа с ним стала первым шагом в реализации внешнего контура GEO-продвижения. Уже на следующем этапе эта база была дополнена системной работой с репутацией компании в поисковой выдаче и на независимых информационных площадках.

Слайд 7. Первый контур. Управление цифровой репутацией компании

После формирования базового слоя пользовательского контента следующим этапом стала системная работа с цифровой репутацией компании.

В классическом интернет-маркетинге управление репутацией обычно рассматривается как способ повысить доверие потенциальных клиентов. Основное внимание уделяется отзывам, оценкам, публикациям о компании и снижению влияния негативной информации.

В рамках исследования мы посмотрели на эту задачу под другим углом.

Если генеративная модель действительно использует широкий спектр открытых источников, то цифровая репутация начинает выполнять ещё одну функцию — она становится одним из каналов формирования знаний о бренде.

Каждая публикация, обзор, экспертный комментарий или независимое упоминание создают дополнительные связи между компанией, её продуктом и конкретными сценариями использования. Чем больше подобных связей формируется в различных источниках, тем более целостным становится цифровой профиль бренда.

Именно поэтому работа с репутацией не ограничивалась устранением негативных материалов.

Основная задача заключалась в том, чтобы увеличить количество качественных и содержательных публикаций, в которых i2CRM упоминается в профессиональном контексте. Это могли быть обзоры CRM-систем, сравнительные материалы, экспертные статьи, кейсы внедрения, аналитические публикации и другие материалы, позволяющие раскрыть возможности продукта.

Особое значение имело разнообразие площадок.

Если вся информация публикуется в рамках одного ресурса, генеративная модель получает ограниченный набор сигналов. Когда же компания последовательно присутствует в отраслевых медиа, специализированных каталогах, профессиональных блогах и независимых рейтингах, её информационный профиль становится значительно более устойчивым.

При этом важно было не просто увеличить количество упоминаний.

Каждая публикация должна была дополнять уже существующую картину. Один материал рассказывал о возможностях интеграции CRM с мессенджерами, другой — о сценариях использования в отделах продаж, третий — о преимуществах автоматизации коммуникаций с клиентами. В совокупности такие публикации формировали гораздо более объёмное представление о продукте.

По сути, речь шла о создании единого информационного пространства, в котором разные источники последовательно подтверждают одни и те же факты о компании.

Именно такая согласованность, как показали последующие наблюдения, значительно облегчает работу генеративных моделей. Вместо набора разрозненных упоминаний искусственный интеллект получает логически связанную систему знаний, позволяющую уверенно ассоциировать бренд с определённой категорией продуктов и типовыми задачами пользователей.

Этот этап стал завершающим элементом первого контура GEO-продвижения.

После того как внешняя информационная среда была существенно усилена, следующим шагом стало развитие собственных цифровых активов компании. Именно этому посвящён второй контур стратегии, который начинается с экспертного контента и корпоративного блога.

Слайд 8. Второй контур. Экспертный контент и корпоративный блог

После формирования внешней информационной среды работа была сосредоточена на собственных цифровых активах компании.

Если первый контур создавал независимые подтверждения компетенции бренда, то второй был направлен на развитие источников информации, которыми компания управляет самостоятельно. Центральным элементом этого направления стал корпоративный блог.

На протяжении многих лет блог воспринимался прежде всего как инструмент SEO. Компании публиковали статьи для привлечения поискового трафика, охвата новых запросов и увеличения количества переходов из поисковых систем.

С распространением генеративных моделей роль экспертного контента существенно изменилась.

Сегодня качественная статья — это не только возможность получить органический трафик. Она становится источником знаний, из которого искусственный интеллект может извлекать факты, определения, объяснения, терминологию, примеры использования продукта и связи между различными сущностями.

Поэтому при подготовке материалов основной акцент был сделан не на объёме публикаций, а на глубине раскрытия темы.

Каждая статья должна была отвечать на конкретный вопрос потенциального клиента. Вместо поверхностных обзоров создавались материалы, подробно разбирающие практические сценарии использования CRM, особенности интеграции с различными сервисами, автоматизацию бизнес-процессов, аналитику продаж, работу с мессенджерами и другие задачи, с которыми сталкиваются компании.

Такой подход одновременно решал несколько задач.

Во-первых, экспертный контент расширял объём знаний о самом продукте. Во-вторых, помогал генеративным моделям лучше понимать, для каких категорий пользователей и бизнес-задач подходит i2CRM. В-третьих, формировал устойчивые тематические связи между брендом и профессиональной областью, в которой он работает.

Особое внимание уделялось качеству структуры материалов.

Статьи строились таким образом, чтобы каждая тема раскрывалась последовательно: постановка задачи, описание проблемы, возможные варианты решения, рекомендации по внедрению и практические примеры. Подобная структура делает материал удобным не только для человека, но и для языковых моделей, которые анализируют содержание документа целиком, выделяя из него ключевые факты и логические взаимосвязи.

При этом блог не существовал изолированно.

Материалы связывались между собой внутренними ссылками, дополняли экспертные публикации на внешних площадках и поддерживали общую информационную архитектуру проекта. В результате формировалась единая база знаний, в которой различные документы раскрывали тему с разных сторон, не дублируя, а дополняя друг друга.

Практика показала, что именно такой подход позволяет постепенно увеличивать информационную насыщенность бренда. Генеративные модели получают значительно больше контекста, лучше понимают специализацию компании и начинают увереннее использовать её в качестве примера при ответах на профильные запросы.

Однако даже самый качественный блог не способен полностью решить задачу коммерческого продвижения.

Пользователь, получив рекомендацию нейросети, в конечном итоге переходит на официальный сайт компании. Именно поэтому следующим этапом проекта стала переработка коммерческих страниц, которые должны были одинаково эффективно работать как для потенциальных клиентов, так и для современных генеративных моделей.

Слайд 9. Второй контур. Коммерческие страницы как источник знаний для нейросетей

После формирования экспертного контента следующим этапом стала переработка коммерческих страниц сайта.

Традиционно такие страницы создаются прежде всего для потенциальных клиентов. Их основная задача — представить продукт, объяснить его преимущества и мотивировать пользователя оставить заявку. Однако в условиях развития генеративных моделей коммерческие страницы начинают выполнять ещё одну важную функцию.

Именно они становятся одним из наиболее полных официальных источников информации о компании.

Когда пользователь задаёт вопрос искусственному интеллекту, связанному с выбором CRM-системы, генеративная модель должна понимать не только название продукта, но и его назначение, функциональные возможности, целевую аудиторию, особенности внедрения, конкурентные преимущества и сценарии использования.

Если эта информация представлена фрагментарно, модели значительно сложнее сформировать уверенную рекомендацию.

Поэтому при работе с i2CRM коммерческие страницы рассматривались не как посадочные страницы для рекламы, а как полноценные документы, описывающие продукт максимально подробно и последовательно.

Каждая страница отвечала на конкретный пользовательский запрос.

Какие задачи решает система? Для какого бизнеса она подходит? Какие каналы коммуникации поддерживает? С какими сервисами интегрируется? Какие процессы можно автоматизировать? Чем отличается от других решений на рынке?

Ответы на подобные вопросы были структурированы таким образом, чтобы формировать целостное представление о продукте.

Особое внимание уделялось логике подачи информации.

Вместо большого количества рекламных формулировок использовались конкретные факты, понятные определения, описание функций, примеры применения и детальное раскрытие возможностей системы. Такой подход оказался полезен не только для пользователей, но и для генеративных моделей, которым значительно проще анализировать структурированную и предметную информацию.

Ещё одним важным направлением стала работа с семантической связностью сайта.

Различные разделы были объединены между собой логическими переходами, страницы ссылались друг на друга, а материалы корпоративного блога дополняли коммерческие разделы, раскрывая отдельные функции и сценарии использования более подробно. В результате сайт начал восприниматься не как набор независимых страниц, а как единая база знаний о продукте.

Именно эта взаимосвязь между контентом оказалась особенно важной.

Генеративные модели анализируют не отдельные документы, а общий информационный контекст. Чем лучше связаны между собой материалы, тем проще искусственному интеллекту определить специализацию компании, понять область её экспертизы и использовать полученные сведения при формировании ответов.

Таким образом, второй контур стратегии завершил формирование цифровой среды вокруг i2CRM.

Внешние источники подтверждали компетенцию компании, а официальный сайт подробно раскрывал её продукты, технологии и области применения. Вместе эти элементы сформировали значительно более полную информационную картину, чем существовала на старте проекта.

Следующий этап исследования был посвящён самому важному вопросу: привела ли эта комплексная работа к изменениям в рекомендациях генеративных моделей? Именно этому посвящены последующие слайды презентации, где представлены результаты, полученные в различных AI-системах.

Слайд 10. Первые результаты: изменение видимости i2CRM в нейросетях

После завершения основных этапов работы наступил наиболее важный момент всего исследования — проверка результатов.

Любая стратегия продвижения имеет смысл только в том случае, если её эффективность можно объективно оценить. Поэтому после формирования двух контуров GEO-продвижения был проведён повторный анализ ответов генеративных моделей по тем же коммерческим сценариям, которые использовались на старте проекта.

Для чистоты эксперимента логика оценки осталась неизменной.

Моделям задавались запросы, связанные с выбором CRM-системы, сравнением различных решений, подбором платформы для отдела продаж, интеграцией с мессенджерами и другими задачами, характерными для потенциальных клиентов. Далее анализировалось, какие компании попадают в рекомендации, насколько часто упоминается i2CRM и в каком контексте искусственный интеллект описывает продукт.

Полученные результаты заметно отличались от исходной картины.

Если на начальном этапе исследования i2CRM практически отсутствовала в рекомендациях большинства моделей, то после реализации стратегии бренд начал регулярно появляться в ответах по профильным запросам.

При этом изменения касались не только самого факта упоминания компании.

Изменилось качество рекомендаций.

Генеративные модели стали значительно точнее описывать специализацию i2CRM, корректнее объяснять возможности платформы, связывать её с интеграцией мессенджеров, автоматизацией коммуникаций и другими задачами, которые действительно относятся к продукту.

Это особенно важно.

Попадание в список рекомендуемых компаний само по себе ещё не гарантирует коммерческий результат. Если искусственный интеллект неправильно понимает специализацию бренда или неточно описывает его возможности, пользователь получает искажённое представление о продукте.

В рамках проекта наблюдалась противоположная ситуация.

По мере развития цифровой среды рекомендации становились не только более частыми, но и более содержательными. Ответы различных моделей постепенно начинали использовать схожие характеристики компании, что свидетельствовало о формировании более устойчивого информационного профиля бренда.

Ещё одним важным наблюдением стало отсутствие мгновенного эффекта.

Изменения происходили постепенно.

Генеративные модели не начинали рекомендовать компанию сразу после появления новой статьи или публикации. Видимость росла по мере накопления цифровых сигналов, когда различные элементы информационной среды начинали подтверждать друг друга и формировали целостную картину.

Именно это наблюдение стало одним из наиболее важных практических выводов исследования.

Продвижение в генеративных моделях нельзя рассматривать как набор разрозненных действий. Оно представляет собой накопительный процесс, в котором итоговый результат определяется не отдельной публикацией, а совокупностью взаимосвязанных изменений в цифровом пространстве компании.

После анализа общей динамики мы перешли к следующему этапу — детальному сравнению ответов различных генеративных моделей. Это позволило оценить, насколько одинаково изменения проявляются в экосистемах разных разработчиков искусственного интеллекта.

Слайд 11. Результаты в «Алисе»: изменение качества рекомендаций

После анализа общей динамики следующим шагом стало изучение ответов отдельных генеративных моделей. Такой подход позволял понять не только факт изменения видимости бренда, но и особенности поведения различных AI-систем.

Первой была проанализирована «Алиса» с технологией YandexGPT.

Это особенно интересная модель для российского рынка, поскольку она тесно интегрирована с экосистемой Яндекса и ежедневно используется миллионами пользователей при поиске информации, выборе товаров и услуг, а также при решении различных рабочих задач.

На старте проекта ответы «Алисы» практически не отличались от других генеративных моделей.

При запросах, связанных с выбором CRM-системы, она преимущественно рекомендовала наиболее известных игроков рынка, тогда как i2CRM либо отсутствовала в рекомендациях, либо не рассматривалась как один из основных вариантов.

После реализации стратегии ситуация постепенно начала меняться.

В первую очередь увеличилось количество сценариев, в которых система стала упоминать i2CRM среди подходящих решений. Однако гораздо важнее оказалось другое наблюдение.

Изменился сам характер ответа.

Если ранее рекомендации были достаточно общими и ограничивались перечислением известных компаний, то после формирования цифровой среды «Алиса» начала значительно точнее описывать специализацию i2CRM, связывая её с автоматизацией коммуникаций, интеграцией мессенджеров и задачами, для решения которых платформа действительно создавалась.

Иными словами, искусственный интеллект стал лучше понимать предметную область продукта.

Это является одним из наиболее важных результатов исследования.

Для бизнеса ценность представляет не просто упоминание бренда, а его корректная идентификация. Если генеративная модель правильно определяет специализацию компании, она значительно чаще начинает рекомендовать её именно тем пользователям, которым продукт действительно подходит.

Отдельного внимания заслуживает ещё одна закономерность.

Ответы «Алисы» стали более последовательными.

При повторных запросах по схожим темам сохранялась единая логика описания компании. Это позволяет предположить, что по мере формирования более насыщенного цифрового профиля генеративной модели становится проще строить устойчивые связи между брендом, его продуктами и пользовательскими сценариями.

Безусловно, результаты отдельных запросов могут отличаться. Генеративные модели постоянно развиваются, обновляют свои знания и способны по-разному формулировать ответы даже на схожие вопросы.

Тем не менее общая тенденция оказалась достаточно устойчивой.

После комплексной работы над цифровой средой i2CRM стала не только чаще появляться в рекомендациях «Алисы», но и значительно точнее позиционироваться как специализированное решение для автоматизации коммуникаций с клиентами.

Следующим этапом исследования стало сравнение этих результатов с ответами Claude — генеративной модели компании Anthropic, использующей собственные подходы к анализу информации и формированию рекомендаций.

Слайд 12. Результаты в Claude: значение контекстной полноты

Следующим этапом исследования стал анализ ответов Claude — генеративной модели компании Anthropic.

Несмотря на схожие задачи, различные языковые модели используют собственные подходы к обработке информации, поэтому было важно понять, сохраняется ли обнаруженная закономерность за пределами одной экосистемы.

Результаты оказались весьма показательными.

Как и в случае с другими моделями, на начальном этапе Claude преимущественно рекомендовал наиболее известных игроков рынка CRM. Ответы строились вокруг компаний, обладающих сильным цифровым присутствием и большим количеством независимых источников информации.

После реализации стратегии GEO ситуация изменилась.

i2CRM начала значительно чаще появляться в числе рекомендуемых решений, однако наиболее интересным оказалось не само появление бренда в ответах, а характер его описания.

Claude традиционно уделяет большое внимание объяснению своих рекомендаций. Вместо простого перечисления компаний модель стремится аргументировать выбор, описывая особенности каждого продукта и объясняя, в каких ситуациях он будет наиболее полезен.

Именно здесь стало особенно заметно влияние проведённой работы.

По мере развития цифровой среды ответы Claude стали содержать более точные формулировки, отражающие реальные особенности платформы. Искусственный интеллект начал корректнее связывать i2CRM с автоматизацией клиентских коммуникаций, омниканальными продажами, интеграцией популярных мессенджеров и повышением эффективности работы отдела продаж.

Это позволяет сделать важное наблюдение.

Генеративные модели используют не только отдельные факты о компании, но и анализируют общий контекст, в котором бренд упоминается в открытых источниках. Если этот контекст последователен, логичен и хорошо подтверждён независимыми публикациями, модели значительно увереннее формируют рекомендации.

Именно поэтому в рамках проекта большое внимание уделялось не количеству материалов, а их взаимосвязи.

Каждая новая публикация должна была не дублировать уже существующую информацию, а расширять её. В результате постепенно формировалась единая система знаний, в которой разные источники описывали компанию с различных сторон, но при этом не противоречили друг другу.

Практика показала, что подобная информационная полнота оказывает заметное влияние на качество рекомендаций.

Claude не просто начал чаще упоминать i2CRM. Модель стала значительно лучше понимать, какие задачи решает продукт, кому он подходит и в каких сценариях его использование будет наиболее оправданным.

Для бизнеса это имеет принципиальное значение.

Современные генеративные модели постепенно переходят от простого поиска информации к объяснению своих рекомендаций. Поэтому выигрывают не те компании, о которых упоминается больше всего материалов, а те, вокруг которых сформирована наиболее последовательная и содержательная цифровая среда.

Следующим шагом исследования стала проверка этих выводов на ещё одной генеративной модели — Perplexity, которая строит ответы по иной архитектуре и активно использует ссылки на внешние источники информации.

Слайд 13. Результаты в Perplexity: роль авторитетных источников

Следующим объектом анализа стала Perplexity — одна из наиболее интересных генеративных моделей с точки зрения исследования механизмов формирования рекомендаций.

В отличие от большинства языковых моделей, Perplexity не только формирует ответ, но и демонстрирует пользователю источники, на основании которых был сделан тот или иной вывод. Благодаря этому появляется возможность лучше понять, какие публикации и материалы действительно используются при построении рекомендаций.

Для исследования это имело особую ценность.

Если в случае с другими моделями мы могли наблюдать только итоговый результат, то здесь появилась возможность увидеть отдельные элементы информационной среды, которые легли в основу ответа.

Полученные наблюдения подтвердили одну из ключевых гипотез исследования.

Perplexity практически никогда не строит рекомендации на основании одного источника. Напротив, модель стремится сопоставить информацию сразу из нескольких независимых публикаций, после чего формирует итоговый вывод.

Именно поэтому значение приобретает не отдельная статья и не единичное упоминание бренда.

Гораздо важнее наличие согласованной информационной среды, в которой различные авторитетные источники последовательно описывают компанию, её продукты и область экспертизы.

После реализации стратегии GEO именно такая картина начала формироваться вокруг i2CRM.

Количество независимых публикаций увеличилось, экспертные материалы стали дополнять друг друга, а официальный сайт получил значительно более полное описание продукта и сценариев его использования. В результате Perplexity начала использовать больше источников, содержащих информацию о компании, а сама i2CRM стала чаще появляться среди рекомендуемых решений.

Интересно, что при анализе ссылок проявилась ещё одна закономерность.

Наибольшую ценность представляли не рекламные публикации, а материалы, содержащие экспертный анализ, сравнение решений, практические рекомендации и фактическую информацию о продукте. Именно такие документы чаще всего использовались моделью при построении ответа.

Это хорошо согласуется с общей логикой работы генеративных моделей.

Искусственный интеллект стремится сформировать максимально обоснованную рекомендацию. Для этого ему необходимы источники, которые содержат не рекламные заявления, а проверяемые сведения, позволяющие объяснить пользователю, почему тот или иной продукт подходит для решения поставленной задачи.

По сути, Perplexity позволила визуально подтвердить вывод, который ранее был сделан на основании наблюдений за другими моделями.

Генеративные системы оценивают не отдельные страницы сайта и не количество публикаций само по себе. Они анализируют целостную информационную среду компании, сопоставляют данные из различных источников и только после этого формируют рекомендацию.

Именно поэтому устойчивые результаты в GEO достигаются не точечными действиями, а системной работой над всем цифровым присутствием бренда.

После анализа Perplexity исследование перешло к заключительному этапу — сравнению результатов в ChatGPT, который остаётся одной из наиболее массовых генеративных платформ и оказывает существенное влияние на формирование пользовательских сценариев поиска информации.

Слайд 14. Результаты в ChatGPT: от единичного упоминания к устойчивым рекомендациям

Завершающим этапом практической проверки стал анализ ответов ChatGPT.

Выбор именно этой модели был очевиден. На сегодняшний день ChatGPT является одной из наиболее популярных генеративных платформ в мире и для многих пользователей уже превратился в привычный инструмент поиска информации, сравнения продуктов и выбора подрядчиков.

Именно поэтому для бизнеса особенно важно понимать, каким образом эта модель принимает решение о включении компании в рекомендации.

На начальном этапе исследования результаты практически не отличались от тех, которые были получены в других генеративных системах.

При запросах о выборе CRM-систем ChatGPT преимущественно рекомендовал наиболее известных игроков рынка. Ответы были достаточно логичными, но i2CRM либо отсутствовала среди предлагаемых вариантов, либо упоминалась значительно реже конкурентов.

После реализации комплексной GEO-стратегии ситуация постепенно изменилась.

Наиболее заметным результатом стало увеличение количества пользовательских сценариев, в которых модель начала рекомендовать i2CRM как одно из подходящих решений. При этом изменения нельзя было объяснить случайностью или единичным удачным ответом.

Во время исследования регулярно проводились повторные проверки по различным коммерческим запросам. Анализировались рекомендации при выборе CRM для малого и среднего бизнеса, систем для автоматизации продаж, платформ с интеграцией мессенджеров, решений для омниканальной коммуникации и других сценариев, характерных для потенциальных клиентов.

По мере развития цифровой среды компания начала появляться в ответах всё чаще.

Однако ещё более важным оказалось изменение содержания рекомендаций.

Если на старте проекта ChatGPT практически не связывал i2CRM с конкретной областью экспертизы, то впоследствии модель начала значительно точнее описывать назначение платформы, её сильные стороны и типовые сценарии использования. Это свидетельствует о том, что изменилось не только количество упоминаний, но и качество понимания бренда со стороны искусственного интеллекта.

Подобный результат имеет принципиальное значение для коммерческого продвижения.

Современные генеративные модели стремятся не просто перечислить несколько известных компаний, а подобрать решения, наиболее соответствующие запросу пользователя. Для этого они должны понимать специализацию продукта, его преимущества и круг задач, которые он помогает решать.

Именно такую трансформацию удалось наблюдать в рамках проекта.

Комплексная работа над цифровой средой привела к тому, что ChatGPT стал воспринимать i2CRM не как случайное упоминание в информационном пространстве, а как полноценного участника рынка CRM-систем, обладающего собственной областью экспертизы.

Этот вывод во многом подтверждает основную гипотезу исследования.

Генеративные модели принимают решение о рекомендации компании не на основании одного сайта, одной статьи или отдельной публикации. Они формируют целостное представление о бренде, объединяя сведения из множества источников. Чем более последовательной, полной и непротиворечивой становится эта информационная картина, тем выше вероятность того, что компания будет включена в рекомендации по релевантным коммерческим запросам.

После анализа результатов в различных генеративных моделях можно было перейти к главному вопросу исследования — как изменение видимости бренда в ответах искусственного интеллекта отражается на бизнес-показателях компании. Именно этому посвящён следующий слайд презентации, где рассматривается коммерческий эффект реализованной стратегии GEO.

Слайд 15. Коммерческий эффект GEO: когда рекомендации превращаются в продажи

Любая технология продвижения имеет смысл только в том случае, если её влияние можно оценить с точки зрения бизнеса.

Рост количества упоминаний, увеличение видимости бренда или изменение качества ответов генеративных моделей сами по себе ещё не являются конечной целью. Для компании значение имеет совершенно другой показатель — приводит ли это к увеличению числа потенциальных клиентов и росту коммерческих результатов.

Именно поэтому одним из ключевых этапов исследования стала оценка практического эффекта от проведённой работы.

Важно понимать, что генеративные модели не являются самостоятельным каналом продаж в привычном понимании этого термина.

Они не оформляют заявки, не заключают договоры и не принимают решение о покупке. Их роль заключается в другом — они становятся первым экспертным фильтром, который помогает пользователю сформировать короткий список компаний для дальнейшего изучения.

Это принципиально меняет структуру клиентского пути.

Если раньше компания конкурировала преимущественно за переход из поисковой системы, то теперь ей необходимо сначала попасть в рекомендации искусственного интеллекта. Только после этого потенциальный клиент переходит на сайт, знакомится с продуктом и принимает окончательное решение.

Фактически появляется дополнительный этап воронки продаж.

Компании, которые не представлены в рекомендациях генеративных моделей, всё чаще оказываются за пределами первоначального выбора пользователя. Даже качественный продукт может не попасть в поле зрения потенциального клиента, если искусственный интеллект не считает его релевантным ответом на поставленный вопрос.

В случае с i2CRM наблюдалась противоположная ситуация.

По мере роста представленности компании в различных генеративных моделях увеличивалось количество сценариев, в которых пользователи получали информацию о платформе ещё до посещения официального сайта. Бренд начал регулярно попадать в первоначальный список рассматриваемых решений, а значит — получил возможность участвовать в конкурентной борьбе на более раннем этапе принятия решения.

Это важное отличие GEO от большинства традиционных инструментов цифрового маркетинга.

SEO помогает получить переход из поисковой системы.

Контекстная реклама позволяет показать объявление заинтересованному пользователю.

Контент-маркетинг формирует экспертность бренда.

GEO начинает работать ещё раньше — в тот момент, когда искусственный интеллект только формирует для пользователя перечень компаний, заслуживающих внимания.

Именно поэтому коммерческий эффект нельзя оценивать исключительно количеством упоминаний в ответах нейросетей.

Гораздо важнее то, что меняется сама вероятность попадания компании в процесс выбора. Если бренд регулярно рекомендуется по коммерческим запросам, он начинает участвовать в значительно большем количестве потенциальных сделок ещё до того, как пользователь открывает поисковую систему или переходит на сайт.

Практика проекта показала, что именно в этом заключается основная бизнес-ценность GEO.

Речь идёт не о замене существующих каналов продвижения, а о появлении нового уровня конкуренции, который постепенно становится обязательным для компаний, работающих в высококонкурентных нишах.

По мере роста аудитории генеративных моделей влияние этого канала будет только усиливаться. Поэтому сегодня задача бизнеса заключается не столько в адаптации к новым технологиям, сколько в своевременном формировании цифровой среды, которая позволит компании оставаться заметной в рекомендациях искусственного интеллекта.

Слайд 16. Парадокс рекомендаций искусственного интеллекта

Во время реализации проекта была обнаружена ещё одна закономерность, которая на первый взгляд выглядит достаточно необычно.

Компании традиционно считают, что для получения клиентов необходимо добиться максимального количества переходов на собственный сайт. Именно поэтому на протяжении многих лет основное внимание уделялось росту поискового трафика, кликабельности и позиции в выдаче.

Однако генеративные модели начинают постепенно менять эту логику.

Во многих случаях пользователь получает ответ на свой вопрос ещё до перехода на какой-либо сайт. Искусственный интеллект сразу объясняет различия между продуктами, выделяет сильные стороны компаний, рекомендует наиболее подходящие решения и помогает сократить круг поиска.

На первый взгляд это выглядит как угроза.

Если пользователь получает всю необходимую информацию непосредственно в интерфейсе нейросети, может показаться, что потребность переходить на сайты компаний постепенно исчезает.

Но именно здесь возникает один из главных парадоксов генеративного поиска.

Чем больше искусственный интеллект способен рассказать о компании, тем выше вероятность того, что именно эта компания попадёт в поле зрения потенциального клиента.

Иными словами, отсутствие перехода ещё не означает отсутствие влияния.

Даже если пользователь не открыл сайт сразу после получения ответа, бренд уже стал частью процесса принятия решения. Компания оказалась в числе тех вариантов, которые человек будет рассматривать при выборе поставщика.

Фактически генеративная модель начинает выполнять функцию предварительной квалификации рынка.

Она не совершает покупку за пользователя, но значительно сокращает количество компаний, между которыми впоследствии будет происходить окончательный выбор.

Именно поэтому появляется новый показатель эффективности.

Если раньше основным вопросом было: «Сколько пользователей перешло на сайт?», то теперь всё чаще возникает другой вопрос: «Как часто искусственный интеллект рекомендует компанию при возникновении коммерческого намерения?»

Для многих отраслей именно этот показатель постепенно становится одним из наиболее значимых.

Компания может временно потерять часть информационного трафика, поскольку пользователь получил базовые сведения непосредственно в диалоге с нейросетью. Однако одновременно она получает возможность оказаться в первоначальном списке рекомендованных решений, который раньше формировался исключительно самим человеком.

Таким образом, задача бизнеса постепенно меняется.

Теперь важно не только привлекать посетителей на сайт, но и формировать такую цифровую среду, которая позволит искусственному интеллекту уверенно объяснить пользователю, кто вы, чем занимаетесь и почему именно вашу компанию стоит рассмотреть среди возможных вариантов.

Именно этот вывод можно считать одним из ключевых результатов всего исследования.

GEO — это не борьба за дополнительные переходы из нейросетей.

Это борьба за право быть рекомендованным ещё до того, как пользователь начнёт детально изучать рынок. Именно в этом заключается фундаментальное отличие генеративной оптимизации от большинства привычных инструментов цифрового маркетинга.

Слайд 17. Основные выводы исследования

Завершая исследование, можно сформулировать несколько выводов, которые последовательно подтверждались как в теоретической части работы, так и в ходе реализации коммерческого проекта.

Первый вывод заключается в том, что генеративные модели уже стали самостоятельным элементом цифровой среды бизнеса.

Сегодня они не просто отвечают на вопросы пользователей, а активно участвуют в процессе выбора товаров, услуг и подрядчиков. Для многих категорий запросов именно искусственный интеллект становится первой точкой знакомства клиента с рынком.

Второй вывод связан с природой рекомендаций.

Результаты исследования не подтверждают распространённое мнение о том, что нейросети рекомендуют компании случайным образом. Напротив, анализ ответов различных моделей показывает наличие устойчивых закономерностей. Компании с развитой, последовательной и хорошо структурированной цифровой средой значительно чаще оказываются в рекомендациях искусственного интеллекта.

Третий вывод касается самого подхода к продвижению.

Практика показала, что добиться устойчивых результатов невозможно с помощью одного инструмента. Отдельная статья, несколько публикаций в СМИ или техническая оптимизация сайта способны оказать лишь ограниченное влияние. Значимый эффект появляется тогда, когда компания последовательно развивает все элементы своего цифрового присутствия.

Именно поэтому в рамках исследования была предложена модель двух контуров GEO.

Первый контур отвечает за формирование внешнего доверия к бренду. Он включает работу с пользовательским контентом, отраслевыми публикациями, рейтингами, репутацией и другими независимыми источниками информации.

Второй контур сосредоточен на собственных цифровых активах компании — официальном сайте, экспертном контенте, коммерческих страницах, базе знаний и всей внутренней информационной архитектуре.

Только совместная работа этих двух направлений позволяет сформировать целостную цифровую сущность бренда, которую генеративные модели способны корректно интерпретировать и использовать при формировании рекомендаций.

Ещё один важный вывод касается скорости изменений.

В отличие от классической рекламы, где эффект может проявиться практически сразу после запуска кампании, GEO работает по накопительной модели. Изменения становятся заметными постепенно, по мере того как различные элементы цифровой среды начинают усиливать друг друга и формируют устойчивый информационный профиль компании.

Именно поэтому продвижение в генеративных моделях следует рассматривать как долгосрочную стратегию развития цифрового присутствия, а не как набор разовых маркетинговых активностей.

Наконец, исследование показало, что искусственный интеллект не отменяет традиционные инструменты цифрового маркетинга.

SEO продолжает обеспечивать органический трафик, контекстная реклама позволяет быстро привлекать заинтересованную аудиторию, контент-маркетинг формирует экспертность компании, а PR усиливает узнаваемость бренда.

GEO не заменяет эти направления.

Оно объединяет их результаты в единую информационную систему, которую генеративные модели используют для понимания бизнеса и формирования рекомендаций пользователям.

Именно поэтому продвижение в нейросетях следует рассматривать не как новую альтернативу SEO или контент-маркетингу, а как следующий этап эволюции цифровых коммуникаций, в котором значение приобретает уже не отдельный сайт или отдельная публикация, а совокупный цифровой образ компании, сформированный во всём информационном пространстве.

Слайд 18. Вместо заключения

Когда в конце 1990-х годов начали появляться первые поисковые системы, многие компании воспринимали их как ещё один источник трафика. Лишь спустя несколько лет стало очевидно, что поиск полностью изменил способы взаимодействия бизнеса с клиентами и стал одним из ключевых каналов привлечения аудитории.

Сегодня мы наблюдаем схожий процесс.

Генеративные модели постепенно становятся новым уровнем цифрового взаимодействия между пользователем и компанией. Всё чаще именно искусственный интеллект помогает человеку разобраться в сложной теме, сравнить предложения рынка и сформировать первоначальный список потенциальных поставщиков.

Для бизнеса это означает изменение самой точки конкуренции.

Если раньше основной задачей было занять высокие позиции в поисковой выдаче, то теперь не менее важно обеспечить присутствие компании в рекомендациях генеративных моделей. Причём речь идёт не о манипулировании алгоритмами и не о поиске отдельных факторов ранжирования.

Практика показывает, что устойчивые результаты достигаются другим способом.

Чем более качественной, полной и последовательной становится цифровая среда компании, тем легче искусственному интеллекту понять, чем занимается организация, в каких задачах она обладает экспертизой и в каких сценариях её действительно стоит рекомендовать пользователям.

Именно поэтому GEO нельзя рассматривать как отдельный маркетинговый инструмент.

По своей сути это новый подход к управлению цифровым присутствием компании, объединяющий SEO, контент-маркетинг, управление репутацией, PR, работу с экспертными материалами, структурированными данными и корпоративными знаниями в единую систему.

Исследование, представленное в этой статье, не претендует на описание внутренних алгоритмов языковых моделей. Они продолжают развиваться, совершенствоваться и неизбежно будут меняться вместе с развитием технологий искусственного интеллекта.

Однако уже сегодня можно сделать вывод, который подтверждается как результатами анализа, так и практикой коммерческих проектов.

Генеративные модели рекомендуют не случайные компании.

Они формируют ответы на основе той цифровой картины мира, которая складывается вокруг каждого бренда в открытом информационном пространстве. И чем более понятной, последовательной и подтверждённой становится эта картина, тем выше вероятность того, что компания окажется среди рекомендуемых решений.

Именно поэтому продвижение в нейросетях следует воспринимать не как временный тренд, а как закономерное развитие цифрового маркетинга.

Компании, которые уже сегодня начинают системно работать над своим цифровым присутствием, получают возможность занять устойчивые позиции в новой среде поиска ещё до того, как она станет обязательным элементом конкурентной борьбы для большинства участников рынка.

На этом этапе можно считать, что исследование достигло своей основной цели.

Нам удалось показать, что рекомендации генеративных моделей поддаются системному анализу, влияние цифровой среды можно изучать на практике, а продвижение в нейросетях уже сегодня может рассматриваться как самостоятельное направление цифрового маркетинга, требующее собственной методологии, инструментов и подходов к оценке эффективности.

FAQ: Продвижение в нейросетях (GEO)

Что такое GEO (Generative Engine Optimization)?

GEO (Generative Engine Optimization) — это комплекс мероприятий, направленных на повышение вероятности того, что генеративные модели (ChatGPT, Claude, Gemini, Perplexity, Алиса, Copilot и другие) будут рекомендовать компанию, продукт или бренд в ответах пользователей.

В отличие от классического SEO, GEO ориентировано не на получение позиций в поисковой выдаче, а на формирование цифровой среды, на основании которой искусственный интеллект делает рекомендации.

Чем GEO отличается от SEO?

SEO помогает сайту занимать высокие позиции в поисковых системах.

GEO работает значительно шире.

Объектом оптимизации становится не только сайт компании, но и вся цифровая экосистема бренда: публикации в СМИ, экспертный контент, отраслевые рейтинги, пользовательские отзывы, репутация, структурированные данные, карточки организаций, социальные сети и другие источники информации.

Если SEO отвечает на вопрос «как попасть в поисковую выдачу», то GEO отвечает на вопрос «как стать рекомендацией искусственного интеллекта».

Какие нейросети поддерживают GEO?

Сегодня принципы GEO применимы практически ко всем современным генеративным моделям, включая:

1. ChatGPT;
2. Claude;
3. Gemini;
4. Perplexity;
5. Microsoft Copilot;
6. Яндекс Алису (YandexGPT);
7. DeepSeek;
8. GigaChat;
9. Qwen;
10. Grok.

Каждая модель использует собственную архитектуру, однако все они анализируют большие массивы открытой информации и формируют ответы на основе совокупности доступных цифровых сигналов.

Можно ли «накрутить» рекомендации ChatGPT?

На сегодняшний день достоверных данных, подтверждающих возможность искусственно заставить ChatGPT рекомендовать определённую компанию с помощью отдельных технических приёмов, не существует.

Практика показывает обратное.

Наиболее устойчивые результаты достигаются за счёт комплексного развития цифровой среды компании, а не благодаря попыткам воздействовать на отдельные элементы алгоритма.

Учитывает ли ChatGPT SEO?

Да, но косвенно.

Сам по себе высокий рейтинг сайта в поисковой системе ещё не гарантирует рекомендацию генеративной модели.

Однако качественное SEO способствует созданию большого количества экспертного контента, улучшает структуру сайта и повышает его информационную ценность. Всё это положительно влияет и на GEO.

Может ли компания попасть в рекомендации без собственного сайта?

Теоретически — да.

Если бренд широко представлен в авторитетных источниках, профессиональных публикациях и отраслевых материалах, генеративная модель способна рекомендовать его даже при относительно слабом корпоративном сайте.

Однако на практике собственный сайт остаётся основным официальным источником информации о компании, поэтому его роль остаётся критически важной.

Что влияет на рекомендации нейросетей?

На основании проведённого исследования можно выделить несколько групп факторов:

1. качество цифрового присутствия компании;
2. полнота описания продуктов;
3. наличие экспертного контента;
4. публикации в отраслевых СМИ;
5. независимые рейтинги;
6. пользовательские отзывы;
7. цифровая репутация;
8. согласованность информации между различными источниками;
9. структурированность данных;
10. тематическая экспертность компании.

Следует учитывать, что разработчики языковых моделей не раскрывают точные алгоритмы формирования рекомендаций, поэтому перечень факторов постоянно уточняется по мере накопления практического опыта.

Через сколько появляется результат от GEO?

GEO относится к инструментам накопительного действия.

В отличие от контекстной рекламы, эффект редко появляется сразу после публикации новых материалов.

Как показывает практика, изменения становятся заметными постепенно по мере того, как формируется более полная и последовательная цифровая среда компании.

Может ли GEO заменить SEO?

Нет.

Эти направления решают разные задачи.

SEO отвечает за привлечение органического поискового трафика.

GEO помогает компании становиться рекомендацией генеративных моделей.

Наиболее эффективная стратегия заключается в совместном использовании обоих подходов.

Нужно ли заниматься GEO небольшому бизнесу?

Да.

Более того, для небольших компаний GEO может стать возможностью конкурировать с крупными игроками не только за счёт рекламного бюджета, но и благодаря качественному экспертному присутствию в цифровой среде.

Если бренд обладает высокой отраслевой экспертизой и последовательно формирует информационное поле вокруг своих продуктов, вероятность появления в рекомендациях искусственного интеллекта существенно возрастает.

Какие ошибки чаще всего допускают компании?

Наиболее распространённые ошибки выглядят следующим образом:

1. попытка продвигать только официальный сайт;
2. отсутствие экспертного контента;
3. несогласованная информация о компании на разных площадках;
4. работа исключительно с SEO без развития цифровой репутации;
5. отсутствие независимых публикаций;
6. ожидание мгновенного результата;
7. использование исключительно рекламных материалов вместо экспертных.

Как измерять эффективность GEO?

В отличие от SEO, где основными метриками являются позиции и органический трафик, для GEO используются другие показатели:

1. доля рекомендаций бренда в различных нейросетях;
2. количество сценариев, в которых компания появляется в ответах AI;
3. качество описания компании генеративными моделями;
4. корректность определения специализации бренда;
5. динамика упоминаний относительно конкурентов;
6. влияние рекомендаций на количество коммерческих обращений.

Именно совокупность этих показателей позволяет объективно оценивать эффективность продвижения в генеративных системах.

Станет ли GEO обязательным элементом маркетинга?

Однозначного ответа на этот вопрос пока не существует, поскольку рынок генеративного поиска продолжает активно развиваться.

Однако уже сегодня можно наблюдать устойчивую тенденцию: всё больше пользователей обращаются к искусственному интеллекту при выборе товаров, услуг и подрядчиков.

Если эта динамика сохранится, продвижение в генеративных моделях постепенно станет таким же естественным элементом цифровой стратегии компании, каким сегодня являются SEO, контент-маркетинг и управление репутацией.

Итоги

Генеративные модели меняют не только способ поиска информации, но и саму логику принятия решений пользователями. Это создаёт для бизнеса новую конкурентную среду, в которой важно не просто присутствовать в интернете, а формировать целостный, достоверный и экспертный цифровой образ компании.

Исследование, представленное в этой статье, показывает, что рекомендации искусственного интеллекта не являются полностью случайными. На них можно влиять системной работой над цифровой средой бренда. Именно это направление сегодня формируется в самостоятельную дисциплину — Generative Engine Optimization (GEO), которая в ближайшие годы, вероятно, станет одним из ключевых элементов цифрового маркетинга.

Контакты NeuroReach:

1. 8 (800) 222-38-21
2. sale@neuroreach.ru
3. neuroreach.ru

Контакты Жаркова Василия:

Пишите по вопросам партнерства или участия на Вашей конференции в роли спикера с докладом по GEO оптимизации и продвижении бренда бизнеса в рекомендациях нейросетей.

1. +7 (981) 831-68-92
2. director@neuroreach.ru
3. @b0ss51 - Telegram

Реквизиты правообладателя

ИП Жарков Василий Владимирович

ИНН: 510706625702

ОГРНИП: 316519000057196

Р/с: 40802810155000054719

К/с: 30101810500000000653

БИК: 044030653

Банк: Северо-Западный банк ПАО Сбербанк, г. Санкт-Петербург

Товарный знак № 1182631