GEO без магии: что агентства могут измерять, а что не вправе гарантировать

Продвижение в ответах нейросетей — GEO (Generative Engine Optimization), или AI SEO — стало одним из главных трендов B2B‑маркетинга. Бренды осознали, что умные чат‑боты и генеративные поисковики — Яндекс Нейро, Perplexity, ChatGPT Search и другие — становятся дополнительным каналом поиска и переходов наряду с традиционной выдачей.

На волне этого ажиотажа рынок digital‑услуг быстро наполнился предложениями «вывести бизнес в ответы LLM‑моделей» с ценником от 150 000 рублей в месяц и выше.

Однако за красивыми презентациями и инновационными терминами часто скрывается техническая неопределённость. Недавно я посетил профильный вебинар одного из крупных агентств, позиционирующих себя как эксперты в GEO. То, что спикеры транслировали потенциальным клиентам, заставляет усомниться в качестве экспертизы, продаваемой за немалые бюджеты.

Разберём два ключевых тезиса с этого вебинара, которые наглядно иллюстрируют текущий кризис компетенций в сфере генеративной оптимизации.

Кейс №1. Борьба с «галлюцинациями» ИИ методом «научного тыка»

В рамках сессии вопросов и ответов спикеру был задан классический для GEO‑практики вопрос:

«Мы регулярно сталкиваемся с проблемой сбоя атрибуции: нейросеть в тексте ответа рекомендует наш бренд, но ссылку на источник прикручивает некорректную — на маркетплейс, агрегатор или сайт конкурента. Как ваша методология решает проблему верификации сущностей?»

Ответ экспертов агентства:

«Мы в таком случае смотрим, откуда идёт парсинг, просто переписываем эту статью, и тогда ссылка, возможно, поменяется».

Формулировка «возможно, поменяется» — это, пожалуй, самый честный KPI в договоре на 150 тысяч рублей. Но сам по себе такой ответ не демонстрирует воспроизводимой методологии работы с подобным сценарием.

Почему это не работает как методология

Генеративные поисковые продукты обычно опираются на извлечение внешних источников, их ранжирование и последующую генерацию ответа. Но конкретная архитектура, число используемых документов, правила выбора цитат и связь между фрагментом ответа и ссылкой чаще всего закрыты для внешнего наблюдателя.

Если модель использует описание продукта с одного сайта, а ссылается на другой, это может означать, что система выбрала сторонний источник для цитирования, иначе сопоставила сущности или использовала разные источники для формирования ответа и ссылки. Без доступа к внутренним данным конкретного продукта нельзя честно назвать единственную причину.

Но изменение одной статьи не гарантирует изменения источника цитирования. Система может продолжать использовать другие документы, иные источники и дополнительные сигналы, связанные с сущностью бренда. Поэтому обещание «переписать материал — и ссылка, возможно, изменится» не является методологией: это гипотеза без заранее определённых условий проверки, метрик и критериев результата.

Кейс №2. Прогнозы из «зазеркалья»: ИИ‑трафик в Яндекс Метрике

Второй аргумент спикеров в пользу контроля эффективности их работы звучал ещё более революционно:

«Мы вычленяем переходы ИИ‑ботов в стандартных отчётах Яндекс Метрики или Google Analytics, анализируем их динамику и строим на этом прогнозы трафика и KPI для клиентов».

Для технического специалиста это заявление — маркер того, что агентство смешивает базовые понятия веб‑аналитики.

В чём заключается ошибка

В системах веб‑аналитики нужно различать как минимум четыре независимых уровня:

1. Краулинг сайта ботами
2. Видимость бренда в ответах AI‑систем
3. Переходы пользователей из AI‑интерфейсов
4. Конверсии и выручку, полученные из этих переходов

Краулинг сайта ботами обычно анализируют по серверным логам и техническим журналам. Переходы реальных пользователей по ссылкам из AI‑интерфейсов могут попадать в GA4 или Яндекс Метрику как реферальный трафик — если сервис передал referrer. Однако это лишь часть картины: отсутствие реферера может маскировать такой трафик под Direct, а сама аналитика сайта не показывает, сколько раз бренд упоминался или цитировался внутри интерфейса модели.

Индексация не равна конверсии. Даже если робот ИИ посетил ваш сайт — а это можно увидеть в серверных логах при корректной идентификации User-Agent — это означает лишь факт краулинга. Такой визит не гарантирует, что модель покажет бренд в ответе пользователю, процитирует конкретную страницу или отправит на сайт трафик.

Аналогично, реферальный переход из ChatGPT, Perplexity или другого AI‑интерфейса ещё не доказывает системную видимость бренда в ответах. Он фиксирует только один пользовательский визит, источник которого в конкретном случае был передан веб‑аналитике.

Каким должен быть инженерный подход к GEO

В отличие от классического SERM или традиционного копирайтинга, работа с генеративной видимостью должна строиться не на обещаниях «вывести бренд в ChatGPT», а на управлении наблюдаемыми факторами и честной системе измерения.

1. Техническая доступность. Необходимо проверить robots.txt, HTTP‑статусы, каноникализацию, серверные ошибки, доступность ключевых страниц и обращения известных поисковых или AI‑краулеров в серверных логах. Например, OpenAI разделяет GPTBot и OAI-SearchBot: это разные краулеры и разные сценарии использования контента.
2. Семантическая разметка. Структурированные данные Schema.org в формате JSON-LD создают для поисковых систем и других автоматизированных систем дополнительный сигнал о сущности, типе страницы, продукте, организации, авторе и других атрибутах. Это не гарантирует использование разметки конкретной LLM, но уменьшает неопределённость при машинной обработке контента.
3. Согласование сущности. Бренд, домен, юридическое название, контакты, профили и описания должны быть согласованы между сайтом, авторитетными внешними источниками, отраслевыми каталогами, реестрами и базами знаний. Поле sameAs может помочь связать одну и ту же сущность между различными источниками и снизить неоднозначность при её идентификации.
4. Мониторинг AI visibility. Видимость следует измерять на фиксированном наборе релевантных запросов с учётом языка, региона, даты, режима поиска, авторизации и используемого продукта. Допустима автоматизация через разрешённые API и собственные инструменты, но API‑ответ нельзя без проверки считать идентичным выдаче потребительского веб‑продукта.
5. Раздельная аналитика. Отчёт должен отдельно показывать краулинг в логах, видимость в тестовой выборке запросов, упоминания и цитирования, реферальные визиты, лиды, конверсии и выручку. Объединять все эти показатели в одну метрику «AI‑трафика» методологически неверно.
6. Экспериментальный дизайн. Подрядчик должен фиксировать исходное состояние, гипотезу, перечень изменений, период наблюдения, контрольные запросы и критерии результата. Корректный вывод звучит так: «после изменения X в наборе сценариев Y мы наблюдали динамику Z». Некорректный — «мы взломали алгоритм ChatGPT».

Чек‑лист для директора по маркетингу

Чтобы не купить обычный копирайтинг и размещение статей под вывеской AI‑технологий, задайте потенциальному подрядчику следующие вопросы.

Вопрос 1. «Как вы работаете со случайностью и вариативностью ответов модели? Как фиксируете методику замера, набор запросов, регион, язык, периодичность и критерий результата?»

Если вся методология сводится к периодической ручной проверке нескольких запросов в браузере, это скорее точечный мониторинг, чем воспроизводимая система измерения AI visibility. Ручная проверка может быть полезна как качественная валидация, но не заменяет системный сбор данных.

Вопрос 2. «Как ваша стратегия GEO работает с Entity Alignment — согласованием сущности бренда между сайтом, внешними базами знаний, отраслевыми источниками и другими авторитетными площадками?»

Сильный подрядчик должен говорить не только о публикации новых статей, но и о согласованности названия бренда, сайта, контактных данных, профилей, описаний продукта, структурированных данных и внешних подтверждающих источников. Wikidata, Википедия, отраслевые реестры и официальные каталоги могут быть примерами таких источников, но не универсальной обязанностью для каждого бизнеса.

Вопрос 3. «Как вы отделяете активность AI‑краулеров от реферального трафика и от фактической видимости бренда в ответах моделей? Какие данные вы берёте из серверных логов, какие — из веб‑аналитики, а какие — из мониторинга ответов?»

Если подрядчик пытается показать все результаты в одном стандартном отчёте Яндекс Метрики или GA4, перед вами не полноценная GEO‑методология, а смешение несовместимых данных.

Вопрос 4. «Что именно вы готовы гарантировать в договоре?»

Корректный ответ: техническую реализацию, доступность контента для разрешённых краулеров, внедрение структурированных данных, выполнение контент‑плана, настройку мониторинга и прозрачную отчётность. Обещание гарантированного попадания в ответы закрытых моделей, фиксированного места в ChatGPT или определённого числа цитирований — тревожный сигнал.

Итог

Рынок GEO сегодня переживает стадию «Дикого Запада». Высокий спрос со стороны бизнеса создаёт пространство для спекулятивных предложений, где обычный контент‑маркетинг, SERM или SEO‑работы продаются как «вывод в нейросети».

Профессиональная GEO‑работа не даёт подрядчику доступа к внутреннему ранжированию, контексту и механизму цитирования закрытых AI‑систем. Поэтому её результат — не обещание «вывести бренд в ChatGPT», а построение проверяемой инфраструктуры: сделать первоисточник доступным и однозначным, устранить противоречия о бренде в публичном поле, разделить краулинг и реферальные переходы, а также регулярно тестировать видимость на согласованной выборке запросов.

Если исполнитель не может ясно обозначить границы контроля, источники данных и методику измерения, он продаёт не измеримую GEO‑работу, а уверенность в условиях высокой неопределённости.

Важная ремарка. Я не ставлю цели никого обидеть или выглядеть «самым умным» в теме. Это лишь моё профессиональное мнение, основанное на конкретном кейсе и опыте работы с AI‑поиском.