Как понять, что AEO действительно работает

Один ответ нейросети с названием компании — приятная находка, но не доказательство результата. Я оцениваю AEO по повторяемым замерам: где бренд упоминают, на какие страницы ссылаются и приводит ли эта видимость людей на сайт.

AEO — это оптимизация под ответные системы, цель которой — попадание в синтезированный ответ ИИ, а не позиция в поисковой выдаче.

Главный ориентир простой: бренд должен появляться минимум в 6 из 10 проверок по заранее согласованному набору целевых запросов. Но считать только упоминания нельзя. ИИ способен назвать компанию в неподходящем разговоре, сослаться на агрегатор или включить в длинный список без объяснений. На скриншоте всё выглядит неплохо, а для продаж от этого ни холодно ни жарко.

Расскажу, как я раскладываю такую проверку: от метрик и состояния страницы до отчёта подрядчика и особенностей РФ.

Слово «видимость» часто превращают в удобную, но слишком общую метрику. Я разделяю как минимум две вещи:

Разница существенная. Компания может попадать в ответы по 70 % запросов из согласованного набора, но почти не получать переходов на собственные материалы. Например, модель берёт сведения с обзорного сайта, агрегатора или Wikipedia. Название бренда она знает, а ссылку отдаёт чужому ресурсу.

В такой ситуации растёт узнаваемость, но не контролируемый трафик и не доказательная база компании.

В AEO мало просто попасть в ответ. Нужно оказаться там, где человек выбирает продукт, поставщика или решение — и получить корректное описание с понятным источником.

Я не пытаюсь свести всё к одной цифре. Для нормальной оценки нужны сразу несколько показателей:

Логика здесь прямая. Если система нашла и выбрала материал компании, бренд появляется в нужном ответе. Если она указала собственный URL, у пользователя есть путь на сайт. Если нейросеть верно объяснила ценность продукта, вероятность обращения выше.

Но частота упоминаний сама по себе пользы не гарантирует. Бренд может выглядеть как логотип на чужом слайде: формально его увидели, но решение о покупке не приблизилось.

Ответы нейросетей меняются. Сегодня бренд стоит первым, завтра тот же вопрос приводит к конкуренту. Поэтому единичный удачный ответ я считаю поводом разобраться, а не поводом праздновать.

Устойчивый результат обычно заметен по пяти признакам:

Допустим, компания продаёт корпоративный сервис, а нейросеть всё чаще называет её в ответе на вопрос «что такое автоматизация». Вроде бы частота выросла. Но до выбора поставщика такой пользователь может даже не дойти.

Видимость без релевантности не работает. Упоминание без повторяемости — случайность. Хороший ответ без динамики — просто хороший скриншот.

До публикаций и доработок нужно сохранить состояние «было». Иначе через несколько месяцев команда будет спорить, что именно сдвинулось: контент, сезонность, новостной фон или вообще ничего.

С конкурентами тоже нужно сравниваться, но не вместо собственной исходной точки. Я использую три параллельных среза: «было — стало», бренд против конкурентов и результат против бизнес-цели.

Контент начинает приносить пользу для AEO, когда системы могут его найти, извлечь из него факты и использовать в ответах по целевым запросам. Причём это должно повторяться на нескольких площадках и запросах.

Первые изменения, по нашей экспертной оценке, можно проверять через одну-две недели. Но такой замер отвечает скорее на вопрос «успела ли система увидеть материал», а не «насколько он качественный».

Брендовый трафик и ответы нейросетей я бы сопоставлял с исходной точкой через 2—4 месяца. Новые страницы могут ещё не попасть в поиск и извлечение, а разные системы обновляют индексы в своём темпе.

Поэтому не стоит ставить окончательную оценку свежей публикации. Сначала надо убедиться, что страница вообще доступна для обхода и её можно использовать как источник.

Под ИИ-поиском я имею в виду поиск с ИИ, который собирает ответ из найденных и выбранных источников.

Для страницы важны три последовательных этапа:

Моя короткая формула такая:

Готовность страницы для ИИ = доступность + структура + формат прямого ответа.

Сначала смотрю на техническую часть:

Если robots.txt закрывает GPTBot от /blog/, хорошая статья и Schema.org не помогут. Бот не увидит материал. Когда сервер отдаёт страницу без авторизации, URL доступен, а правила не мешают обходу, можно переходить к содержанию.

Система должна понять, что материал отвечает именно на вопрос пользователя. На это влияют заголовок, сниппет и формат страницы.

Страница со сравнением подходит для сравнения. Обзор — для обзора. Определение — для определения. Если пользователь выбирает поставщика, а ему предлагают абстрактную заметку о рынке, источник может не пройти отбор ещё до перехода.

Ключевой фрагмент лучше держать в HTML, а не внутри картинки, вкладки или аккордеона. Тяжёлый JavaScript тоже способен помешать рендеру.

Хороший фрагмент понятен сам по себе. Его можно процитировать отдельно, не пытаясь восстановить смысл по соседним абзацам. Поэтому прямой ответ лучше давать в начале страницы, а не прятать после нескольких интерактивных блоков.

Перед выпуском страницы я прохожу по короткому списку:

H2 здесь нужны не для аккуратного оглавления. По ним проще определить, подходит ли материал намерению пользователя. Автономные абзацы тоже важны не только читателю: нейросети легче взять из них завершённую мысль.

Отдельно слежу за терминами. Если в начале статьи выбрано «цитирование URL», не стоит дальше без причины называть то же самое «ссылочной видимостью». Это допустимо лишь в случае, когда речь правда идёт о другой метрике.

Вместо одного логотипа компании лучше показать имя автора с профильным опытом, дату обновления и первичные исследования. Так происхождение материала проще проверить и человеку, и системе.

Этот список не даёт гарантии цитирования. Но если несколько пунктов не выполнены, бороться за попадание в ответ ИИ пока рано.

Структурированные данные помогают явно описать сущности страницы. Для сайта могут пригодиться Organization, Article, FAQ, Product, Speakable.

Документация по разметке:

Также можно добавить llms.txt: в нём указывают приоритетные разделы сайта для LLM-краулеров. Но воспринимать этот файл как пропуск в ответы ИИ не стоит. Он не заменяет доступный HTML, не гарантирует обход и не обещает цитирование.

Если совсем коротко: доступ, структура, ответ.

Подрядчик не может управлять алгоритмами LLM, индексами, действиями конкурентов и конкретной выдачей модели. Поэтому обещание фиксированной позиции — повод насторожиться.

Зато в зоне ответственности исполнителя остаются аудит, план, правки, публикации, повторные замеры и понятная методика.

Я разделяю два результата:

В договоре стоит закрепить состав работ, календарный план, перечень внедрений и способ замеров. Позицию в ответах LLM гарантировать нельзя, а факт выполнения задач — можно.

Отчёт в духе «видимость выросла» без списка промптов, дат, платформ и контекста почти бесполезен. Цифра может звучать убедительно, но проверить её невозможно.

Нормальный мониторинг похож на повторяемый тест: одни запросы, одинаковые условия, сохранённые ответы и отдельная оценка ссылок. Тогда LLM Share of Voice становится рабочей таблицей, а не украшением презентации. Видно, какие смысловые кластеры растут, а какие не двигаются.

Вот признаки, что работу стоит пересмотреть:

Главный вопрос подрядчику звучит так: что именно изменилось на сайте, в контенте и в цепочке источников для цитирования?

Под цепочкой источников цитирования я понимаю источники, откуда ИИ берёт URL при упоминании бренда. Если исполнитель не может показать эту цепочку, разговор о росте видимости остаётся слишком общим.

Можно ли требовать фиксированную позицию в ChatGPT или Perplexity? Нет. Алгоритмы LLM и конкретный ответ модели не контролирует ни один подрядчик.

Что подрядчик может гарантировать?

Достаточно ли роста упоминаний бренда? Нет. Нужны релевантность, стабильность, качество цитирования и связь с бизнес-целью.

Как проверить отчёт самостоятельно? Повторите часть замеров на тех же платформах, с теми же запросами и без названия бренда в промпте.

Почему нельзя судить по одному скриншоту? Один ответ может быть случайным и не показывать устойчивую ИИ-видимость.

В РФ нельзя смешивать результаты разных систем в одну среднюю цифру. Российские и международные платформы используют разные индексы, источники и правила формирования ответов.

YandexGPT встроен в поиск Яндекса и участвует в создании «умных ответов». Его алгоритмы отличаются от OpenAI: иначе выбираются источники и строится ответ.

GigaChat от Сбера — один из крупных российских генеративных ИИ-сервисов. Для бизнеса, который работает с крупными российскими корпорациями, присутствие в GigaChat иногда важнее, чем в ChatGPT.

Нельзя без собственной выборки утверждать, какая доля российских СМИ и профессиональных порталов закрыта для западных краулеров. Это проверяют по списку приоритетных источников: фиксируют период, конкретных краулеров и правила доступа в robots.txt.

Отдельно стоит выяснить, какие площадки отечественные модели действительно используют в ответах на нужные запросы. Доступность для конкретного индекса влияет на цитируемость, но публикация на известной площадке не заменяет нормальный материал.

По опыту проектов, публикации на «Хабре», vc.ru, РБК, «Коммерсанте» могут усилить цитируемость в русскоязычных моделях. Но заранее называть VC.ru сильным источником для Yandex Neuro / Alice я бы не стал. Надёжнее включить площадку в мониторинг и посчитать, в скольких ответах по выбранному кластеру запросов модель использовала её URL.

Сильный домен не спасает пустой текст. Он остаётся пустым — просто лежит по хорошему адресу.

Я использую порядок «настроить → измерить → проверить».

Сначала определите, что именно отслеживаете и как будете проверять результат. На выходе должна появиться исходная точка, которой доверяет команда:

Проверьте, что говорят ChatGPT, Claude, Perplexity, Gemini, Google AI, Yandex Neuro сейчас. Утвердите единый набор промптов и таблицу оценки.

Название собственного бренда в запрос добавлять не нужно: оно исказит показатель видимости. Вместо «Какие сервисы похожи на бренд X?» лучше спросить: «Какие сервисы для [задача] используют компании из [сегмент]?»

Информационные и коммерческие промпты проверяйте раздельно. Если свалить их в один показатель, легко получить искусственный рост или ложную просадку.

После публикаций и внедрений сопоставьте с исходной точкой ответы, цитирование и трафик. Потом примите решение: продолжать работы, менять подход или остановить гипотезу.

Для меня AEO сработало, когда бренд стабильно появляется в релевантных сценариях, получает цитирование собственных URL, а изменения подтверждаются не только ответами моделей, но и данными о трафике и конверсии.

Минимальный ориентир — присутствие в 6 из 10 проверок по согласованным запросам. Рядом с ним всегда смотрю на место в рекомендациях, точность формулировок, долю цитирования и связь с бизнес-результатом.

Если нейросеть сместилась в сторону конкурентов, спорить со скриншотом бессмысленно. Лучше открыть конкретный запрос, перечитать ответ, посмотреть цитируемые URL и найти пробел в контенте. Обычно проблема лежит именно там.

Источник: