Как попасть в ответы ChatGPT и Алисы: цепочка из трёх звеньев

Клиенты уже спрашивают у ChatGPT, Алисы и Gemini, кого выбрать. В ответ они получают не поисковую выдачу, а короткую рекомендацию из пяти-десяти имён.

Работа с этим присутствием — GEO-продвижение, продвижение брендов в ответах нейросетей. Его задача — сделать всё, чтобы компания вошла в число тех, кого ИИ называет по имени.

Три звена, из которых собирается рекомендация

Путь в ответы нейросетей выглядит одинаково для любой ниши: источники → упоминания → рекомендации.

После первого замера возникает логичный вопрос: «Ок, замерить можно — что теперь делать, с чего начать?» Ответ начинается не с количества статей и не со списка площадок. Сначала нужно понять, как нейросеть собирает рекомендацию.

Представьте городской гид, которого спрашивают: «Куда пойти вечером?» Чтобы назвать ресторан, гид сначала должен встретить его в тех справочниках, обзорах и колонках, которые читает. Потом из разных упоминаний у него складывается представление: что это за место, для какого случая оно подходит и почему его советуют. И только после этого название ресторана появляется в коротком ответе читателю.

С брендами в ChatGPT, Алисе, Gemini, Claude и Perplexity работает похожая цепочка. Сначала компания появляется на страницах, к которым обращаются системы. Затем становится участником сравнений, списков и рекомендаций. Из этих сигналов постепенно собирается основание назвать её в ответе на вопрос «кого выбрать».

Поэтому цель — не один раз попасть в условный путеводитель. Цель — последовательно работать со всей цепочкой.

Звено первое: источники

Из десяти систем, которые мы отслеживаем, семь читают живой веб, а три отвечают из внутренней памяти — начинать нужно со страниц, доступных первым семи.

В нашем замере — десять систем, и они делятся на два класса. Семь систем в момент ответа обращаются к живому вебу и цитируют конкретные страницы — мы называем такие каналы поисковыми. Три отвечают без выхода в интернет, из внутренней памяти модели, — это памятные каналы.

К поисковым относятся разные режимы ChatGPT, Алисы, Claude, Gemini, DeepSeek, Grok и Perplexity. Состав может меняться вместе с обновлениями самих систем, поэтому проверять режим нужно не по названию модели, а по её реальным ответам: искала ли она информацию в интернете и какие страницы открывала.

Список источников отличается от ниши к нише. В B2B нейросети могут опираться на отраслевые каталоги и профильные медиа. В товарных категориях — на маркетплейсы, обзоры и видео. В локальных услугах — на справочники и площадки с отзывами. В сложных темах заметную роль играют Википедия, YouTube и собственные сайты компаний.

Главная ошибка — заранее решить, какие площадки «должны работать». Популярное деловое медиа может почти не встречаться в ответах конкретной ниши, а узкий каталог, о котором маркетинговая команда редко вспоминает, — появляться постоянно.

Карта строится от ответов нейросети, а не от привычного медиаплана. Нужно задать системам реальные вопросы покупателей, собрать процитированные страницы и увидеть повторяющиеся домены, форматы и типы материалов.

Собственный сайт компании нередко становится источником №1 — если отвечает на вопрос покупателя, а не рассказывает о лидерстве бренда.

В исследовании Лаборатории GeoWise на товарной нише сайт компании часто оказывался главным источником информации о ней. Но в ответы попадали не декларации с главной страницы, а материалы, которые решали конкретную задачу: помогали выбрать продукт, сравнивали варианты, объясняли ограничения и показывали подходящие сценарии использования.

Для ресторана из нашей аналогии это первый уровень работы: выяснить, какие именно справочники, обзоры и городские колонки листает гид. Публикация в издании, которого он не читает, может быть красивой, дорогой и совершенно бесполезной для рекомендации.

В GEO-продвижении путь начинается не с публикации о вас, а с точной карты — какие страницы нейросеть в вашей нише вообще читает.

Звено второе: упоминания

Страница становится полезной не потому, что площадка известна, а потому, что на ней бренд включён в конкретный ответ на вопрос «кого выбрать».

Найти цитируемые площадки недостаточно. Не всякий текст на нужном домене превращается в сигнал для нейросети.

Системы охотнее используют страницы, где есть проверяемая конкретика: перечень игроков рынка, сравнение решений, подборка под определённую задачу, ответ на вопрос покупателя. Одиночная колонка с общими рассуждениями может остаться незамеченной, даже если опубликована на сильной площадке.

Хороший материал не просто упоминает компанию. Он объясняет, в каком выборе она участвует. Например: какие решения подходят малому бизнесу, каких производителей рассмотреть при заданных требованиях, чем отличаются три подхода, что выбрать при ограниченном бюджете или сложных условиях эксплуатации.

Такая конструкция совпадает с логикой самого запроса. Пользователь просит помочь с выбором — нейросеть ищет страницу, где этот выбор уже разобран.

Сайт компании должен отвечать на покупательский вопрос, даже если этот вопрос шире самой компании.

Страница «О нас» почти всегда говорит языком бренда: история, миссия, производство, преимущества. Покупатель спрашивает иначе: что подойдёт в его ситуации, чем один вариант отличается от другого, какие есть ограничения и сколько шагов потребуется до результата.

Чем точнее страница закрывает этот запрос, тем больше у неё шансов стать источником. Название бренда в таком материале находится внутри полезного ответа, а не заменяет его.

В исследованной нами нише участником списка быть важнее, чем автором списка.

Материалы от лица компании тоже могут цитироваться. Но доля упоминаний у брендов, включённых в сравнительные списки, оказалась кратно выше, чем у тех, кто только выпускал собственные обзоры.

Это не универсальный коэффициент для всех рынков. В каждой нише нужно отдельно проверять, какие форматы формируют её короткую рекомендацию. Где-то решают каталоги, где-то редакционные подборки, где-то обзоры на YouTube, а где-то страницы производителей.

Общий принцип сохраняется: нейросети проще извлечь рекомендацию из материала, где игроки уже названы и сопоставлены.

Нейросеть не запоминает мнение — она запоминает списки. Попасть в список важнее, чем быть автором списка.

Звено третье: рекомендации

Короткий ответ из пяти-десяти имён собирается из ткани упоминаний, а не копируется из одной статьи.

Когда пользователь спрашивает ChatGPT или Алису, кого выбрать, система не открывает единственный рейтинг и не переносит первые строчки в ответ. Она собирает рекомендацию из множества сигналов: какие компании встречались, в каком контексте их называли, насколько убедительными были источники и совпадает ли описание с вопросом пользователя.

Здесь качество источника весит больше простой частоты. Одно точное упоминание на площадке №1 в нише может оказаться сильнее пяти публикаций в случайных блогах.

Это важное отличие от упрощённого представления о старом SEO, где успех часто сводили к формуле «чем больше ссылок, тем лучше». Для ответа нейросети важно не только количество следов, но и то, где они оставлены, в каких формулировках и на какой вопрос отвечают.

Возвращаясь к городскому гиду: он рекомендует ресторан не после десятого повторения рекламного слогана. Название появляется в ответе, когда в памяти сложилось устойчивое впечатление: это место независимо друг от друга называют разные источники, которым гид привык доверять.

Памятные каналы догоняют веб с задержкой в кварталы, а иногда и дольше.

Если модель отвечает без обращения к интернету, новая статья не попадёт в её сегодняшний ответ. Внутренняя память меняется вместе со следующей версией модели, когда провайдер обновляет данные и обучение.

Поэтому работа с такими каналами — не задача «на следующий месяц». Реалистичный горизонт — квартал-год. Материалы, созданные сегодня, могут войти в будущие обучающие корпуса, но момент обновления определяет владелец модели, а не бренд.

Рекомендация нейросети — это не одна публикация, это ткань упоминаний из тех источников, которые она читает и помнит.

Порядок ударов: с чего начинать

Первый приоритет — увидеть реальную карту источников своей ниши.

Карта — это перечень доменов и типов страниц, которые нейросети цитируют в ответах именно на ваши вопросы. Без неё работа превращается в стрельбу по привычным площадкам: команда выпускает материалы, но не знает, встречают ли их ChatGPT, Алиса или Gemini на пути к ответу.

Второй приоритет — превратить собственный сайт в самоисточник.

Нужны страницы под конкретные вопросы покупателей, а не ещё один текст «о компании». Сравнения, критерии выбора, инструкции, ограничения и сценарии применения дают нейросети готовую фактуру. Во многих нишах это самый быстрый рычаг: площадка уже принадлежит компании, а новые материалы не зависят от чужой редакции.

Третий приоритет — войти в источники №1–2 своей ниши.

Обычно это профильные отраслевые медиа, каталоги, рейтинги или крупные тематические площадки. Но готового списка для всех рынков нет. В промышленности и потребительских товарах набор источников будет разным; даже у соседних категорий он может не совпадать.

Задача — не просто опубликовать колонку, а стать участником страницы, которую система использует при выборе: списка поставщиков, сравнения решений, обзора категории или ответа на практический вопрос.

Четвёртый приоритет — подключить катализаторы под тип бизнеса.

Для производителей это могут быть B2B-каталоги и отраслевые обзоры. Для товарных брендов — маркетплейсы, отзовики и сравнительные материалы. Для сложного выбора — YouTube. Для локального сервиса — городские справочники, карты и площадки с отзывами.

Катализатор полезен не сам по себе. Он должен уже присутствовать среди источников, которыми пользуются нейросети в конкретной нише.

Пятый приоритет — работать на память будущих версий моделей.

Этот слой движется медленно. Попадание в сильные источники, накопление независимых упоминаний и устойчивое присутствие в публичном поле создают материал, который следующие версии систем смогут усвоить. Но ждать быстрой реакции памятных каналов не стоит.

Первым бить в источники, а не в упоминания: сто публикаций в источнике №70 весят меньше одной в источнике №1.

Почему одна публикация полку не двигает

Три статьи в цитируемом отраслевом СМИ за три недели дали бренду 0,33% спонтанных упоминаний — практически ноль.

Такой результат мы зафиксировали в контрольном замере одной из ниш. Площадка была релевантной и встречалась среди источников, материалы вышли один за другим, но на следующем замере нейросети почти не называли бренд сами.

Это не означает, что статьи оказались бесполезны. Они стали первыми элементами присутствия. Но трёх элементов недостаточно, чтобы система начала уверенно включать новое имя в короткий список.

В кейсах, где рекомендации действительно сдвигались, счёт материалов шёл на 20–30 за квартал. Важны не публикации ради плана, а последовательные касания в тех источниках и форматах, которые уже участвуют в ответах.

Одна статья теряется ещё и потому, что сама полка постоянно «дышит».

Даже при повторном замере в один день топ-10 рекомендаций обновляется примерно на 40% без внешних причин. Модель каждый раз немного иначе собирает ответ: меняет порядок, добавляет одни имена, убирает другие.

Это фон самого способа отвечать. На его фоне единичное появление бренда невозможно уверенно связать с конкретной публикацией. Сегодня система назвала компанию, завтра пропустила — и оба результата могут быть обычным колебанием.

Для ресторана одна колонка в городском издании тоже не создаст в голове гида устойчивую мысль «одно из лучших мест города». Чтобы такое представление сложилось, ресторан должен появляться в разных справочниках, тематических подборках и обзорах — не одинаковой рекламной фразой, а в подходящих контекстах.

Рабочая ставка поэтому выглядит не как «одна громкая публикация», а как системная ткань: десятки касаний в цитируемых источниках, распределённые по времени.

Одна публикация — это молекула присутствия. Ответ нейросети собирается из ткани, а не из молекулы.

Как понять, что всё движется

Один замер показывает момент, а движение подтверждают только повторные точки по одному и тому же опроснику.

Ответы нейросетей меняются за недели. Поэтому стартовую цифру нельзя положить в презентацию и сравнить с ней результат через год: за это время обновятся модели, источники, конкуренты и сама структура ответов.

Замеры нужно повторять через недели или месяцы, сохраняя одинаковые вопросы и состав каналов. Тогда изменения можно сравнивать, а не объяснять разницей в методике.

Три прогона подряд нужно считать одной контрольной точкой.

Одиночный ответ слишком зависит от случайности. Поэтому мы объединяем три полных прогона — в каждом проверяем вопросы по всем системам и получаем 120 ответов. Вместе это 360 ответов на одну контрольную точку, которые показывают диапазон естественных колебаний полки.

Движением стоит считать не единичный скачок, а согласованное изменение сразу в нескольких каналах. Если бренд чаще появляется в ChatGPT-поиске, Алисе и Perplexity, а эффект сохраняется при повторе через месяц, это похоже на сигнал. Если одно упоминание возникло в одном прогоне одной системы, вывод делать рано.

Первые изменения появляются в источниках раньше, чем в короткой рекомендации.

Первый ранний признак — собственный сайт впервые попал в источники ответа. Это означает, что нейросеть уже нашла релевантную страницу, хотя название компании ещё может не закрепиться в списке рекомендаций.

Второй — бренд появился внутри сравнений и списков на цитируемых площадках. Не просто в отдельной новости или авторской колонке, а в материалах, из которых удобно собирать ответ на вопрос «кого выбрать».

Третий — карта источников начала стабилизироваться. Повторные замеры показывают одни и те же ведущие домены и форматы. Значит, можно точнее распределять усилия и не распылять публикации по случайным площадкам.

Только после этих ранних сигналов имеет смысл ждать устойчивого роста доли в рекомендациях.

Движение видно не по одной цифре, а по устойчивому повторению — тремя прогонами, повторно и через месяц.

Не «попал в ChatGPT», а работа с цепочкой

Замер отвечает на вопрос «где бренд сейчас», а продвижение — «какие звенья нужно изменить, чтобы его называли чаще».

Порядок действий начинается с карты источников. Затем собственный сайт превращается в полезный самоисточник. После этого бренд входит в ключевые списки и сравнения на цитируемых площадках, подключает подходящие его рынку катализаторы и накапливает присутствие для будущих версий моделей.

Пропустить первое звено нельзя. Если нейросеть не читает площадку, упоминания на ней не дойдут до рекомендации. Остановиться на втором тоже недостаточно: один текст редко выдерживает шум самой полки. Нужна сеть независимых и содержательных упоминаний, которую системы встречают снова и снова.

Именно поэтому «замерить» и «продвигаться» — разные задачи. Замер показывает вход в цепочку и помогает выбрать порядок ударов. Дальше начинается работа с источниками, содержанием страниц и повторными контрольными точками.

GEO-продвижение — продвижение брендов в ответах нейросетей — работает через три звена: сначала бренд попадает в источники, которые нейросеть читает; из источников её обучение выносит упоминания; из массы упоминаний собирается короткая рекомендация в ответе пользователю. Порядок приоритета: карта источников → собственный сайт-самоисточник → цитируемые площадки ниши → катализаторы под тип бизнеса → память моделей. Одна публикация полку не двигает — двигает ткань из десятков материалов; движение отличают от шума повторным замером тремя прогонами.

Сергей, Лаборатория GeoWise — замеряю, как ChatGPT, Алиса и другие нейросети рекомендуют бренды. Методика замеров описана на geowise.ru.