SEO делает источник видимым. GEO — понятным для ИИ. AEO работает с ответом. А кто решает, где всё это имеет смысл?

Рынок продвижения в генеративном поиске сейчас в основном обсуждает инструменты. Как попасть в ответы нейросетей, какие страницы создавать, что писать в статьях, какие источники лучше цитируются, как измерять упоминания бренда и в скольких AI-сервисах нужно присутствовать. Все эти вопросы полезны, но мне кажется, что мы слишком быстро перешли к вопросу «как продвигать», не ответив на более старый и фундаментальный маркетинговый вопрос: где, для кого и ради какого результата вообще имеет смысл этим заниматься?

В классическом медиапланировании никто не начинает с идеи «давайте одновременно разместимся на телевидении, радио, в наружной рекламе и десяти журналах». Сначала определяется аудитория, потенциальный охват, частота контактов, стоимость, этап принятия решения и экономика привлечения клиента. И только после этого выбираются конкретные каналы. С генеративным поиском, на мой взгляд, должна появиться такая же логика. Я называю её медиапланированием генеративного поиска. Это не ещё один синоним GEO и не новая аббревиатура ради аббревиатуры. Это уровень планирования над SEO, GEO и AEO, который отвечает на вопрос: где присутствовать, по каким сценариям бороться за ответ ИИ и сколько бизнесу разумно в это инвестировать.

Ответ ИИ — новый канал контакта с потенциальным клиентом

Ответ генеративной системы принципиально отличается и от рекламы, и от классической поисковой выдачи. В рекламе компания в значительной степени контролирует сообщение: мы создали объявление, баннер или ролик — пользователь получает именно этот материал. В обычном поиске пользователь получает набор документов и сам решает, какой источник открыть и как интерпретировать найденную информацию.

В генеративном поиске между брендом и пользователем появляется новый посредник. Человек задаёт вопрос, а система сама собирает доступную информацию, обрабатывает её и формирует уникальный ответ. Она решает, какие источники использовать, кого упомянуть, какие свойства компаний выделить, кого поставить рядом с конкурентами и кого в итоге порекомендовать. Мы можем влиять на этот результат, но не можем полностью его контролировать. Именно поэтому я рассматриваю ответы ИИ как новый канал контакта с потенциальным клиентом: канал, который сам создаёт содержание контакта на основе доступного ему информационного поля.

Отсюда мне удобно разделять три направления работы. SEO делает источник видимым. GEO — понятным для ИИ. AEO работает с ответом. SEO — это комплекс мер, который помогает источнику получать поисковую видимость и позиции, а значит повышает вероятность того, что информация вообще будет обнаружена и использована. GEO работает с качеством и устройством самой информации: насколько она ясная, структурированная, непротиворечивая и удобная для извлечения генеративной системой. AEO начинается там, где информация уже обработана: появился ли бренд в конечном ответе, с какой задачей его связали, попал ли он в набор вариантов, какие преимущества ему приписали и получил ли он рекомендацию.

Эти уровни не конкурируют между собой и не отменяют друг друга. Хорошая поисковая видимость помогает ИИ находить источники. Хороший GEO делает информацию удобнее для понимания и использования. AEO показывает, устраивает ли нас результат обработки этой информации. Но остаётся ещё один вопрос, на который ни SEO, ни GEO, ни AEO сами по себе не отвечают: по каким сценариям вообще имеет смысл вкладываться в эту работу?

Сначала считаем рыбу, потом выбираем озеро

Сегодня легко встретить предложение продвигать компанию сразу в пяти, десяти или ещё большем количестве нейросетей. С точки зрения презентации это выглядит убедительно: много логотипов, много каналов, большая таблица мониторинга. Но количество AI-платформ само по себе не является маркетинговой целью.

Если потенциальные клиенты компании почти не используют определённую систему при выборе поставщика или услуги, можно получить там прекрасную видимость и практически нулевой коммерческий результат. И наоборот: сравнительно небольшая доля присутствия там, где реальная аудитория регулярно задаёт вопросы о покупке, может оказаться значительно ценнее.

Поэтому мой принцип здесь простой: считайте рыбу, а не озёра.

Сначала нужно понять, где находится аудитория, какие вопросы она задаёт, насколько часто возникают эти сценарии, насколько они близки к покупке и какова экономическая ценность такого контакта. И только после этого решать, в каких генеративных системах и за какие ответы бороться.

Именно здесь генеративному поиску начинает требоваться медиапланирование. Не в смысле механического переноса старых терминов из телевидения или наружной рекламы, а в смысле самой логики: сначала аудитория и экономика, потом выбор площадки и инструмента.

Запрос — это не просто строка. Это этап выбора

Одна из слабостей многих показателей AI-видимости в том, что разные запросы легко превращаются в одну красивую цифру. Например, компания присутствует в 40% отслеживаемых ответов. На первый взгляд всё выглядит хорошо. Но без понимания того, какие именно это 40%, показатель может почти ничего не говорить о коммерческой ценности.

Возьмём условный банк. Потенциальный клиент может сначала спросить: «Что такое валютный контроль?» Затем: «Какие банки работают с ВЭД?» Потом: «Какой банк выбрать для ВЭД?» После этого: «Банк с персональным менеджером по ВЭД». И наконец: «Где открыть счёт для ВЭД?». Во всех случаях можно измерить наличие банка в ответе, но коммерческая ценность контакта совершенно разная. В первом случае человек изучает проблему. Во втором формирует набор вариантов. В третьем уже выбирает. Последние запросы находятся практически рядом с действием.

То же самое происходит у B2B-поставщика. Сначала потенциальный клиент изучает решение, потом ищет поставщиков, сравнивает варианты, уточняет условия и только затем принимает решение. Поэтому продвижение в генеративном поиске нужно рассматривать не как случайный список промптов, а как путь потенциального клиента и последовательность этапов его выбора.

Именно здесь становится видно, почему общий показатель присутствия легко вводит в заблуждение. Компания способна прекрасно выглядеть в информационных вопросах и почти отсутствовать в коммерческих. Можно доминировать по запросам «кто разбирается в теме» и не появляться там, где человек спрашивает «кого выбрать» или «кому заплатить».

Для бизнеса это разные ситуации, хотя в отчёте они вполне могут превратиться в один средний процент.

Упоминание уже имеет ценность, но качество контакта бывает разным

Я не считаю, что ценность появляется только в тот момент, когда искусственный интеллект прямо говорит пользователю: «рекомендую эту компанию». Если бренд раньше не появлялся в релевантных ответах, а теперь регулярно упоминается, это уже положительное изменение.

Но качество такого контакта может постепенно усиливаться. Я бы описал движение примерно так: бренд отсутствует → бренд упоминается → бренд связывается с нужной задачей → бренд включается в набор вариантов → бренд рекомендуется.

Для B2B-поставщика полезно уже то, что система знает о компании и называет её в профильном контексте. Ещё лучше, если ИИ связывает компанию именно с нужной категорией, например с поставками расходных материалов для HoReCa. Следующий уровень — попадание в список вариантов при небрендовом коммерческом запросе. А наиболее сильный сценарий — когда система сама объясняет, почему эту компанию стоит рассмотреть.

Здесь появляется то, что я в своей работе называю Message Fit — соответствием ответа нужному смыслу. Важно не только количество упоминаний бренда, но и то, какое представление о компании формируется после ответа ИИ. При этом я бы не превращал это в бинарную систему «идеальный смысл или ноль». Корректное релевантное упоминание всё равно лучше полного отсутствия. Просто дальше появляется пространство для оптимизации.

На практике разница хорошо видна даже без названий компаний. У одного B2B-поставщика генеративная система уже не просто знает бренд, а связывает его с нужной отраслью и рекомендует по небрендовым коммерческим запросам. У другого бизнеса ИИ хорошо знает компанию и её преимущества при прямом вопросе о бренде, но не переносит эти свойства в сценарий выбора между поставщиками. Формально обе компании «видимы в ИИ». Коммерчески это совершенно разные состояния.

Медиапланирование начинается не с нейросетей, а с денег

Если генеративный поиск становится маркетинговым каналом, у него должна появиться экономика. Не только «видимость выросла с 18 до 31%», а нормальный вопрос бизнеса: сколько денег имеет смысл сюда вкладывать и какой результат должен сделать эти вложения оправданными?

И здесь удобнее идти от юнит-экономики назад.

Представим условного B2B-поставщика. Бизнес готов направлять на работу с генеративным поиском 30 000 рублей в месяц. Средняя маржинальная прибыль с одной дополнительной продажи составляет 15 000 рублей. Чтобы вернуть эти вложения, необходимо получить две дополнительные продажи.

Если в сделку превращается примерно 20% квалифицированных обращений, для двух продаж понадобится около десяти дополнительных лидов. Допустим для модели, что в обращение превращается около 5% значимых контактов потенциального клиента с брендом в ответах ИИ. Тогда для десяти лидов потребуется примерно 200 таких контактов.

Эти проценты условны. У каждой отрасли будет собственная воронка, а реальная атрибуция генеративного поиска пока далеко не идеальна. Но ключевая ценность расчёта не в том, чтобы нарисовать красивый прогноз до второго знака после запятой. Его задача — проверить экономическую реализуемость самой идеи.

Если весь интересующий нас кластер коммерческих запросов потенциально способен дать только несколько десятков значимых контактов в месяц, нет большого смысла инвестировать в него 30 000 рублей. Даже если технически можно занять почти все ответы. Мы победим в маленьком озере, где почти нет рыбы.

Если же потенциальная аудитория составляет тысячи контактов, тогда появляется следующий нормальный вопрос: какую долю этого пространства нам необходимо занять, чтобы получить нужное количество обращений и продаж?

Вот здесь AEO перестаёт быть соревнованием скриншотов из нейросетей и превращается в маркетинг.

От бюджета к необходимой доле присутствия

Именно медиапланирование должно связывать сверху вниз бюджет, экономику клиента и показатели AI-видимости. Логика может быть простой: сколько денег мы готовы инвестировать, сколько дополнительной маржинальной прибыли хотим получить, сколько продаж для этого необходимо, сколько квалифицированных обращений должно появиться, сколько значимых контактов с брендом нужно для получения этих обращений и какой объём потенциального спроса вообще существует.

После этого появляется гораздо более интересная задача, чем просто «повысить видимость».

Допустим, расчёт показывает, что бизнесу необходимо около 200 значимых контактов в месяц, а выбранная группа коммерческих сценариев способна потенциально дать 1 000. Тогда нам не обязательно стремиться к абстрактным 100% присутствия. Для начала нужно понять, какую долю контактов реально можно получить, какое качество этих контактов требуется и как изменение присутствия влияет на следующую ступень воронки.

То есть бюджет AEO имеет смысл распределять не между логотипами нейросетей, а между сценариями выбора клиента. И уже внутри этих сценариев смотреть, в каких AI-средах находится нужная аудитория и где работа потенциально окупаема.

Это принципиально другой взгляд по сравнению с подходом «продвигаем вас сразу в десяти нейросетях».

Как выглядит воронка генеративного поиска

Я пока описываю её так: спрос на целевые вопросы → потенциальные контакты с ответами ИИ → ответы с упоминанием бренда → ответы с правильным позиционированием → включение бренда в выбор → рекомендация → обращение → продажа → прибыль.

На первых этапах этой цепочки измеримость уже достаточно понятна. Можно фиксировать ответы, упоминания, конкурентов, используемые источники, контекст, динамику и изменения по конкретным группам запросов. Чем ближе мы подходим к продажам, тем сложнее становится атрибуция.

Пользователь может увидеть компанию в ответе Алисы, затем через два дня ввести её название в поиске, перейти на сайт, позвонить и честно сказать менеджеру, что «нашёл вас в интернете». Прямой след между первым AI-контактом и продажей в такой ситуации почти исчезает.

Поэтому я скептически отношусь к попыткам рисовать точный ROMI генеративного поиска там, где для него нет данных. Но отсутствие идеальной атрибуции не означает, что экономику вообще нужно выбросить из расчётов. В классическом маркетинге тоже далеко не каждый контакт идеально привязывается к продаже, однако это не мешает считать потенциальный охват, строить воронки, оценивать конверсию и моделировать точку окупаемости.

Главное — честно разделять фактические показатели и модельные предположения.

Что тогда именно планировать?

Медиапланирование генеративного поиска начинается не с вопроса «в каких нейросетях мы хотим присутствовать». Оно начинается с вопросов бизнеса. Кто наша аудитория? Какие задачи она пытается решить? Какие вопросы возникают на разных этапах выбора? Каков потенциальный объём таких сценариев? Какие из них ближе к покупке? Где уже присутствуют конкуренты? Где отсутствуем мы? С каким смыслом ИИ должен связывать наш бренд? Где достаточно простого упоминания, а где критично попасть в shortlist или рекомендацию? Сколько контактов необходимо при нашей примерной конверсии, чтобы инвестиция имела экономический смысл?

И только после этого подключаются инструменты.

SEO создаёт условия для того, чтобы источник был найден и получил достаточную поисковую видимость. GEO делает информацию в источнике качественной и удобной для понимания и извлечения. AEO анализирует, как эта информация была обработана и какой результат получил пользователь.

Медиапланирование стоит над ними и решает, в каких сценариях и с каким приоритетом вообще стоит запускать эту цепочку.

GEO не нужно отнимать у SEO

Из всего этого не следует, что SEO внезапно стало ненужным или что специалисты по поисковой оптимизации занимаются чем-то устаревшим. Наоборот, сильная поисковая база может становиться важной частью инфраструктуры генеративного поиска.

Но рассматривать GEO исключительно как ещё один подраздел SEO, на мой взгляд, слишком узко. Конечная задача уже выходит за пределы сайта и даже за пределы позиции документа в выдаче.

Потенциальный клиент может вообще не перейти на наш сайт. Он задаст вопрос посреднику, а тот самостоятельно соберёт доступную информацию, обработает её, сформирует набор вариантов и собственными словами объяснит, кого стоит рассматривать.

В такой системе недостаточно только подготовить хороший документ. Нужно понимать, какую роль бренд занимает в сформированном ответе и насколько эта роль соответствует коммерческой задаче бизнеса.

Именно поэтому над SEO, GEO и AEO постепенно появляется ещё один слой — управление присутствием бренда в новой медиасреде.

Старая маркетинговая логика для нового канала

В итоге в этой концепции нет ничего мистического. Скорее наоборот: генеративному поиску начинает не хватать очень старой маркетинговой дисциплины.

Прежде чем бороться за присутствие, нужно понять, кого мы хотим поймать. Прежде чем выбирать нейросеть, нужно понять, находится ли там аудитория. Прежде чем считать долю ответов, нужно определить, какие ответы коммерчески важны. Прежде чем увеличивать бюджет, нужно хотя бы приблизительно понимать, сколько контактов, обращений и продаж требуется для его окупаемости.

Поэтому мой подход сегодня выглядит так. SEO делает источник видимым. GEO — понятным для ИИ. AEO работает с результатом обработки этой информации и конечным ответом.

А медиапланирование генеративного поиска отвечает на вопрос уровнем выше: где, для какой аудитории, на каком этапе выбора и при какой экономике всё это вообще имеет смысл делать. И, возможно, именно с этого вопроса рынку GEO и AEO стоило начинать с самого начала.