Почему GEO и AEO - это старое SEO под новым названием

Сегодня SEO-индустрия активно продвигает новые термины:

Идея звучит громко: теперь контент нужно оптимизировать не только под Google, но и под AI-системы вроде:

Однако всё больше специалистов начинают задаваться вопросом:

Действительно ли GEO - это новая дисциплина, или рынок просто переупаковывает старые SEO-практики под AI-хайп?

Главная особенность больших языковых моделей заключается в том, что они изначально обучались на неструктурированном интернете.

Форумы, Reddit, старые блоги, комментарии, тексты с ошибками, машинные переводы, противоречия, разговорный язык - весь этот хаос и стал фундаментом современных AI-моделей.

Трансформеры не ищут Schema.org-разметку как основной механизм понимания текста.Они работают через последовательности токенов.

Проще говоря:AI понимает контент, читая слова, а не HTML-разметку вокруг них.

Именно поэтому утверждение:

«Structured Data помогает AI лучше понимать контент»

вызывает всё больше споров внутри SEO-сообщества.

Сегодня многие SEO SaaS-сервисы строят AI-стратегии вокруг знакомых концепций:

Фактически рынок пытается перенести старую SEO-логику в эпоху AI-поиска.

Примеры подобных подходов можно увидеть у:

Практически все они предлагают похожие модели:

Но проблема в том, что большинство этих рекомендаций слабо связано с тем, как LLM реально работают.

Важно понимать:schema не бесполезна.

У неё есть вполне реальные задачи:

Но schema не может “залезть внутрь” языковой модели и улучшить понимание текста.

LLM не читает schema как отдельный semantic layer.

Модель получает текст, который retrieval-система решила передать в контекст, и уже затем интерпретирует его как обычный язык.

Одной из самых популярных концепций AI SEO стала идея:

“Optimize for chunk-level retrieval”

То есть писать статьи так, чтобы AI легко вытаскивал отдельные фрагменты текста.

Но здесь есть важный нюанс:

Chunking контролирует не издатель, а сам AI-движок.

Каждая система использует собственные:

Издатель не видит этот black box.

Поэтому “оптимизация под chunking” на практике сводится к базовым принципам хорошего контента:

То есть это не новая AI-технология.Это просто качественный веб-райтинг.

Интересно, что даже академические исследования, на которые часто ссылается GEO-индустрия, говорят немного о другом.

Наибольший рост visibility показывали:

А вот SEO-подходы вроде keyword stuffing показывали слабые результаты.

При этом в исследованиях практически не фигурировали:

Потому что основное влияние оказывал именно сам контент, а не техническая “обвязка” вокруг него.

Самая важная мысль заключается в следующем:

Многие компании продолжают воспринимать AI-поиск так же, как раньше воспринимали классический Google SEO.

Но generative systems работают иначе.

Один и тот же запрос может выдавать разные ответы:

Нет прямой связи:

“Мы добавили FAQ schema → AI начал нас цитировать”

Между этими событиями нет deterministic chain.

Есть только вероятность.

Причина проста:бизнесу нужен контроль.

Маркетинговые команды не могут прийти на встречу и сказать:

“AI-системы - это black box, и мы не можем полностью контролировать visibility”

Поэтому рынок получает:

Это создаёт ощущение управляемости процесса.

Даже если реального “рычага” управления не существует.

SEO-индустрия не впервые сталкивается с подобной ситуацией.

Ранее такими “магическими решениями” считались:

Каждый цикл выглядел одинаково:

Сегодня GEO и AEO всё больше напоминают очередной такой цикл.

Главный вывод очень простой:

LLM уже умеют читать хаотичный интернет.Именно для этого они и создавались.

Поэтому главный вопрос сегодня не:

В долгосрочной перспективе выиграют те, кто:

AI не требует идеального, стерильного интернета.

Наоборот - современные языковые модели были созданы для работы с беспорядком, шумом и огромным количеством неструктурированной информации.

И, возможно, главный вывод всей этой дискуссии очень простой:

Качественный контент, полезность и доверие по-прежнему важнее любых “AI optimization frameworks”.