Кейс: GEO‑продвижение в AI Search — как я систематизировал Digital Entity SEO-специалиста

Как согласование внешних источников изменило распознавание специалиста, его компетенций и профессиональной специализации в AI-ответах

Срок эксперимента: июль–сентябрь 2026 года

Объект эксперимента: собственный профессиональный профиль SEO-специалиста

Задача: проверить, изменится ли представление профессиональной сущности в серии AI-ответов, если систематизировать публичные источники, факты и связи вокруг уже существующего профиля.

Почему это GEO

SEO традиционно работает с поисковой выдачей: страницами, запросами, контентом, ссылками и техническими факторами.

GEO в этом кейсе я рассматриваю как дополнительный подход к работе с тем, как генеративные системы находят, интерпретируют и используют информацию о сущностях, фактах и источниках при формировании ответа.

В классическом поиске путь можно условно представить так:

запрос → поисковая выдача → страница → переход.

Для целей этого кейса генеративный поиск можно описать упрощённой схемой:

запрос → поиск и извлечение доступной информации → интерпретация сущностей и фактов → AI-ответ → ссылки на источники, если они отображаются.

Это не описание внутреннего алгоритма Gemini или другой конкретной модели, а рабочая схема, по которой я строил наблюдения.

Поэтому задача GEO здесь заключалась не просто в том, чтобы отдельные страницы были найдены. Важно было проверить, насколько последовательно AI распознаёт саму сущность, связывает с ней факты и отличает её от одноимённых объектов.

Я не нашёл публичной методики, которую можно было бы напрямую воспроизвести для проверки одного профессионального профиля в нескольких AI-сценариях. Поэтому собрал собственную рабочую схему наблюдений.

Почему эксперимент проводился на собственном профиле

Логичный вопрос: почему для эксперимента я выбрал собственный профессиональный профиль, а не крупного клиента?

Ответ связан с методологией самого эксперимента.

В GEO критически важно по возможности изолировать факторы. Работая со своим именем, я мог контролировать и отслеживать основные точки собственного упоминания как в Рунете, так и в зарубежном информационном пространстве: публикации, профили, исследования, репозитории и связанные источники.

Это позволяло существенно снизить влияние внешнего информационного шума — случайных публикаций, отзывов, упоминаний одноимённых людей и других изменений, которые сложно контролировать в эксперименте на стороннем бренде.

Вместо того чтобы одновременно наблюдать за десятками неизвестных изменений вокруг крупного клиента, я получил возможность последовательно фиксировать:

что было в информационном корпусе → что изменилось → как после этого изменились AI-ответы.

При этом я не утверждаю, что таким способом можно полностью исключить влияние внешней среды. AI Search работает с динамическим информационным пространством, и часть факторов всё равно остаётся неконтролируемой.

Но собственный профиль позволил сделать эксперимент значительно более управляемым: я лучше знал исходное состояние информационного корпуса и мог контролировать вносимые изменения.

Именно поэтому этот кейс следует рассматривать прежде всего как контролируемое практическое наблюдение за GEO-подходом, а не как попытку сразу измерить коммерческий эффект технологии на клиентском проекте.

Исходная проблема

К началу эксперимента в интернете уже существовала информация о моей профессиональной деятельности: я много лет работаю в SEO, являюсь основателем «Системного SEO» и платформы «СЕО-Модуль», публикую материалы о поисковом маркетинге, GEO и AI Visibility.

Однако отдельные публикации и профили ещё не означали, что AI-системы воспринимают их как единый профессиональный профиль.

В августе 2026 года я провёл контрольную проверку в Google Gemini по запросу: 

vladimir sinitsyn seo

Результат оказался показательным: модель не всегда корректно собирала информацию обо мне в единый профиль. В ответах появлялись люди с таким же или похожим именем, отдельные факты относились к другим сущностям, а связь имени с SEO была слабее, чем ожидалось.

Проблема заключалась не только в видимости информации, а в том, как AI идентифицировал сам объект поиска.

Один человек — разные AI-ответы

Затем я сравнил результаты на русском и английском языках.

Русскоязычный контекст заметно лучше связывал имя с SEO, а также с GEO и AI Visibility.

В англоязычном запросе чаще возникала проблема разрешения одноимённых сущностей: профессиональный контекст был менее устойчивым, а некоторые публикации и сведения не связывались с нужным человеком.

Получалась ситуация:

один человек → одно имя → разные информационные результаты в зависимости от языка запроса.

Для описания этого наблюдения я использую рабочий термин cross-lingual RAG asymmetry — различие качества извлечения и связывания информации об одной и той же сущности в разных языковых информационных корпусах.

Это не официальный термин Google и не утверждение о внутреннем устройстве конкретной модели, а рабочее описание наблюдаемого различия результатов.

GEO-гипотеза

Возник вопрос:

можно ли изменить представление профессиональной сущности в AI Search, если системно согласовать информацию о ней в разных публичных источниках?

Гипотеза состояла в том, что AI будет проще правильно распознавать объект, если вокруг него существует более связный информационный корпус:

имя → профессия → компетенции → проекты → публикации → внешние источники → подтверждающие факты.

Я не пытался «заставить Gemini» выдавать определённый ответ.

Задача была создать более последовательную информационную среду вокруг уже существующей профессиональной сущности и затем проверить, изменится ли её представление в AI-ответах.

Digital Entity как объект наблюдения

Под Digital Entity в этом кейсе я понимаю не искусственно созданный образ и не одну страницу в интернете.

Это профессиональная сущность в цифровой среде: совокупность связанных сведений о специалисте, его компетенциях, проектах, публикациях, профилях и подтверждающих источниках.

Поэтому целью эксперимента было не «создать сущность с нуля», а сделать уже существующий публичный информационный корпус менее противоречивым и более связным.

Условно:

SEO: страница → запрос → поисковая выдача

GEO: сущность → факты → источники → связи → AI-ответ

Что я изменил

1. Унификация базовых данных

К единому виду были приведены:

1. имя и профессиональное описание;
2. роль и специализация;
3. «Системное SEO» и «СЕО-Модуль»;
4. направления работы;
5. проекты;
6. авторство;
7. внешние профили;
8. официальные ссылки.

Задача — исключить ситуацию, при которой разные источники создают несколько отличающихся версий одного профиля.

2. Формирование тематического кластера

Вокруг имени формировался согласованный тематический контур:

SEO → GEO → AI Visibility → AI Search → Entity → RAG → AI Content Verification

Отдельные материалы должны были не просто существовать в интернете, а формировать понятную связь между профессиональной деятельностью и новыми направлениями.

3. Структурированный информационный слой

Параллельно появились публичные исследования и материалы по направлениям:

1. Entity Integrity Signals;
2. AI Visibility;
3. AI Search;
4. AI-generated content verification;
5. Reverse-RAG;
6. Product RAG;
7. Entity Resolution;
8. проверка фактов и источников.

Часть материалов была оформлена как публичные исследовательские репозитории и машиночитаемые данные.

Это не способ гарантировать появление репозитория или отдельного материала в AI-ответе, а способ публично зафиксировать факты, связи, источники и результаты исследования в структурированном виде.

4. Связывание внешних источников

Я выстраивал связь между:

1. официальным сайтом;
2. страницами автора;
3. профессиональными профилями;
4. внешними публикациями;
5. исследовательскими материалами;
6. публичными репозиториями;
7. другими источниками профессиональной информации.

В структурированных данных использовался, в частности, sameAs.

Свойство sameAs использовалось для отражения уже существующих официальных связей между профилями и ресурсами. Оно не рассматривалось как инструмент, который сам по себе влияет на ответы AI-систем или гарантирует их распознавание.

GEO-проверка: до и после

Главным элементом эксперимента стало повторное измерение.

Для каждой проверки я фиксировал:

1. язык запроса;
2. дату;
3. AI-систему и режим;
4. полный ответ;
5. использованные источники;
6. правильность атрибуции;
7. наличие одноимённых сущностей;
8. профессиональный контекст.

До систематизации информационного корпуса основной проблемой была нестабильная идентификация: имя могло связываться с другими людьми, отдельные факты приписывались другим сущностям, а профессиональная специализация отображалась неполно.

После формирования более согласованного корпуса AI-ответы стали чаще связывать имя с SEO, «Системным SEO», «СЕО-Модулем», профессиональными публикациями, GEO и AI Visibility.

Стало заметнее и тематическое направление:

SEO → GEO → AI Visibility → AI Search.

Скриншот 1. До изменений

Скриншот 2. После изменений

Как оценивался результат

Я не использовал один условный «балл AI Visibility».

Результат оценивался по семи критериям:

1. Entity Recognition — правильно ли система распознаёт нужную сущность.
2. Entity Resolution — отделяет ли её от одноимённых людей.
3. Attribution — правильно ли связывает факты, публикации и проекты.
4. Source Selection — какие источники используются.
5. Cross-Lingual Consistency — насколько сопоставимы результаты на разных языках.
6. Factual Accuracy — насколько корректны приведённые сведения.
7. Recommendation Context — в каком профессиональном контексте используется информация.

Последний критерий принципиально отделён от распознавания сущности.

Если AI правильно определил человека, это ещё не означает, что он обязательно будет рекомендовать его пользователю.

Что изменилось

В повторной серии проверок AI-ответы стали чаще связывать профиль с:

1. SEO;
2. «Системным SEO»;
3. «СЕО-Модулем»;
4. профессиональными публикациями;
5. GEO;
6. AI Visibility;
7. AI Search;
8. исследовательскими материалами.

Профессиональная тематика описывалась более последовательно, а смешение с людьми с похожими именами в ограниченной серии проверок встречалось реже.

Это качественное наблюдение по ограниченной серии проверок, а не статистически подтверждённый результат.

Я также не называю это доказательством того, что конкретная публикация, ссылка, репозиторий или элемент разметки непосредственно вызвали изменение ответов.

За время эксперимента одновременно менялись внешний информационный корпус, поисковая среда, индексация, AI-системы, языки и формулировки запросов.

Поэтому корректнее говорить об наблюдаемом изменении AI Visibility на фоне систематизации публичных данных и связей вокруг профессионального профиля.

Что это означает для бизнеса

Эксперимент проводился на персональном профиле, но сама проблема Entity Recognition и Entity Resolution применима и к брендам, компаниям и продуктам.

Если потенциальный клиент получает информацию о компании, продукте или поставщике через генеративный AI, системе необходимо правильно распознать сущность, связать её с нужными фактами и отличить от других объектов.

Ошибка может проявляться не как классическое падение позиции в поисковой выдаче.

Бренд может:

1. не попасть в сформированный AI-ответ;
2. быть представлен неполно;
3. смешиваться с другой компанией;
4. получить некорректную атрибуцию;
5. уступить место конкуренту, о котором в доступном информационном корпусе сформирована более связная картина.

Поэтому для бизнеса возникает дополнительная задача: не только продвигать отдельные страницы, но и контролировать, какая цифровая сущность формируется вокруг бренда, продукта или компании в информационной среде, из которой AI получает данные для ответа.

При этом влияние AI Visibility нельзя автоматически переводить в деньги или трафик.

В рамках этого эксперимента я сознательно не рассчитывал финансовый эффект: для этого нужна отдельная методика атрибуции переходов, лидов и продаж, связанных именно с AI-ответами.

Что это меняет в SEO

Этот эксперимент стал для меня практическим переходом от классического SEO к GEO.

SEO продолжает работать с:

страницами → запросами → контентом → ссылками → поисковой выдачей.

GEO добавляет работу с:

сущностями → фактами → источниками → связями → AI-интерпретацией → ответом пользователю.

Это не замена SEO.

Качественные страницы, техническая доступность, содержательный контент, репутация и проверяемость источников, а также поисковая видимость остаются фундаментом.

Но для AI Search появляется дополнительная задача — сделать так, чтобы эта информация могла быть правильно интерпретирована как единая сущность.

Ограничения эксперимента

У исследования есть ограничения.

Это эксперимент на одном профессиональном профиле с ограниченным набором запросов. Ответы генеративных систем меняются со временем и зависят от множества факторов.

Невозможно полностью отделить влияние публикаций, новых источников, индексации, языка запроса и других изменений.

Для более строгого исследования потребовались бы:

1. несколько независимых Digital Entity;
2. контрольная группа;
3. фиксированная панель запросов;
4. несколько языков и AI-систем;
5. одинаковые временные интервалы;
6. повторные измерения;
7. единая методика оценки.

Поэтому этот материал — практический GEO-кейс и исследовательское наблюдение, а не доказательство универсального алгоритма продвижения в AI.

Что можно проверить у себя

Подобный эксперимент можно провести с любой публичной сущностью: специалистом, компанией, брендом или продуктом.

Минимальная контрольная таблица:

Важно фиксировать не только удачные ответы. В журнал нужно вносить ошибки, отсутствие упоминания, нерелевантные источники и смешение сущностей.

Иначе «до / после» легко превратить в подборку удобных примеров вместо полноценного наблюдения.

Итог

Эксперимент начался с простой проблемы: AI находил отдельные факты обо мне, но не всегда корректно связывал их в единый профессиональный профиль.

В рамках GEO-подхода я систематизировал публичный информационный корпус: унифицировал профессиональные данные, сформировал тематические связи и согласовал связи между внешними источниками.

В повторной серии проверок AI-ответы стали более последовательно связывать профиль с SEO, GEO, AI Visibility и AI Search. Это качественное наблюдение в рамках ограниченного эксперимента, а не доказательство того, что один конкретный фактор способен «продвинуть» сущность в AI.

Кейс показывает практическую сторону GEO: предметом работы может быть не только отдельная страница, но и связанное информационное представление специалиста, бренда, продукта или компании в генеративной среде.

Классическое SEO отвечает на вопрос:

«Как сделать страницу видимой для поисковой системы?»

GEO добавляет следующий вопрос:

«Какие публичные факты, источники и связи помогают AI корректно интерпретировать, кто вы, что вы предлагаете и чем это подтверждается?»

Для меня именно в этом заключается переход от SEO к GEO.