В ответах нейросетей нет ранжирования: почему бесполезно оптимизировать один абзац
Год назад я относился к ответам нейросетей как к поисковой выдаче. Есть позиции, есть первое место, значит, за него можно бороться. Я долго правил абзацы: выносил определение в начало, резал предложения до пятнадцати слов, добавлял цифры и источники. Логика была простая: сделаю самый цитируемый фрагмент на рынке, и модель возьмёт именно его.
Потом я посмотрел, как ответ собирается на самом деле, и понял, что боролся за то, чего нет.
Как я понял, что оптимизирую пустоту
Проверка была простая. Я взял свой самый проработанный материал и десяток запросов вокруг его темы, прогнал их по ассистентам несколько раз подряд. Материал попадал в ответ и не попадал. Формулировки были то из моего текста, то из чужого, то склеенные из трёх источников сразу. Никакой стабильности, при том что текст не менялся ни на знак.
Дальше стало интереснее. В тех прогонах, где мой фрагмент не попал, в ответе стояло ровно то же утверждение, что и у меня. Только чужими словами.
Что происходит до того, как модель начнёт писать
Упрощённо шаг выглядит так. Запрос превращается в вектор, по индексу находятся куски текста, близкие к нему по смыслу, их набирается много: десятки, чаще сотни. Дальше кандидаты сжимаются до объёма, который влезет в контекст, и модель пишет ответ по тому, что доехало.
Ключевое здесь - что именно доезжает. Не «лучший фрагмент», а набор достаточно близких. Между кандидатом номер три и кандидатом номер сорок разница в близости часто в третьем знаке после запятой. Для модели это шум, а не иерархия.
Почему все кандидаты выглядят одинаковыми
Потому что они и есть одинаковые по смыслу. Если сто площадок пишут, что GEO это оптимизация под ответы нейросетей, то сто фрагментов про это и лежат в индексе. Эмбеддинг ловит смысл, а не вашу редактуру. Ритм фразы, порядок слов, аккуратное определение в первом предложении почти не двигают вектор.
Отсюда и разочарование: вы правите текст, вектор стоит на месте, попадание в ответ продолжает прыгать от прогона к прогону.
Вы не выигрываете место в ответе. Вы повышаете вероятность, что до ответа доедет хоть один ваш фрагмент.
Ранжирования нет, есть порог и лотерея
- В поиске есть позиция. Её видно, её можно померить, за неё можно бороться.
- В ответе ассистента позиции нет. Есть «попал» или «не попал», и это меняется от прогона к прогону при одном и том же запросе.
- Порядок кандидатов после отбора модель не читает как рейтинг: она пересказывает то, что сочла относящимся к вопросу.
- Один и тот же запрос у разных ассистентов даёт разные наборы источников, потому что индексы и правила отбора у них свои.
Поэтому вопрос «как вывести вот этот абзац в топ» не имеет ответа. Рабочий вопрос звучит иначе: какая доля релевантных кандидатов по моей теме - мои.
Что тогда двигает видимость
- Покрытие формулировок. Не один идеальный абзац, а ваши тексты на сорока разных постановках одного вопроса. Чем шире сетка, тем чаще вы попадаете в набор кандидатов.
- Число независимых площадок. Один материал на своём сайте - один кандидат. Тот же тезис в отраслевых изданиях, обсуждениях и обзорах - десятки кандидатов.
- Согласованность фактов. Если цифра и формулировка у вас везде одинаковые, их пересказывают точнее. Разнобой модель усредняет и смазывает.
- Связка бренда с задачей. Фрагмент берут не за красоту, а за отношение к вопросу. Бренд должен стоять рядом с задачей пользователя, а не рядом с самим собой.
- Повторяемость во времени. Индексы обновляются, свежесть источника влияет. Разовая публикация выпадает из набора через несколько месяцев.
Как я это мерил
Руками такое не проверяется: нужно слишком много повторов, чтобы отличить сигнал от случайности. Я взял сторонний сервис brandfound, он прогоняет запросы по десяти ассистентам (ChatGPT, Gemini, Claude, Perplexity, Grok, DeepSeek, GigaChat, Google AI Mode, Поиск с Алисой, Чат с Алисой AI) и считает метрики видимости, а не позиции.
Смотреть там стоит на две цифры. Share of Voice - какая доля упоминаний в категории ваша. Brand Mention Rate - в какой доле прогонов бренд вообще всплыл. Обе честно отражают вероятностную природу ответа: это не место, это частота.
Что поменялось у меня после того, как я перестал доводить один текст и начал расширять покрытие: частота упоминаний выросла, а тот самый идеальный материал как попадал примерно в половине прогонов, так и попадает. Он не стал лучше. Просто рядом с ним появилось ещё два десятка моих кандидатов.
Чего это не отменяет
Текст всё равно надо писать структурно, но по другой причине. Кандидат нарезается механически. Если тезис размазан на три абзаца с отсылками «как мы писали выше», в кандидат попадёт огрызок без смысла. Самодостаточный абзац с полным утверждением внутри переживает нарезку, размазанный - нет.
То есть структура нужна не чтобы выиграть конкурс фрагментов, а чтобы ваш фрагмент не развалился по дороге. Это гигиена, а не стратегия.
Короткий вывод
Ранжирования в ответах нейросетей нет, и бороться за конкретный абзац бессмысленно: рядом лежит сотня таких же. Работает другое: ширина покрытия, число независимых площадок и согласованность формулировок. И метрика другая - не позиция, а частота попадания.