Как создавать контент, который цитируют ChatGPT, Gemini, Perplexity и другие AI-системы

Не любая тема одинаково хорошо цитируется, и это самый сильный фактор из всех. Широкий деловой вопрос почти всегда обгоняет узкую вертикальную формулировку: материалы на стыке международного бизнеса и конкретной практики цитируются в разы чаще, чем статьи про отраслевую нишу или разбор одной компании.

Формат заголовка тоже задаёт потолок цитируемости. Сравнение вида «X против Y» в среднем даёт заметно больше упоминаний, чем описательная формулировка. Материал в духе «почему X перестаёт работать» тоже работает стабильно хорошо. А формат «как сделать X» имеет самый высокий потолок при удачной теме. Из архетипов контента лучше всего под GEO ложатся сравнения, гайды и how-to, глоссарии терминов, FAQ-коллекции, методологии и пилларные материалы, которые закрывают тему целиком, а не один узкий её аспект.

Здесь легко ошибиться в сторону избыточной конкретики. Материал про «GEO-продвижение для производителей упаковки в Тверской области» почти гарантированно останется без единого упоминания, даже если написан безупречно, потому что нейросети реже опираются на настолько узкие материалы при формировании ответа на широкий деловой запрос. Прежде чем сужать тему под конкретную нишу или регион, стоит сначала закрыть широкий вопрос, а нишевые детали и локальную специфику вынести уже внутрь текста, а не в заголовок.

Помимо темы, важна физическая форма материала. Модель режет документ на фрагменты по 300–600 токенов, и лучше всего для этого подходит разбиение по заголовкам: один H2 со всеми абзацами под ним — один смысловой блок. Значит, каждый раздел должен быть самодостаточным и понятным без чтения предыдущих.

Отдельный практический момент: явное указание целевой аудитории прямо в заголовке или в первом абзаце скорее снижает цитируемость, чем повышает её. Аудиторию лучше описывать в теле текста, а не выносить в H1.

У каждого из этих элементов своя функция, и путать их не стоит. FAQ-блок работает как готовый набор чанков под конкретные формулировки вопросов, поэтому он почти обязателен для любой статьи, которая претендует на цитирование.

С кейсами ситуация тоньше. Материал, целиком построенный вокруг «как компания X добилась Y», сам по себе цитируется плохо: слишком узкая и не масштабируемая для читателя тема. Но тот же кейс, встроенный как доказательство внутри более широкого материала, работает совсем иначе — он подтверждает общий тезис конкретными цифрами и превращает абстрактное утверждение в проверяемый факт.

Методология и авторство отвечают за доверие. Публично описанный способ измерения или подсчёта результата — то, что называют source pack, — даёт модели проверяемое основание для клейма, а не голословное утверждение. Указанный автор с понятной компетенцией и ссылкой на профиль работает как сигнал E-E-A-T, а Perplexity и подобные системы прямо требовательны к наличию ссылок на первоисточники данных.

Прежде чем работать над отдельными статьями, страница должна пройти три последовательных проверки. Сначала техническая доступность: индексируется ли страница, не блокирует ли robots.txt AI-краулеров вроде GPTBot, ClaudeBot и PerplexityBot, нет ли paywall на ключевом контенте. Затем соответствие интенту: совпадает ли заголовок и содержание с тем, что реально ищет пользователь. И только затем извлекаемость: не спрятан ли ответ в аккордеонах или изображениях, не блокирует ли тяжёлый JS-рендеринг доступ к финальному тексту.

На уровне всего сайта в базовые требования уже входят структурированные данные Schema.org для организации, статей и FAQ, файл llms.txt как инструкция для языковых моделей о том, какому контенту доверять, и в целом E-E-A-T-сигналы: понятная информация об авторах, компании и её экспертизе. Отдельно стоит проверить архитектуру самих страниц: разделы, оформленные вопросами, работают лучше, чем произвольная структура, унаследованная от корпоративного шаблона.

У B2B здесь есть внутреннее противоречие, которое стоит проговорить прямо. Цель AEO — чтобы ИИ дал развёрнутый ответ прямо в диалоге, часто без перехода на сайт вообще. Цель отдела продаж — получить лид на сайте. Оба результата не исключают друг друга: заметность в ответах ИИ работает на узнаваемость и доверие к бренду ещё до того, как покупатель начнёт искать подрядчика напрямую, а переход на сайт остаётся у той части аудитории, что уже готова разбираться предметно.

Trust-сигналы для B2B — это не абстракция, а вполне конкретный набор элементов: публично доступная методология измерения, проверяемые кейсы с цифрами, указанные авторы с профилем и историей публикаций, ссылки на первоисточники данных. Типичная ошибка — смешивать в одном контентном топике информационные и коммерческие запросы. Это искажает диагностику и создаёт ложное впечатление просадки видимости там, где на самом деле просто разные типы интента требуют разного контента.

Вторая частая ошибка — рассчитывать только на собственный корпоративный блог. У таких площадок без внешней истории и ссылок цитируемость обычно близка к нулю, независимо от того, насколько хорошо написан текст. Третья, менее очевидная ошибка — считать, что одна сильная статья решает задачу целиком. AEO-видимость строится накопительным эффектом: чем больше у бренда качественных, проверяемых упоминаний на разных площадках, тем увереннее модель ссылается именно на него, а не на конкурента с похожим предложением.

Раньше контент-план строился вокруг календаря публикаций и списка ключевых слов. В логике AEO и GEO план строится вокруг иерархии «категория → топики → промпты», где каждый топик объединяет 10–25 конкретных запросов, а не один ключевой фразеологизм. Аудитория при этом описывается не через демографию, а через реальные формулировки вопросов, которые люди задают нейросетям на разных стадиях решения.

Меняется и сам производственный цикл. Вместо разовой кампании — еженедельная последовательность: измерить, что уже говорят ИИ-системы о бренде, найти пробел, произвести материал под конкретный пробел, технически проверить его перед публикацией, распространить на площадках, которые уже цитируются, и сверить результат. Агенты берут на себя черновики и рутинный мониторинг, а редакционное решение, что публиковать и в какой формулировке, остаётся за человеком.

Практическое следствие для команды: контент перестаёт быть набором разовых проектов и превращается в поддерживаемую инфраструктуру. Статья, опубликованная полгода назад, не «сдана в архив» после выхода, а остаётся рабочим активом, который нужно периодически сверять с текущими ответами нейросетей и обновлять, если появился более точный конкурентный материал или изменились факты. Это ближе к обслуживанию продукта, чем к классическому редакционному календарю с фиксированной датой публикации и переходом к следующей теме.

Здесь накладываются сразу несколько факторов. Многие небольшие российские компании запускают сайты на конструкторах вроде Tilda ради скорости, а у такой инфраструктуры есть потолок по E-E-A-T-сигналам и гибкости технической разметки. Ставка только на собственный корпоративный блог без публикаций на внешних площадках усиливает проблему: цитируемость таких блогов низкая независимо от языка.

Отдельная сложность в том, что стратегию для Яндекс Нейро нельзя строить по той же логике, что для ChatGPT или Perplexity, а команды часто по инерции переносят классические SEO-практики один в один. И наконец, узкая нишевая формулировка тем, характерная для B2B-компаний, которые пишут «для своей отрасли», а не для широкого делового вопроса, снижает шанс на цитирование сильнее, чем любые технические недоработки.

Яндекс Нейро использует собственную логику поиска и ранжирования, во многом опирающуюся на индекс самого Яндекса, и это принципиально отличает его от ChatGPT или Perplexity, которые полагаются на более широкий веб-краулинг. Усреднять результат по всем платформам сразу, российским и международным, — методологическая ошибка, которая портит точность диагностики именно для локального рынка.

При этом отдельные русскоязычные площадки уже показывают себя устойчивыми источниками цитирования: по внутренним данным Humanswith.ai, публикации на vc.ru цитируются заметно чаще, чем материалы на корпоративных блогах, а dzen.ru тоже даёт стабильный результат. Google AI Overviews в русскоязычном сегменте во многом наследует авторитет обычной органической выдачи Google, поэтому классическая SEO-база тоже не становится бесполезной, просто перестаёт быть достаточной сама по себе.

Признаки узнаваемы и проверяются без сложных инструментов. Заголовки разделов сформулированы как темы, а не как вопросы пользователей. Ответ на суть вопроса спрятан в середине или конце длинного абзаца, а не дан прямо в первых предложениях. На странице нет ни одной таблицы или чек-листа. Объём материала заметно меньше 1500 слов. Нет блока FAQ. Не указан автор или его экспертиза. Утверждения и цифры даны без ссылок на источники.

Отдельно стоит проверить соответствие заголовков и блоков требованиям именно для русскоязычных интентов: сформулирован ли H2 так, как реально спрашивают в Яндекс Нейро и ChatGPT на русском, а не переведён дословно с англоязычного шаблона. Дальше стоит буквально пройтись по каждому разделу и задать вопрос «ответил бы агент на этот запрос именно этим фрагментом текста». Если ответ «нет» хотя бы для половины разделов, структуру нужно пересобирать, а не полировать формулировки внутри неё.