Аудит AI-видимости до масштабирования контента: чек-лист из семи слоёв

Классическое SEO приучило команды ждать запаздывающих индикаторов. Позиции сдвинулись, трафик упал, лиды изменились — вот тогда и начинали разбираться.

AI Search требует более ранней диагностики, потому что покупатель может получить рекомендацию, сравнение или шорт-лист ещё до визита на сайт. В этой воронке первый видимый сигнал — не клик, а сам ответ.

Поэтому аудит должен спрашивать иначе: когда покупатель задаёт важный вопрос, что отвечает система? Какой источник она использует? Упоминает ли нас? Цитирует ли? Рекомендует ли? Описывает ли компанию правильно?

Это разные вопросы, и они ведут к разным исправлениям. Упоминание, цитирование и рекомендацию нужно мерить отдельно: упоминание — это сигнал осведомлённости, цитирование — переиспользование вашего источника как доказательства, рекомендация — коммерческая интерпретация ^[2].

1. Факты о сущности: название, оффер, география, основатель — одинаковы ли они везде.
2. Каноническая страница: по каждой важной теме — один URL-источник истины.
3. Источниковые поверхности: где ещё встречается утверждение — исследования, GitHub, каталоги, сравнения.
4. Технический базис: краулинг, canonical, схема, внутренние ссылки.
5. Покрытие промптов: отвечаете ли вы на те вопросы, которые реально задают покупатели.
6. Доказательства цитирования: какие страницы движок использует как источники.
7. Следующее действие на неделю: один конкретный ремонт.

Если слои не разделены, команда получает один размытый «скор видимости». Он выглядит аккуратно, но прячет проблему. Бренд может упоминаться без цитирования. Страница может цитироваться без рекомендации. Рекомендация может существовать, но описывать оффер неправильно. А конкурент может выигрывать просто потому, что сторонний источник движку парсить удобнее, чем вашу страницу.

По каждой важной теме нужен один URL, который напрямую отвечает на запрос, определяет сущность, показывает оффер или позицию, содержит блоки доказательств, ссылается на смежные страницы, открывает источники и позволяет легко извлечь ответ.

Это не общий блог-пост «про всё». Это страница, на которую должны ссылаться нейросети, поисковики, партнёры и дистрибуционные посты.

Дальше еженедельный дашборд следит, используется ли она на самом деле. Достаточно одной рабочей строки: промпт, состояние ответа, процитированный URL, источниковая поверхность, контекст рекомендации, проблема сущности, downstream-сигнал и следующее действие ^[3]. Ключ — последняя колонка. Если следующего действия нет, дашборд — декорация.

Не интерпретируйте поведение нейросети, пока не проверен технический базис. Если страницу сложно краулить, canonical ошибается, схема отсутствует, внутренних ссылок нет, Open Graph сломан, а контент доступен только через JavaScript, то выводы по слою ответов будут вводить в заблуждение.

Минимальный технический прогон:

1. Маршрут отдаёт 200.
2. Canonical указывает на правильный URL.
3. Title и meta description совпадают с темой.
4. JSON-LD парсится.
5. FAQ и Article-разметка консистентны.
6. Страница есть в sitemap и фиде.
7. Есть внутренние ссылки из релевантных хабов.
8. Дистрибуционные ссылки видны в теле, а не спрятаны в JSON-LD.
9. Мобильная вёрстка читаема.
10. Страница понятна без JS-only контента.

Работа негламурная, но она предотвращает ложные истории. Без неё команда будет винить «AI Search» в проблеме качества сайта. Именно для этого мы собираем открытый аудит-стек: детерминированные проверки должны идти до субъективной интерпретации ^[4].

Перед подписанием спросите:

1. Какой набор промптов будем отслеживать?
2. Что считается упоминанием, цитированием и рекомендацией?
3. Какие канонические страницы улучшим первыми?
4. Какие технические гейты должны пройти до интерпретации?
5. Какие источниковые поверхности построим или починим?
6. Как вы отчитаетесь об отсутствии движения?
7. Какое следующее действие на неделю, если ответ не изменился?

Сильный подрядчик объяснит, какой слой сломан, какие доказательства будет собирать и как будет измеряться движение. Слабый продаёт «AI-оптимизацию», скриншоты без стабильного набора промптов или объём контента без proof-контура. Правильный вопрос не «можете ли публиковать больше», а «можете ли крутить цикл без потери доказательств» ^[5].

Нейросети оценивают не только то, что вы говорите, но и где утверждение встречается. Одна и та же мысль ведёт себя по-разному на канонической странице, в исследовании, посте LinkedIn, статье Medium, репозитории GitHub, каталоге или стороннем сравнении.

Поэтому аудит логирует поверхности отдельно. Если цитирование выигрывает более слабая сторонняя страница, ответ не «публикуй больше». Возможно, нужно улучшить каноническую страницу, добавить чёткий блок источников, собрать сильную страницу-исследование, починить внутренние ссылки или распространить идею на поверхности, которым нейросети уже доверяют ^[6].

Один и тот же прогон каждую неделю:

1. Заморозить набор промптов.
2. Прогнать их по выбранным AI-поверхностям.
3. Сохранить текст ответов, скриншоты, процитированные URL и набор конкурентов.
4. Разметить состояние: отсутствует, упомянут, сравнивается, цитируется, рекомендован, описан неточно.
5. Посмотреть, какая источниковая поверхность выиграла.
6. Проверить каноническую страницу на технические и контентные дефекты.
7. Смотреть downstream-сигналы только после того, как видны доказательства ответов.
8. Выбрать один ремонт на следующую неделю.

Не меняйте набор промптов каждый раз, когда результат неудобен — это разрушает базовую линию. Полезный выход аудита — не отчёт для красоты, а очередь ремонтов.

Первая — считать упоминания цитированиями. Вторая — считать цитирование рекомендацией. Третья — интерпретировать трафик без доказательств по ответам. Четвёртая — игнорировать источниковые поверхности. Пятая — прогнать промпты один раз и назвать это исследованием. Шестая — нанять подрядчика на объём контента, не проверив, краулится ли сайт вообще. Седьмая — строить автоматизацию до того, как понят ручной цикл. Автоматизация помогает, когда правила интерпретации ясны. До этого она масштабирует путаницу.

[1] AI Search visibility audit checklist — каноническая версия — https://gregshevchenko.com/notes/ai-search-visibility-audit-checklist/

[2] How to measure AI Search visibility — https://gregshevchenko.com/notes/ai-search-visibility-measurement/

[3] How to build an AI Search visibility dashboard — https://gregshevchenko.com/notes/ai-search-visibility-dashboard/

[4] The open-source AI Search visibility audit stack — https://gregshevchenko.com/notes/open-source-ai-search-visibility-audit-stack/

[5] How to choose an AEO/GEO provider — https://gregshevchenko.com/notes/how-to-choose-an-aeo-geo-provider/

[6] What AI systems cite — https://gregshevchenko.com/research/what-ai-systems-cite/

[7] What ContentOS is and what it is not — https://gregshevchenko.com/notes/contentos/