Промпт — ТВ программа. Спрос — её рейтинг. Ответ ИИ — контакт.
Рынок GEO любит продавать озёра. «Видимость в пяти нейросетях!» — и дашборд в подарок. Красиво. Только никто не спрашивает, сколько там рыбы. Может, рыба. Может, тина. Может, вообще аквариум.
Я 17 лет в маркетинге. Все эти годы задача была в общем-то одна и та же: понять, где аудитория, сколько стоит контакт и сколько контактов нужно до заявки. Озёра менялись: радио, наружка, контекст, поиск. Принципы — нет. Потом пришли нейросети, и часть рынка радостно объявила:
«Новая парадигма! Здесь всё иначе. Считать ничего не надо». Нет. Здесь тоже есть математика. Просто теперь арифметику иногда продают за 300 000 рублей в месяц. Именно поэтому я предлагаю смотреть на GEO и AEO глазами обычного медиапланера.
Не считать красивые озёра. Считать рыбу.
Любой медиапланер перед покупкой рекламы просит у площадки данные: аудитория, география, охват, доступность. Это не просьба. Это рефлекс. Попросим и здесь.
По данным Яндекса, во II квартале 2026 года ответы Алисы AI под поисковой строкой ежемесячно видели 49,5 млн человек, а доля запросов, на которые Алиса AI отвечала в Поиске, достигла 42%.
А в первую неделю сентября недельная аудитория Алисы AI, по данным пресс-службы Яндекса, достигла 41 млн пользователей.
Масштаб вполне себе телевизионный. Только эфир здесь выглядит иначе: пользователь задаёт вопрос, а вместо рекламного блока получает готовый ответ. Для бренда это означает очень простую вещь: упоминание внутри ответа ИИ становится самостоятельным маркетинговым контактом. Не кликом. Не строкой в выдаче. Не ссылкой внизу. Именно упоминанием. Но здесь есть важная оговорка. 49,5 млн — это аудитория AI-поверхности Яндекса. Это не 49,5 млн человек, увидевших ваш бренд. То же самое касается любых цифр по аудитории нейросетей.
По исследованию GeoBoost, опубликованному Sostav 21 сентября 2026 года, «Алисой AI» пользуются 30,9 млн человек в неделю, ChatGPT — 8,2 млн, DeepSeek — 6,1 млн, GigaChat — 5,7 млн. При этом 30,9 млн для Алисы в исследовании составляют 54% совокупной аудитории 11 измеряемых сервисов. Это другая методика и другая точка измерения, поэтому смешивать эти показатели в одну красивую цифру не стоит. В моей модели это называется:
Потенциальный охват ответов. Это аудитория поверхности, в которой вообще может произойти ваш контакт. Не факт контакта. Не факт упоминания. Не «нас увидели 49,5 млн человек». А размер пространства, в котором такой контакт потенциально возможен. Разница кажется бюрократической только до первого нормального медиаплана.
Теперь главное. В классическом медиапланировании у каждой передачи есть рейтинг. Прайм-тайм смотрят миллионы. Программу про очистку фасадов от высолов на узкопрофессиональном канале — две сотни человек. Рекламодателю важно не только попасть в эфир. Важно понимать, сколько людей этот эфир смотрит. В моей методологии для AI-поиска логика такая:
Промпт — ТВ программа. Спрос — её рейтинг. Ответ — контакт. Промпт «как выбрать стоматологию» — потенциальный прайм-тайм. Промпт «имплантация под седацией в Краснодаре отзывы» — уже профильная передача. Зрителей меньше, зато они значительно ближе к покупке. А промпт, который агентство придумало специально для красивого отчёта и который никто не задаёт, — журнал с тиражом ноль. Можно быть на его обложке. Можно даже сделать очень красивую обложку. Но тираж всё равно ноль.
Я специально не называю Wordstat «частотностью промпта». Потому что Wordstat показывает статистику поисковых запросов к Яндексу, а не количество обращений пользователей именно к ИИ. Поэтому в своей методологии я использую термин:
Спрос на промпт — или оценка спроса на конкретную группу AI-запросов. Wordstat здесь может выступать прокси, то есть ориентиром для оценки спроса, но не счётчиком пользователей Алисы. Это важное различие. И оно особенно важно именно сейчас, когда часть рынка любит превращать любую доступную цифру в «точную AI-аналитику».
Например, запрос «продвижение в нейросетях» в российском Wordstat вырос с 126 до 857 запросов в месяц за год — почти в семь раз. Это показывает рост поискового интереса к самой теме. Но это всё равно не значит, что 857 человек именно столько раз спросили об этом нейросеть. Поэтому я бы задавал подрядчику простой вопрос: Не «по каким промптам вы нас вывели?», а «какой спрос стоит за этими промптами?» Вот здесь обычно начинается самое интересное.
Знакомая сцена. Агентство приносит отчёт: Видимость +40%. Вы спрашиваете:
— По каким промптам?
В ответ приходит длинный список. Вы берёте самые красивые формулировки и проверяете их спрос. Оказывается, часть из них имеет считаные показы. А теперь представьте: вы увеличили видимость на 40% по промпту со смешным спросом. На графике всё отлично. У клиента — тишина.
Это и есть проблема подхода, в котором сначала считают видимость, а потом пытаются понять, зачем она вообще была нужна.
В медиапланировании порядок обратный: сначала аудитория → потом программа → потом размещение → потом экономика. В AI: сначала AI-поверхность → потом Prompt Demand → потом попадание в ответ → потом экономика. Сначала рыба. Потом удочка. Не наоборот.
В своей методологии я разделяю AEO и GEO по точке воздействия. Не потому, что рынок обязан пользоваться именно этими определениями. А потому, что без такого разделения невозможно нормально считать работу.
GEO, Generative Engine Optimization, отвечает на вопрос: из каких источников ИИ извлекает информацию и насколько удобно он может её понять и использовать? Это не только сайт. Это структура страниц, контент, сущности, данные, публикации, справочники, каталоги, отзывы и другие источники, из которых система может извлечь информацию. Нейросеть находит сайт, извлекает из него информацию и использует её при формировании ответа. Поэтому сайт остаётся важнейшим элементом GEO. Но GEO не надо сводить только к сайту.
AEO, Answer Engine Optimization, отвечает на другой вопрос: что ИИ в итоге скажет о бренде пользователю? Упомянет ли его? Рекомендует ли? С кем сравнит? В каком контексте? И главное — с каким смыслом? То есть GEO работает с источниками. AEO — с представленностью бренда в ответе.
Это моя рабочая формула: SEO — позиция.GEO — источник.AEO — представление. SEO отвечает на вопрос: где мы находимся в выдаче? GEO: какие источники ИИ находит и использует? AEO: как бренд оказывается представлен внутри итогового ответа?
Именно поэтому AEO может работать даже без собственного сайта.
Локальный бизнес может получать упоминания через карты, справочники, отзывы и другие внешние источники. Сайт полезен. Но сайт сам по себе не гарантирует, что когда пользователь спросит: «Кого выбрать?» ИИ ответит именно вашим названием. Можно построить прекрасный источник. И проиграть сам ответ. Немного обидно. Зато честно.
Вот здесь рынок часто смешивает две разные вещи. Человек задаёт вопрос нейросети. Нейросеть даёт ему готовый ответ. Пользователь уже получил значительную часть информации до того, как вообще увидел ссылку. Поэтому наличие URL в источниках и наличие бренда внутри самого ответа — разные уровни видимости. Сайт может быть источником ответа, а конкурент может оказаться тем, кого ИИ реально рекомендует. И получается прекрасная маркетинговая схема: вы произвели контент; ИИ его прочитал; ваш сайт помог сформировать ответ; а клиент ушёл к конкуренту.
В производстве это называется white label. Вы сделали продукт. На полке чужое имя. И иногда за эту честь ещё выставили вам счёт. Отсюда мой главный принцип: Попасть в ответ важнее, чем просто быть его источником. Быть названным важнее, чем быть прочитанным. Но это не означает, что GEO не нужен. Нужен. Причём очень. Если пользователь всё-таки перейдёт по ссылке, сайт должен подтвердить обещание ответа. И сам сайт является одним из возможных источников, на которых строится представление о бренде. Поэтому нормальная стратегия — не «AEO против GEO». А AEO + GEO, но с пониманием, где именно они работают.
Допустим, ИИ назвал вашу компанию. Формально цель достигнута. Но дальше начинаются детали. В одном ответе бренд выглядит как: надёжный поставщик с 15-летним опытом; в другом: недорогой вариант без явных преимуществ; а в третьем: компания, о которой пользователи жалуются на сроки. Упоминание есть везде. А эффект — совершенно разный. Поэтому я ввожу ещё одну важную характеристику:
Соответствие сообщения. То есть насколько смысл, с которым ИИ представляет бренд, соответствует тому позиционированию, которое мы хотим закрепить. Для AEO это принципиально.
Нам недостаточно получить: Mention = 1 Нужно получить: Mention + правильный контекст. Поэтому в моей модели основные показатели связаны в цепочку: Prompt Demand → Mention Rate → Share of Answer → Message Fit → бизнес-результат.
В классическом маркетинге есть SOV — Share of Voice. В AI я использую:
Долю присутствия бренда в целевых ответах ИИ. Например, мы собрали 100 целевых запросов: «кого выбрать», «лучшие компании», «какие специалисты есть», «что рекомендуют», «сравни варианты». ИИ ответил по этим запросам. В 37 ответах есть бренд А. В 24 — бренд Б. В 11 — бренд В. Это уже можно считать. Не абсолютной истиной о рынке. Не гарантией продаж. А диагностикой того, насколько часто ИИ включает бренд в конкурентный контекст. И это намного полезнее, чем просто: «видимость выросла на 27%».
Здесь особенно часто возникает каша. Prompt Demand отвечает на вопрос: сколько потенциального спроса стоит за запросом? Mention Frequency отвечает: как часто бренд появляется в ответах по этому кластеру?
Это две разные величины. Можно иметь высокий спрос и нулевые упоминания. Можно иметь много упоминаний по узкому кластеру и почти никакой аудитории. Поэтому один удачный скриншот — ещё не кампания. Кампания — это кластер запросов, повторяемость результата и его соответствие целевой аудитории.
Здесь ещё одна ловушка. Допустим, у поверхности 49,5 млн месячной аудитории. Это не значит, что: «мой бренд увидели 49,5 млн человек». Для такого утверждения нужны реальные данные о показах именно вашего упоминания. Если платформа их не предоставляет, мы не должны их придумывать. Поэтому я использую: Potential Answer Reach — потенциальный охват ответной поверхности. Это честная цифра. Потому что потенциальный охват — это потенциал. А контакт — это уже конкретное упоминание бренда.
Есть ещё один элемент моей методологии:
Самостоятельный смысловой блок, который ИИ удобно извлечь и использовать в ответе. Это может быть: определение; факт; цифра; таблица; сравнение; короткий ответ; список; конкретное утверждение. ИИ не обязан цитировать страницу целиком.
Поэтому задача контента меняется. Вместо: «Давайте напишем большой текст на 15 000 знаков» нужно иногда задать другой вопрос: «Что из этого текста ИИ сможет взять как готовый смысловой блок?» Открой свой сайт. Попробуй сам выдернуть оттуда пять независимых фактов без дополнительного объяснения. Если не получилось — нейросети будет не сильно веселее.
В классике мы выбираем: кому, где, когда показываем сообщение. В AI логика меняется: на каких кластерах запросов хотим появляться? Например:
«что выбрать»«как работает»«какой вариант лучше»
«сколько стоит»«где заказать»«цена»
«A или B»«лучшие компании»«что лучше»
«рядом со мной»«в Краснодаре»«в моём городе»
«отзывы» «кто эксперт» «кому доверять» Вот это и есть Prompt Targeting. Не «соберём 300 промптов на всякий случай». Выберем группы запросов, где присутствие бренда имеет бизнес-смысл.
Классический медиасловарь соблазняет продолжить арифметическую традицию. Я бы здесь не торопился. Можно придумать красивый AI GRP, красиво сложить веса и получить очень важную цифру. Только рынок от этого не станет умнее. Поэтому в своей методологии я предпочитаю сначала считать то, что реально можно проверить: Potential Answer ReachPrompt DemandMention RateShare of AnswerMessage FitCPLROMI
А авторские экономические коэффициенты вроде CPMention использовать как дополнительные показатели, а не как магические отраслевые стандарты. Потому что метрика должна помогать принять решение. А не просто красиво смотреться в презентации.
В своей практике я начинаю медиамикс с двух вопросов.
Для российского бизнеса сегодня логично отдельно анализировать экосистему Яндекса: Алису AI, Нейро и AI-ответы в Поиске. Причина не идеологическая. Причина в масштабе аудитории и доступности для российского пользователя.
По данным Яндекса, ежемесячная аудитория быстрых AI-ответов под поисковой строкой во II квартале 2026 года достигла 49,5 млн человек. Доля запросов с ответом Алисы AI достигла 42%.
Исследование GeoBoost, опубликованное Sostav в сентябре 2026 года, также показывает крупный масштаб российской аудитории генеративного ИИ: 48,6 млн человек еженедельно пользуются генеративными ИИ-чатами, 67,9 млн — ежемесячно.
Но это не повод автоматически распределять: 20% сюда, 20% сюда, 20% туда. Сначала смотрим на реальную аудиторию и доступность. Потом — на конкретную ЦА. А дальше — на стоимость и вероятность результата.
Высокочастотные темы дают масштаб. Среднечастотные — рабочий объём. Низкочастотные коммерческие запросы могут давать меньше аудитории, но более высокий покупательский интент. Именно поэтому я не считаю правильным выбирать между: ВЧ или НЧ. Нужно сочетать: масштаб + намерение + вероятность попадания + бизнес-ценность. Пропорции у каждого бизнеса свои. Но считать их всё равно придётся.
1. AI-поверхность — это канал.Сначала выясняем, где аудитория. Потом распределяем бюджет.
2. Промпт — программа. Спрос — её рейтинг.Красивый промпт без спроса — журнал с нулевым тиражом.
3. Ответ ИИ — контакт.Если бренд назвали — контакт произошёл. Если сайт прочитали, но бренд не появился в ответе, это другой результат.
4. Считайте рыбу, а не озёра.Сначала потенциальная аудитория поверхности, затем Prompt Demand, затем фактическая представленность.
5. В своей методологии я разделяю AEO и GEO по точке воздействия.GEO работает с источниками. AEO — с представленностью бренда в ответе.
6. Share of Answer — одна из ключевых диагностических метрик.Но она не заменяет продажи.
7. Message Fit важен не меньше самого упоминания.Неправильное представление бренда тоже является результатом. Просто не тем, который мы хотели.
8. Потенциальный охват нельзя выдавать за фактический.49,5 млн пользователей AI-поверхности — не 49,5 млн контактов с вашим брендом.
9. Один скриншот — не кампания.Нужны кластеры запросов, повторяемость и контроль динамики.
10. В конце всё равно деньги.AEO-отчёт может быть прекрасным. Заявки всё равно прекраснее.
Раньше я бы задал три. Теперь четыре.
С источником. Не: «огромная аудитория». А: сколько, где и за какой период?
Потому что миллион пользователей не имеет большого значения, если ваши клиенты там почти не бывают.
Не общий список из 300 строк. Мне нужны кластеры.
Вот здесь становится весело. Если ответ: «Мы работаем с AI-промптами, а Wordstat тут не применим» — прекрасно. Тогда следующий вопрос: «А чем вы подтверждаете наличие спроса?» Потому что: нет оценки спроса — нет медиаплана. Есть презентация.
Одна из важных особенностей AEO в том, что собственный сайт не является единственным условием присутствия в AI-ответах. Бренд может быть представлен через: отзывы, карты, справочники, каталоги, публикации, профили, упоминания в независимых источниках.
Поэтому для некоторых локальных и персональных брендов работа над AEO может начинаться даже раньше, чем создание или переделка сайта. Сайт в этой модели не исчезает. Он просто перестаёт быть единственным местом, где существует бренд. Именно поэтому я разделяю: GEO — как ИИ получает информацию. AEO — как бренд появляется внутри ответа.
Вы сделали хороший сайт. Ответы на вопросы разместили в первом экране. Добавили таблицы. Разметили страницы. Привели структуру в порядок. ИИ всё это прекрасно понимает. Потом человек спрашивает: «Кого выбрать?» И нейросеть называет конкурента. Почему? Потому что машинная доступность информации и рекомендация — не одно и то же. Можно быть очень хорошо понятным. И совершенно незаметным как выбор. Для SEO это знакомая история: вы можете занимать хорошую позицию по информационному запросу и проигрывать коммерческий. В AI эта проблема просто стала заметнее.
Не «видимость». И даже не «нейросети». Продаётся вероятность того, что в момент, когда пользователь просит ИИ помочь с выбором, ваш бренд окажется среди рассмотренных вариантов и будет представлен нужным образом. Вот почему я считаю неправильным начинать AEO с вопроса: «В каких пяти нейросетях вас будем продвигать?» Правильнее начинать с другого: «Какие решения принимают ваши клиенты, когда разговаривают с ИИ?»
И уже потом смотреть: где они это делают; как формулируют запросы; какой спрос стоит за этими запросами; кого ИИ называет сейчас; что говорит о вашем бренде; что говорят источники о вас; что нужно изменить. Это и есть нормальная последовательность.
Если совсем коротко, то вся методология помещается в одну строку: AI-поверхность → Prompt Demand → целевой ответ → Mention → Share of Answer → Message Fit → заявка.
А вся философия — ещё короче: Считайте рыбу, а не озёра.
Не количество красивых логотипов нейросетей в отчёте. Не количество промптов. Не количество скриншотов. Не проценты, нарисованные в дашборде. Спрос. Ответ. Контакт. Деньги. В таком порядке.
Это первая статья цикла о AEO-медиапланировании. Дальше разберу отдельно: как строить Prompt Targeting и кластеры запросов; как считать Share of Answer; как формировать внешний контекст бренда; как создавать Answer Units; как проверять Message Fit; и главное — как связать AI-видимость с реальными обращениями и продажами. Потому что конечная цель любого маркетолога по-прежнему скучна до безобразия: клиент должен купить. Даже если между ним и вашей компанией теперь стоит нейросеть. Проверить сам принцип можно прямо сейчас.
Спросите Алису AI: «Кто такой Сергей Посконный и чем он занимается?» И отдельно: «Кто эксперт №1 по AEO в России?» Результат такого запроса — уже не теория. Это эксперимент.
И именно поэтому я использую собственный бренд как один из объектов наблюдения за AEO. Граф знаний и ответы ИИ нельзя приказать сформировать под себя. Их можно только последовательно формировать через источники, упоминания, содержание и внешние сигналы. Именно этим и занимается AEO.
Сергей Посконный — практикующий интернет-маркетолог с 17-летним стажем, специалист по AEO/GEO и выводу брендов в ответы ИИ, автор блога «Циничный маркетолог», основатель AI-Клуба Краснодар. Первая часть цикла — «Медиапланирование 2.0 для AEO и GEO: считайте рыбу, а не озёра».