Что такое GEO-оптимизация и почему о ней заговорили именно сейчас
GEO (Generative Engine Optimization) - это настройка контента на сайте так, чтобы чат-боты вроде ChatGPT и поисковики с генеративными функциями цитировали бренд в своих ответах. Формулировка звучит скромно, но меняет всё: вы больше не боретесь за строчку в списке ссылок, вы боретесь за то, вспомнит ли модель о вас, когда закупщик спросит «кто делает X» или «что выбрать для Y».
Механика отличается от классического поиска. Поисковик ранжирует URL и отдаёт список ссылок; генеративный движок синтезирует текст, опираясь на веса модели и на источники, которые ретривал-слой подтянул под конкретный запрос. Отсюда два следствия. Первое: в ответ попадает материал, который модель сочла достаточно авторитетным, чтобы пересказать. Второе: один и тот же текст может держать третью позицию в обычной выдаче и ни разу не попасть в генеративный ответ. И главное для этой статьи: гонка за алгоритмом здесь проигрывает ставке на контент, который цитируют добровольно.
Интерес к теме растёт не на пустом месте. Компании и менеджеры узнают о партнёрах или конкурентах в первую очередь из ответов нейросетей. В России своя динамика: в 2026 году бизнес столкнулся с тем, что поисковые системы чаще интерпретируют информацию, а не выдают каталог ссылок, поэтому растёт спрос на AIO и GEO - описание тренда.
Чем GEO отличается от классического SEO
| Параметр | Классическое SEO | GEO |
|---|---|---|
| Что продвигаем | Страницу и её позицию в ранжированном списке | Фрагмент текста, который модель может процитировать |
| Кто решает | Алгоритм ранжирования | Ретривал-слой и сама модель |
| Метрика | Позиция, показы, клики | Доля ответов с упоминанием бренда и контекст упоминания |
| Воспроизводимость | Выдача повторяется при том же запросе | Ответы недетерминированы: зависят от промпта и версии модели |
| Скорость отклика | Дни и недели | Недели и месяцы |
Метрики не переносятся одна в другую. Рост позиций в обычной выдаче не означает, что вас начнут цитировать, и наоборот. Технический слой, от которого зависит попадание в ответ, разобран отдельно в практическом руководстве по технической оптимизации для нейровыдачи: чанкование текста с оверлапом, микроразметка Schema.org, доступ для ретривал-ботов и таблица учёта упоминаний. Здесь важна другая мысль: техника не создаёт ценность, она только помогает её донести.
Почему генеративный поиск стал основным каналом проверки контрагентов в B2B
Forrester фиксирует резкий сдвиг в том, откуда B2B-покупатели берут информацию. Доля покупателей, использующих ИИ в процессе закупки, выросла на пять процентных пунктов - до 94%, а генеративный ИИ или разговорный поиск вдвое чаще, чем любой другой источник, назывались более значимым источником информации, опережая сайты поставщиков, экспертов по продукту и продажи (Forrester, Buyers’ Journey Survey, 2025). Ранее Forrester сообщал, что 89% бизнес-покупателей используют ИИ в процессе закупки. Покупатели всё чаще получают ответы прямо внутри ИИ-сводок, минуя посещение сайта поставщика, а B2B-покупатели внедряют ИИ-поиск в три раза быстрее потребителей (разбор данных Forrester).
The ABM Agency приводит близкие данные: 80% B2B-покупателей начинают свой путь в ИИ-движках, а не через традиционный поиск, и сессии на таких платформах в среднем длятся более 14 минут - значительно дольше традиционного поискового поведения (данные The ABM Agency).
Сроки сделок тоже сжимаются, но не так радикально, как иногда подают. Средний цикл B2B-продаж в 2025 году составляет около 10 месяцев, сократившись с примерно 11 месяцев в 2024 году, а сделки с крупными закупочными комитетами могут растягиваться на 12+ месяцев (6Sense Buyer Experience Report, 2025).
Контекст важен: статистика американская. Для России доля закупщиков и сроки сделок будут другими, поэтому эти цифры стоит читать как индикатор тренда, а не как прогноз для локального рынка.
Почему прямолинейные «взломы» алгоритмов быстро теряют эффективность
Происходящее вокруг GEO повторяет сюжет SEO-лихорадки нулевых, когда компании гонялись за ключевиками и соревновались в методах «творческой оптимизации». Тогда тоже казалось, что есть секретный приём, дающий преимущество навсегда. Приём находился, работал несколько месяцев и умирал вместе с очередным обновлением - та же параллель.
Шаблон у таких приёмов один: пока алгоритм не научился отличать манипуляцию от нормальной работы, хак приносит результат. Дальше либо санкция, либо обесценивание. История поисковой оптимизации даёт наглядные примеры этой механики, и структура повторяется в GEO с точностью до названий.
Дорвеи BMW: как Google наказал за манипуляции
Немецкое подразделение BMW использовало дорвеи: страницы-двойники показывались поисковому роботу и перенаправляли его на основной сайт. Google убрал домен из индекса, и бренд с сильной аудиторией вернулся в выдачу только после того, как манипуляцию убрали. Тяжёлая санкция пришла не за плохой контент, а за попытку обмануть робота.
Demand Media и белый текст для Bing: почему спам-контент не выжил
Demand Media выпускала тысячи статей под низкочастотные запросы и жила на поисковом трафике. После запуска алгоритма Google Panda в 2011 году поток дешёвого контента перестал окупаться: страницы, написанные под запрос, а не под читателя, потеряли видимость.
Похожая история с белым текстом для Bing. Слова окрашивали в цвет фона: пользователь их не видел, робот читал. Приём давал краткосрочный рост, пока поиск не начал сопоставлять видимый контент с разметкой.
Вывод для GEO прямой. Если материал пишется для машины, а не для человека, он живёт до следующего обновления. Генеративные модели меняются быстрее поисковых алгоритмов: обновляются версии, ретривал-слои и правила цитирования. Придумать «сеошный хак для нейронки» - так себе идея, потому что поддерживать такой хак придётся чаще, чем он успевает окупиться.
Стандарт llms.txt: что это и почему ahrefs сомневается в его влиянии
Как устроен llms.txt и какие задачи решает
llms.txt - текстовый файл в корне домена. Внутри markdown-разметка: название проекта, короткое описание и список ключевых страниц с пояснением, что на каждой лежит. Смысл в том, чтобы дать модели карту сайта в компактном виде и сэкономить её контекст на навигации.
Практическая деталь, которую часто теряют: llms.txt - не директива. Файл ничего не запрещает и не разрешает, в отличие от robots.txt, и его поддержка не гарантирована ни одним производителем моделей. Это рекомендация, которую движок вправе проигнорировать. Строить на ней план по росту видимости нельзя.
Что показало исследование ahrefs по 140 тыс. доменов
Самый обсуждаемый аргумент против llms.txt - исследование ahrefs на 140 тыс. доменов, где связь между наличием файла и частотой цитирования в генеративных ответах оказалась статистически незначимой. Здесь нужна аккуратность: методику и точные цифры этой работы в источниках, доступных к статье, подтвердить не удалось, поэтому отношу её к широко цитируемым гипотезам, а не к проверенным фактам. Перед решением смотрите первоисточник на сайте ahrefs.
Нейтральный вывод: если карта сайта у вас уже есть, файл собирается за полчаса и не вредит. Ждать от него роста цитируемости не стоит. Это гигиена, а не рычаг влияния.
На какие источники опираются разные модели
ChatGPT, Perplexity, Gemini и Claude собирают ответы из разных наборов источников. Разборы на эту тему расходятся в цифрах, а конкретный отчёт GEOMetrics, который обычно приводят в пример, в доступных источниках подтвердить не получилось. Общий вывод от этого не меняется: единой стратегии, одинаково работающей для всех моделей, нет.
Проверить это можно без платных отчётов. Возьмите 10-20 реальных вопросов своей аудитории и задайте их каждой модели. Запишите, какие домены она цитирует и как упоминает ваш бренд. Пяти-шести прогонов на модель достаточно, чтобы увидеть закономерность: одна опирается на отраслевые СМИ, другая на документацию, третья на форумы и обсуждения.
Дальше решение зависит от аудитории. Если ваши клиенты сидят в конкретной модели, изучайте её привычки цитирования и готовьте контент под них. Если аудитория размазана, остаётся один универсальный подход: делать материал, полезный человеку. Крупные языковые модели обучены на текстах, которые люди читали и на которые ссылались, а ретривал-слой выбирает фрагменты, понятные без дополнительного контекста.
Почему «ничего не делать» может быть рабочей стратегией
Что значит «ничего не делать» в контексте GEO
Бездействие и стратегия - разные вещи. Бездействие: не знать, что модели говорят о вашей компании, и вообще не смотреть в эту сторону. Стратегия «ничего не делать»: сознательно отказаться от манипуляций алгоритмами и вкладываться в контент, который цитируют добровольно. Поведение модели вы не контролируете, качество собственного материала - контролируете.
Аналогия простая. Дорвей живёт до обновления. Статья с цифрами, ссылками и внятным ответом на вопрос живёт годами и работает сразу на две аудитории: на людей и на генеративные движки.
Какие элементы контента повышают видимость в нейросетях
Что стоит добавить в материал:
- конкретные числа со ссылкой на источник, а не «значительно выросло»;
- цитаты с именем, должностью и компанией говорящего;
- ссылки на первоисточники: исследование, документацию, отчёт;
- структуру: заголовки, списки, таблицы, самодостаточные абзацы, понятные без чтения всего текста;
- дату обновления и актуальные данные вместо формулировки «на момент написания»;
- однозначные утверждения вместо «вероятно, возможно, в некоторых случаях».
Логика простая: фрагмент, который можно проверить и который понятен в отрыве от остального текста, имеет больше шансов попасть в пересказ. Модели обучены на текстах, где утверждение подкреплено цифрой или ссылкой, и ретривал-слой тянет в ответ именно такие куски.
Есть и измеримые ориентиры. В исследованиях по генеративной оптимизации методы улучшают baseline на 41% по PA-WC и на 28% по Subjective Impression, а при лучшем выборе методов прирост достигает до 40% по PA-WC и до 30% по Subjective Impression (разбор GEO-методов). Отдельно отмечается, что статистика, собственные бенчмарки и прозрачные методологии могут повышать видимость в генеративных ответах до 40% (Aggarwal et al., 2024). Важная оговорка: эти цифры не связаны с бенчмарком GEO-Bench - он посвящён оценке манипуляции ранжированием в генеративной оптимизации и не приводит таких значений прироста.
Ограничение тоже есть: цитаты ради цитат вредят. Статистика из несвязанного отчёта или ссылка на материал десятилетней давности снижают доверие и к тексту, и к бренду.
Практические шаги: что делать вместо погони за алгоритмами
- Посмотрите, что модели говорят о вас сейчас. Задайте ChatGPT, Perplexity, Gemini и Claude по 10-20 вопросов о своей сфере и сохраните ответы дословно.
- Выпишите пробелы и неточности. Модель путает линейки продуктов, не знает о новых возможностях, называет устаревшие данные? Это и есть список тем для контента.
- Закройте пробелы текстами с фактами, цифрами и ссылками на источники. Одна страница с проверяемыми данными работает лучше десяти общих обзоров.
- Соберите llms.txt, если у вас уже есть карта сайта. Полчаса работы, без ожиданий роста.
- Повторяйте замер раз в квартал: те же промпты, те же модели, запись того, какие домены цитируются рядом с вами.
Мгновенного роста этот план не даёт. Зато он снижает зависимость от очередного обновления. И держите в голове контекст: американская статистика по срокам B2B-сделок и доле закупщиков применима к российскому рынку только как индикатор направления, о локальном спросе на AIO и GEO есть отдельный материал.
Как измерить, что вас цитируют нейросети
Единого стандарта измерения пока нет, поэтому важнее всего воспроизводимость собственных замеров. Что работает:
- контрольная выборка из 15-30 промптов с фиксированными формулировками и прогон раз в квартал;
- раздельный учёт двух событий: упоминание бренда в ответе и цитирование вашего URL. Это метрики с разным значением;
- логи сервера: запросы от краулеров вроде GPTBot, ClaudeBot и PerplexityBot показывают, что контент вообще забирают;
- ручной разбор ответов вместо оценки второй моделью, если нужна повторяемость результатов.
Технический шаблон таблицы для таких замеров есть в руководстве по технической оптимизации: чанкование, микроразметка, конфигурация доступа для ретривал-ботов и учёт упоминаний в одной схеме.
Какие ограничения есть у GEO-оптимизации
- Цитирование не гарантировано: ответы недетерминированы и зависят от промпта, версии модели и момента времени.
- Модели опираются на разные источники, поэтому единой стратегии нет.
- Ретривал-слои и версии меняются, отдельные приёмы устаревают.
- Эффект трудно измерить: контрольной группы обычно нет, сравнить не с чем.
- Российская специфика: часть данных и часть краулеров работают иначе, чем на рынке США.
Итог: GEO - дополнительный канал к классическому маркетингу и работе с продуктом, а не замена. Если сайт закрыт от индексации или контент нерелевантен аудитории, ни цитаты, ни llms.txt не помогут.
Начать можно с одного шага. Задайте четырём моделям вопрос, по которому вас должны находить клиенты, и посмотрите на ответы. Дальше решение будет опираться на факты, а не на чужую презентацию.