Как попасть в ответы ИИ: работающие методы и мифы

Тема GEO активно обрастает небылицами. Что из рекомендаций работает, а что – мифы?

TL; DR: наибольшую эффективность для попадания в ответы ИИ показывают методы классической поисковой оптимизации, адаптированные под семантический поиск.

Прежде всего обозначим, что речь идёт не о попадании в контекст LLM, на котором собственно модель и обучалась. Это вполне возможный вариант, но едва ли реальный, если вы не действительно заметный бренд. LLM обучают на огромных массивах данных, среди которых, например, «Википедия» и сеты данных Common Crawl. Вас нет в «Википедии» и нет шансов туда попасть? – Значит, этот вариант не для вас.

Однако остаётся вполне реальная возможность попасть в список ссылок на сайты-источники, используемые LLM для ответа, её и рассмотрим.

Семантический поиск давно ушёл от модели простого векторного поиска и наивного RAG (нет ответа в модели – выдергиваем самый релевантный пассаж из внешней базы). Это всё ещё – базовая архитектура и применяется в простых сценариях. Современные системы используют гибридный поиск, основанный на связке «ключевые слова + векторы», переранжировании (реранкинг), графовые подходы и т.п.

Если сильно упростить: пользователь отправляет запрос, ИИ-система ищет ответы в собственном контексте и внешних базах знаний. В качестве внешних баз (RAG) выступают поисковые индексы, из которых извлекаются фрагменты – кандидаты на ответ. Эти кандидаты переоцениваются более тяжёлой моделью-реранкером, резко сокращающей количество претендентов.

Из них формируется структурированный комплексный ответ со ссылками на сайты-источники.

Такой подход обеспечивает максимальную точность в пределах очень ограниченной архитектуры системы и позволяет использовать только свежие данные из веб источников.

И вот тут и появляются проблемы:

А теперь рассмотрим, что именно влияет на ранжирование в ИИ-ответах подробнее.

Без попадания в индекс и ранжирования в поиске в пределах топ-20 ваш контент не имеет других шансов попасть в ответы ИИ. Вернее, контент-то теоретически имеет, но как часть обезличенного контекста, без ссылок и упоминаний бренда.

Здесь всё совершенно логично и понятно. Нынешние ИИ-системы используют индексы поисковых систем (начиная, увы, с Bing), хотя можно ожидать появление собственных поисковых систем у ИИ-сервисов. Пока же чтобы попасть в ответы – надо попасть в выдачу традиционных поисковиков.

Хорошая новость: в каких-то пределах вы можете обойти в цитировании сайты из топ-3. Их высокие позиции в выдаче могут быть обусловлены возрастом и авторитетом хоста, ссылочной массой, партнёрскими отношениями с поисковой системой, но не содержать реальных ответов на вопросы и нужного контента в принципе. Хорошо проработанная семантика на чистой математике даёт вам шанс обойти любого «динозавра» – в отличие от привычной поисковой выдачи.

Многие ИИ-агенты в принципе не ходят по сайтам: они извлекают данные непосредственно из поискового индекса по API. Но в ряде случаев они могут перейти по ссылке – и получить слишком медленный ответ сервера или блокировку файерволлом.

Известно, что гуглобот может ждать ответа сервера до 2 минут (как минимум, так было). ИИ-агент ждать не станет: если не получит контент практически сразу – прервёт соединение, и где-то в логах Nginx появится запись «код 499». А вы об этом из систем статистики даже не узнаете. Вот когда хорошие показатели реального быстродействия сайта и сервера наконец-то становятся серьёзным фактором успеха. GSI, правда, и тут не очень на пользу.

Второй важный аспект – это способ вывода контента. Большинство актуальных ИИ-агентов не работают с JS и AJAX, это умеют в основном китайские системы, а не более популярные Claude, ChatGPT и т.п. И здесь опять важно вспомнить классику JS SEO, если, конечно, ваш сайт не собран на чистом HTML или MD.

Как уже было сказано выше, векторный поиск, сопоставляющий на цифрах запрос и претендентов на ответы, остаётся базой, лишь усложняясь. Релевантность как качественная метрика определяется математически, с помощью косинусной близости и комбинированных формул (как это делает Google). Если вы не умеете с этим работать – можно продолжать считать вхождения ключевиков по топам, но это карго-культ в семантике, а любителей искать под фонарём и без того хватает.

Практика показывает, что модели-реранкеры, определяющие итоговый список претендентов на цитирование, ориентируются вовсе не на ёмкие и высокорелевантные шинглы на естественном языке. Нет, они выберут максимально концентрированные фрагменты, напоминающие анекдоты о сеошниках: «Заходит как–то сеошник в бар, ресторан, купить алкогольные напитки, клубы, заказать банкет в ресторане онлайн, лучшие бары в Москве, недорого, без регистрации».

А в каком виде вы можете представить такой контент на странице без того, чтобы это сразу считывалось как спам? – Ага, списки, меню, таблицы. И вот тут мы подходим к следующему весомому фактору ранжирования в ответах ИИ: фреймингу.

Под фреймингом понимается соответствие некоторому шаблону контента – комплексно: оформление, структура, медианные значения в основных текстовых зонах и т.п. Так работает машинное обучение: чтобы считаться уткой, надо выглядеть как утка, крякать как утка и плавать как утка. Иначе ИИ не умеет, и надо это понимать. Фрейминг на сегодняшний день относится к сильнейшим факторам попадания вашего контента в ИИ-ответы. Есть соответствие шаблону – есть попадание в ответы. А если нет – не фартануло, не получилось.

Но постойте, как как же «уникальное коммерческое предложение», «фиолетовые коровы» Сета Година, собственное лицо? – А вот как-нибудь так (как говорила Масяня). Хотите в ответы ИИ – не выпендривайтесь, а идите по камушкам, как все.

Ну или хотя бы учитывайте логику: если человек ищет пошаговую инструкцию – это про отдельную страницу, а не блок в описании товарной категории, куда идут выбирать и покупать, а не разбираться в деталях. Один плотный кластер с самостоятельной посадочной страницей весомее высокорелевантного блока там, где он всего лишь дополнение к чему-то ещё. А всё остальное – про векторную математику.

Из предыдущего пункта можно сделать выводы и по этой группе факторов: плотная концентрация токенов, составленная из сущностей, ключевых слов и важнейших терминов, обнаруживаемая там, где её будут искать ИИ-агенты (а это опять про зону видимости поисковой выдачи), намного важнее какой-то особой вёрстки и метаданных.

ИИ-системы работают с естественным языком, им не нужны ваши метаданные, как бы вы их ни оформляли: llms.txt, Schema.org и т.п. Да, чисто теоретически они могут заглянуть и туда, но это ничего не определяет и не меняет.

Машиночитаемость контента применительно к ИИ-системам – вовсе не то, что машиночитаемость для поисковых роботов. ИИ-системы не нуждаются в микроразметке, семантической вёрстке, гораздо больше требований предъявляя к структуре текста и векторной семантике.

Поисковые роботы — это «слепые» парсеры. Они не понимают текст, они разбирают его по тегам (<h1>, <script>, <article>). Для них машиночитаемость — это синтаксис. Современные LLM (GPT, Claude, локальные модели) — это семантические движки. Они не видят HTML-разметку (если только вы не скормили им сырой DOM, что редкость). Они видят поток токенов. Для них машиночитаемость — это когнитивная связность. Им не нужен <span itemscope>; им нужно, чтобы в первом абзаце была заявлена проблема, во втором — контекст, а в третьем — решение без воды.

Микроразметка (Schema.org) была разработана, чтобы объяснять тупой машине то, что очевидно для человека: «Это цена», «Это автор». Но для сильного ИИ микроразметка — это шум. Она нарушает естественность повествования и снижает плотность смысла на токен. ИИ-системы экстраполируют сущности (цену, автора, дату) из контекста предложения, а не из атрибутов. Более того, если вы напишете «Цена: 100$» без всякой разметки, эмбеддинг этого числа будет связан с понятием «стоимость» автоматически. Разметка же создает избыточность, которая размывает векторное представление основного текста.

Если поисковику нужна иерархия (заголовки для навигации), то ИИ нужна логическая прогрессия. ИИ-системы плохо работают с «водой» (водные предложения, не несущие смысла). Они требуют:

У себя на сайте вы можете писать что угодно, по итогам же будет учтено только то, что находит подтверждение в других источниках. Это называется «заземление» (grounding), и подразумевает множество аспектов:

Что с этим делать – решайте сами. Паразитная SEO никуда не делась, как и возможность повлиять на используемые в поиске шаблоны, хотя этот путь долог и затратен.

Если вы поняли логику, то комплексная стратегия оптимизации контента сайта для попадания в ИИ-системы не должна вызывать вопросов. Перечислим коротко, что можно проигнорировать, если вы не хотите тратить бюджеты впустую.

Все методы улучшения видимости в ИИ-системах напрямую связаны с SEO – хотя бы потому, что база для ответов извлекается из поисковых индексов, формируемых в соответствии с требованиями поисковой системы и переранжируемых в соответствии с семантикой. Все эти методы связаны с доступностью контента для роботов и его релевантностью запросу.

Лидерство в традиционной поисковой выдаче само по себе не гарантирует упоминания в генеративных ИИ-системах. Когда пользователь обращается к ChatGPT, Gemini или аналогичным сервисам, алгоритм в реальном времени анализирует пул конкурирующих источников и в один проход определяет фаворита. Решающими факторами здесь выступают не SEO-показатели вроде ссылочной массы или плотности ключей: модель учитывает ясность, релевантность, структуру, достоверность, конкретность и то, насколько полно ваш контент отвечает на поставленный вопрос. Большинство страниц изначально не создавались для такой оценки.

Прежде, чем переплачивать за какую-то «GEO», оцените реальные перспективы и способы продвижения, которые вам предлагают. Вероятно, речь идёт об обычных сухариках, которые теперь продаются как «крутоны», и из-за названия стоят в 10 раз дороже.