Как нейросети выбирают компании для рекомендаций

Еще недавно поисковое продвижение было относительно понятной игрой: пользователь вводил запрос, поисковая система формировала выдачу, а бизнес боролся за позиции в ТОП-10.

С появением генеративного поиска правила изменились.

Теперь пользователь может вообще не открывать привычную поисковую выдачу. Он задает вопрос ChatGPT, Gemini, Perplexity или Яндекс Нейро и получает готовый ответ: несколько компаний, рекомендации, сравнение вариантов и иногда — ссылки на источники.

ChatGPT Search, например, формирует ответы с веб-ссылками и позволяет открыть источники, использованные при подготовке ответа. Gemini при включенном поисковом заземлении может обращаться к актуальным данным Google Search и возвращать сведения об использованных источниках.google+1

Для бизнеса возникает новый вопрос:

И еще важнее:

Мы решили не ограничиваться теорией GEO, а провести практическое исследование. Мы задавали одинаковые коммерческие и информационные вопросы разным AI-системам, фиксировали рекомендованные компании, анализировали источники и сравнивали полученные результаты.

В исследовании мы рассматривали ChatGPT, Gemini, Perplexity и Яндекс Нейро.

Главный вывод оказался сложнее простой формулы «сделайте SEO и опубликуйте десять статей на VC».

Мы сформировали набор коммерческих и информационных промптов, которые потенциальный клиент мог бы задать нейросети перед покупкой.

Примеры запросов:

Один и тот же вопрос задавался нескольким системам. Для каждого ответа мы фиксировали:

Исследование носит наблюдательный характер. Ответы AI-систем зависят от формулировки запроса, региона, времени, доступных источников и режима работы конкретного сервиса. Поэтому отдельное упоминание нельзя считать гарантированным результатом или доказательством прямой причинно-следственной связи.

В классическом поиске цепочку можно представить так:

В генеративном поиске процесс выглядит сложнее:

Вместо одной страницы система может использовать сразу несколько типов источников:

Поэтому наличие хорошей коммерческой страницы еще не означает, что компания будет рекомендована.

AI-система должна:

Это уже не только SEO. Это работа с информационным присутствием компании в целом.

Самое важное наблюдение исследования можно сформулировать так:

Условно информационный профиль компании выглядит следующим образом:

Если эти источники согласуются между собой, системе проще сформировать устойчивое представление о компании.

Если информация противоречива, возникают проблемы.

Например, на сайте указано, что компания работает 151515 лет, в одном справочнике — 888 лет, а в старой публикации фигурирует третья дата. Для человека это может быть несущественной деталью. Для системы, которая собирает ответ из нескольких источников, это уже конфликт данных.

Такие расхождения могут касаться не только возраста компании:

Представим две компании.

У нее есть:

Но за пределами собственного домена компания почти нигде не упоминается.

У нее сопоставимый сайт, но дополнительно есть:

Когда пользователь спрашивает нейросеть, какие компании стоит рассмотреть, у второй компании больше контекста, из которого можно сформировать ответ.

Это не означает, что количество упоминаний автоматически делает компанию лучше. Массовые публикации, дублированные карточки и однотипные рекламные тексты не заменяют реальные подтверждения.

Но внешнее присутствие увеличивает количество доступных системе сигналов о существовании компании, ее специализации, опыте и характеристиках.

Популярная ошибка — сводить GEO к массовому размещению статей:

Наши наблюдения не подтверждают такую механику.

Гораздо важнее, чтобы одни и те же ключевые сведения о компании воспроизводились в разных контекстах без существенных противоречий.

Нужно последовательно объяснять:

Получается своеобразный информационный консенсус.

Чем больше независимых источников описывают компанию согласованно, тем проще AI-системе использовать эти сведения при формировании ответа.

Внешняя публикация важна не только как ссылка на сайт. Она может выполнять функцию отдельного подтверждения.

Например:

В результате система получает не одну рекламную страницу, а несколько фрагментов контекста.

Из них она может сформировать собственное описание компании:

Чем больше таких утверждений подтверждается независимыми источниками, тем содержательнее и устойчивее становится профиль компании.

Когда пользователь спрашивает «Какие компании выбрать?», системе нужно не просто найти информацию, а сформировать короткий список вариантов.

Поэтому особенно полезными источниками становятся:

Такой контент уже содержит структуру, необходимую для ответа:

Системе остается сопоставить эту информацию и сформировать собственную рекомендацию.

Однако попадание в рейтинг само по себе ничего не гарантирует.

Материал вида «ТОП-10 лучших компаний. Компания X — лидер рынка» слабее содержательной подборки, в которой описаны:

Задача контента — не просто похвалить компанию, а дать человеку и AI-системе материал, на основании которого можно объяснить выбор.

Было бы ошибкой делать вывод, что сайт компании больше не нужен.

Наоборот, хорошая коммерческая страница остается базовым источником информации. Но ее роль становится шире.

Раньше основная задача страницы могла выглядеть так:

Теперь появляется дополнительная задача:

Коммерческая страница должна отвечать не только на вопрос «Что мы продаем?», но и на вопросы:

Чем меньше системе приходится додумывать, тем ниже риск неточного описания компании.

Если пользователь спрашивает:

Слабое начало статьи может выглядеть так:

Гораздо полезнее сразу ответить:

После этого можно подробно разобрать каждый критерий.

Структура answer-first удобна одновременно:

Это не означает, что каждый материал нужно превращать в набор коротких ответов. Смысл в другом: важный тезис должен быть сформулирован ясно и иметь понятный контекст.

Практическая структура страницы может выглядеть так:

Не нужно искусственно добавлять FAQ ради самой разметки. Важнее, чтобы каждый существенный факт был доступен в логичном месте страницы.

AI-системе проще интерпретировать материал, если понятно:

Поэтому экспертный материал должен содержать:

Одной подписи «эксперт с 202020-летним опытом» недостаточно. Заявленный опыт должен подтверждаться самим информационным следом специалиста: публикациями, кейсами, выступлениями, профилями и профессиональной деятельностью.

Особенно важен этот принцип в тематиках, где цена ошибки высока: финансах, медицине, праве, строительстве и технически сложных услугах.

У разных систем могут отличаться поисковые источники, способы работы с контекстом, форматы ссылок и критерии отображения компаний.

Поэтому не существует единого алгоритма «оптимизации под ИИ».

ChatGPT может показывать ссылки на источники в ответах, но сами ссылки и цитаты следует проверять: OpenAI отдельно предупреждает, что результаты и цитаты могут быть неполными, устаревшими или ошибочными.openai

В Gemini поисковое заземление предусматривает автоматическое формирование поисковых запросов, обработку результатов и возврат ответа вместе с метаданными источников.google

Поэтому практическая стратегия должна строиться не вокруг вопроса «Как понравиться ChatGPT?», а вокруг другой задачи:

Какие источники и сигналы используют разные AI-системы для ответа по нашей тематике?

После этого можно составлять карту присутствия бренда.

На практике GEO удобно рассматривать как пять взаимосвязанных уровней.

AI-система и поисковый робот должны иметь возможность получить страницу.

Сюда относятся:

Это фундамент. Если важная информация недоступна, остальные GEO-сигналы не смогут полноценно работать.

Система должна понимать:

Здесь помогают архитектура сайта, внутренняя перелинковка, единые названия сущностей, страницы сотрудников, понятные контакты и структурированные данные.

Schema.org может облегчать машинную интерпретацию отдельных элементов страницы, но сама по себе разметка не превращает компанию в рекомендованный вариант.

На сайте должны быть реальные ответы на реальные вопросы клиентов.

Не только:

Закажите у нас.

Но и:

Информационно полная страница полезна и человеку, и поиску, и генеративным системам.

Информация о компании должна существовать за пределами собственного домена.

Это могут быть:

Важны не только количество, но и качество, независимость, тематическая релевантность и согласованность этих источников.

GEO нельзя оценивать только по количеству опубликованных статей.

Нужно регулярно проверять:

Именно этот уровень превращает GEO из PR-активности в измеримую систему.

В классическом SEO мы привыкли смотреть на:

В GEO появляется дополнительный слой.

Предположим, по 100100100 целевым промптам компания упоминалась в 777 ответах. После обновления сайта и внешних источников бренд появился в 242424 ответах.

Даже если пользователь не перешел по ссылке, информационный результат произошел: компания попала в поле выбора.

Поэтому полезно разделять минимум четыре показателя:

Важно не смешивать эти метрики.

Нейросеть может знать о компании, но не рекомендовать ее. Может упомянуть бренд, но сослаться на сторонний источник. Может привести официальный сайт, но поставить компанию ниже конкурентов.

Генеративные системы динамичны. Ответ может зависеть от:

Поэтому обещание «через 141414 дней бренд будет в 80%80\%80% ответов» выглядит эффектно, но методологически сомнительно.

Гораздо честнее измерять динамику:

При этом нужно фиксировать не только рост, но и нестабильность результата:

Начните не с ключевых слов, а с вопросов, которые клиент задает перед покупкой.

Разделите их на группы:

Задайте одинаковые промпты нескольким системам и зафиксируйте:

Например, компания существует, но система не понимает:

Обновите:

Размещайте не массовые рекламные тексты, а материалы, которые действительно расширяют информационное поле бренда:

Через согласованный интервал проверьте те же промпты и сравните:

Для GEO не обязательно быть самым известным брендом рынка.

Нужно быть достаточно хорошо описанным информационной средой.

Крупная компания может обладать высокой узнаваемостью, но иметь мало конкретной информации по узкой услуге. Небольшой специализированный бизнес, напротив, может быть представлен в отраслевых публикациях, кейсах, каталогах, рейтингах и экспертных материалах.

В конкретном пользовательском сценарии такая компания может оказаться более понятным кандидатом для рекомендации.

Это создает окно возможностей для малого и среднего бизнеса.

Мы не считаем, что SEO исчезает.

Техническая оптимизация, архитектура сайта, релевантность, качество контента и поисковая видимость остаются фундаментом.

Но появляется новый объект оптимизации: не только страница, но и информационная сущность компании.

SEO отвечает на вопрос:

Где находится наш документ в поисковой выдаче?

GEO добавляет:

Что знает о нашей компании генеративная система и будет ли она рекомендовать нас пользователю?

Это уже другой уровень задачи.

Генеративный поиск не отменяет конкуренцию. Он меняет ее форму.

Раньше компании боролись за место на странице поисковой выдачи. Теперь они все чаще борются за право оказаться в самом ответе.

Попасть туда нельзя одной технической настройкой, одним Schema.org или десятком публикаций.

AI-система формирует представление о компании из множества сигналов. Поэтому задача GEO заключается не в том, чтобы «понравиться ChatGPT».

Задача гораздо практичнее:

создать такое информационное поле вокруг компании, в котором ее специализация, опыт, продукты и преимущества подтверждаются понятными, релевантными и согласованными источниками.

А затем регулярно проверять, действительно ли эти сигналы влияют на ответы разных AI-систем.

Именно поэтому GEO стоит рассматривать не как новую разновидность контент-маркетинга, а как следующий слой поискового маркетинга — работу не только с позициями страниц, но и с тем, какое представление о бизнесе формируется у машин, которые теперь сами отвечают пользователю.

Владимир Синицын — специалист по SEO, GEO и AI SEO, практик поискового маркетинга с 20+ летним опытом. Автор подхода «Системное SEO» и разработчик SEO-Модуля.