Что такое AEO и GEO: как работает продвижение в AI-поиске и зачем оно бизнесу

AEO расшифровывается как Answer Engine Optimization, то есть оптимизация под ответ. Задача AEO — попасть не в позицию в поисковой выдаче, а в синтезированный ответ, который AI-система собирает и показывает пользователю целиком, часто без единой ссылки на переход. GEO расшифровывается как Generative Engine Optimization, оптимизация контента под то, как генеративные системы находят и используют материал при формировании ответа. Термин не имеет отношения к геотаргетингу, хотя аббревиатура похожа.

Для бизнеса в России это не абстрактная теория. Пользователи всё чаще формулируют вопрос напрямую в ChatGPT или Яндекс Нейро вместо того, чтобы вбивать запрос в поиск и перебирать сайты. Если в ответе называют трёх конкурентов, а вашего бренда там нет, вы теряете часть сделки ещё до того, как у вас появляется шанс показать сайт или прайс. Gartner в 2024 году прогнозировал, что к концу 2026 года объём запросов в традиционном поиске может снизиться примерно на четверть из-за перехода части пользователей на диалоги с ИИ ^[1]. Независимо от того, насколько точно сбудется именно эта цифра, тренд в сторону разговорного поиска уже заметен, и игнорировать его — не бесплатная стратегия.

AI-система сначала находит подходящие документы, затем выбирает из них ограниченный набор фрагментов и уже на основе этих фрагментов формулирует ответ. Это называется RAG, retrieval-augmented generation, и именно из-за этого механизма контент вообще может попасть в AI-ответ.

Процесс устроен как шесть последовательных шагов: запрос превращается в вектор для семантического поиска, система находит релевантные документы, отбирает ограниченное число лучших фрагментов, собирает из них новый контекст, генерирует ответ строго в границах этого контекста и в конце прикрепляет источники к использованным фрагментам. Модель никогда не видит всю базу целиком, только отобранный короткий список. Если факт технически существует на сайте, но не попал в этот короткий список, для конкретного ответа он как будто не существует.

Здесь и кроется принцип универсальности и эффективности одновременно. Механизм retrieval один и тот же по сути в разных системах, но реализован по-разному: ChatGPT, Perplexity, Gemini и Яндекс Нейро используют разную логику поиска и разные критерии строгости к источникам. Поэтому эффективная работа с AI-поиском не сводится к одной оптимизации «под всех сразу» — платформы нужно измерять отдельно, а не усреднять результат.

GEO обычно рассматривают как смежную, часто встроенную практику внутри более широкой дисциплины AEO, а не как отдельное соперничающее направление. GEO отвечает за то, чтобы конкретный контент был удобен для извлечения генеративной моделью. AEO — за всю операционную работу вокруг видимости бренда в ответах ИИ, включая измерение, техническую часть и дистрибуцию.

На практике это одна связная система, а не два отдельных проекта. Рабочий цикл выглядит так: сначала измеряют, что уже говорят про бренд ChatGPT, Claude, Perplexity, Gemini и Яндекс Нейро по ключевым запросам. Затем диагностируют пробелы: где бренда нет вообще, а где он упомянут без ссылки на сайт. Дальше производят контент, закрывающий конкретный пробел, технически оптимизируют его под извлекаемость, распространяют на площадках, которые AI-системы уже цитируют охотно, и проверяют, что изменилось после публикации. GEO-работа с текстом и техническая структура страницы — это стадии «произвести» и «оптимизировать» внутри этого же цикла AEO, а не параллельная стратегия.

Оба термина описывают смежные практики, и на рынке их часто путают или используют как синонимы. Разница в фокусе становится понятнее в сравнении.

Полезно держать в голове и более широкое сравнение с классическим SEO: там целевая единица — ранжированная ссылка, а сигналами выступают ключевые слова и обратные ссылки. В AEO и GEO целевая единица — прямой ответ с цитатой, а сигналами становится то, насколько страница физически доступна для AI-краулера, насколько она релевантна интенту запроса и насколько легко из неё вытащить конкретный фрагмент.

Страница должна пройти три последовательных «ворота». Если она не проходит первое, оставшиеся два уже не имеют значения.

Диагностику любой проблемы с видимостью стоит начинать именно с первого пункта. Если AI-краулер физически не может дойти до страницы, доработка текста ничего не изменит.

Система выбирает не сайт и не домен, а конкретный фрагмент текста, который лучше всего отвечает на вопрос и попадает в короткий список кандидатов для генерации.

Здесь возникает не всегда очевидный эффект: авторитет домена не гарантирует цитирование. Если у страницы высокий авторитет, но текст размытый и без чёткого ответа, а у менее известной страницы есть плотный, самодостаточный фрагмент с прямым ответом, модель с большей вероятностью процитирует именно второй источник, даже если по классическому SEO-ранжированию первая страница выше. У LLM нет «любимых брендов», есть плотные и релевантные фрагменты текста.

Отдельно стоит различать два состояния, которые легко перепутать: видимость и цитируемость. Видимость — это когда бренд просто упоминается в ответе. Цитируемость — это когда AI даёт прямую ссылку именно на ваш URL, а не на статью о вас на стороннем сайте. Можно иметь заметную видимость и почти нулевую цитируемость собственных страниц, если модель предпочитает ссылаться на обзоры, агрегаторы или упоминания в СМИ вместо вашего сайта.

Структурированные данные, файлы-инструкции для AI-краулеров и гибридный поиск уже переходят из экспериментов в базовые требования к сайту.

Разметка Schema.org для организации, статей, FAQ и товаров поддерживается Google, Microsoft и Яндексом одновременно, а не остаётся частной инициативой одной платформы. Отдельная разметка Speakable готовит фрагменты текста к озвучиванию голосовыми ассистентами. Файл llms.txt работает как аналог robots.txt, но написан специально для языковых моделей: объясняет, кто вы, чем занимаетесь и какому контенту на сайте можно доверять. На стороне поиска гибридный retrieval, который сочетает точное совпадение ключевых слов и семантический векторный поиск, становится стандартом в продакшн-системах, потому что каждый метод по отдельности пропускает часть релевантных документов.

По количеству пользователей и охвату крупнейшие игроки уже вышли на масштаб традиционных поисковиков: у ChatGPT более 800 миллионов пользователей в месяц по данным на 2026 год. Google AI Overviews наследует значительную часть авторитета обычной органической выдачи Google, Perplexity строже относится к источникам и предпочитает первичные материалы, а для русскоязычного рынка отдельно важны Яндекс Нейро и Алиса, которые нельзя оценивать теми же средними цифрами, что и англоязычные системы.

То, как часто и как именно AI-система описывает бренд, начинает работать как самостоятельный репутационный сигнал, независимо от того, переходит пользователь на сайт или нет.

Если модель раз за разом описывает компанию точно и уместно, в контексте профильных вопросов, это постепенно закрепляет её как ожидаемого игрока в теме, похоже на то, как работает регулярное упоминание в профильных изданиях. И наоборот: если бренд упомянут неточно или в неверном контексте, это тоже закрепляется и требует отдельной работы по исправлению. Именно поэтому в операционном цикле AEO есть отдельный шаг проверки: не просто «упомянут бренд или нет», а в каком состоянии — отсутствует, просто упомянут, процитирован по ссылке или рекомендован. Ошибочное описание бренда AI-системой — не редкость, и без чётких, проверяемых фактов о компании модель может достраивать пробелы неточными предположениями.

Внутренний аудит Humanswith.ai по 158 публикациям, 78 из которых разобраны по 28 критериям, показал дополнительный нюанс: само по себе качество текста слабо объясняет, попадёт ли материал в цитаты. У цитируемых и нецитируемых статей средний показатель качества почти не отличался. Сильнее на репутацию и цитируемость влияли тема, авторитет площадки и возраст публикации: материалы старше двух месяцев цитировались в разы чаще совсем свежих. Это значит, что репутация в AI-поиске строится не разовой хорошей статьёй, а последовательной работой на протяжении месяцев на площадках, которым AI-системы уже доверяют.

Роль сдвигается от управления рекламным каналом к ведению постоянного операционного цикла измерения и починки видимости бренда в ответах ИИ.

Классический маркетолог управляет каналом: настроил кампанию, получил трафик, посчитал конверсию. AEO и GEO устроены иначе, это не разовая кампания, а еженедельный цикл: измерить, что говорят AI-системы сегодня, найти пробел, произвести контент под конкретный пробел, технически проверить страницу, распространить на нужных площадках и через время сверить, что изменилось. Без этого цикла результат затухает при любом сдвиге платформ или действий конкурентов.

Это требует нового набора навыков. Маркетологу придётся разбираться в том, что такое структурированные данные и файл llms.txt, хотя раньше это была зона технических специалистов. Придётся строить не просто контент-план, а source pack — согласованный пакет фактов, ссылок и допустимых формулировок о компании, чтобы AI-системы не собирали противоречивую картину бренда из разных источников. И придётся привыкнуть работать с показателями, которых не существовало в классическом маркетинге: доля упоминаний относительно доля цитирований именно ваших ссылок, распределение по отдельным AI-платформам, состояние ответа для каждого ключевого запроса. Роль смещается от копирайтера, оптимизирующего текст под ключевые слова, к оператору, который управляет постоянно работающей системой измерения и починки репутации бренда в ответах ИИ.

[1] Gartner. Gartner Predicts Search Engine Volume Will Drop 25% by 2026, Due to AI Chatbots and Other Virtual Agents. — https://www.gartner.com/en/newsroom/press-releases/2024-02-19-gartner-predicts-search-engine-volume-will-drop-25-percent-by-2026-due-to-ai-chatbots-and-other-virtual-agents