Видимость бренда в ИИ-поиске. Полное руководство от аудита до измерения результата

Классический поиск ранжирует страницы и показывает список ссылок, а решение перейти по одной из них остаётся за человеком. ИИ-поиск устроен иначе: система работает по принципу Retrieval-Augmented Generation, то есть находит в индексе несколько лучших фрагментов текста и собирает ответ только из них, минуя переход на сайт.

Отсюда и разница в самой единице успеха. В SEO такой единицей была ранжированная страница целиком. В видимости ИИ-поиска единица успеха — это извлечённый фрагмент, чанк, который система вообще способна вытащить и процитировать.

Практики часто называют эту работу AEO (Answer Engine Optimization) или GEO (Generative Engine Optimization). Оба термина описывают одну и ту же область, GEO обычно относят к контентно-технической части AEO.

Прежде чем разбирать процесс целиком, стоит закрепить базовую диагностику. Она применяется к каждой странице и к каждому циклу проверки по новой.

Если страница не проходит первые ворота, то смысла проверять вторые и третьи нет вообще. Диагностику всегда начинают именно с доступности.

Разовый аудит закрывает стартовые дыры, но устойчивая видимость держится на повторяющемся цикле из четырёх стадий: настройка измерения, анализ результатов, производство контента и превращение всего этого в систему, которая не требует ручного повторения каждый раз с нуля.

Настройка: как правильно организовать измерение с нуля?

Прежде чем что-либо менять на сайте, нужно определить, что вообще измерять.

• Собрать иерархию тем. Не отдельные ключевые слова, а укрупнённые темы — ориентир 10–25 тем на бизнес.
• Разбить темы на промпты. На каждую тему 10–25 реальных формулировок, которые задал бы живой человек, а не маркетолог.
• Не вшивать название бренда в промпт. Промпт с упоминанием бренда искажает картину: бренд найдётся, потому что его туда вписали, а не потому что его выбрала модель.
• Развести информационные и коммерческие промпты. Смешивание этих типов в одном отчёте даёт ложную просадку показателя, ведь коммерческие запросы почти всегда цитируются реже информационных.
• Определить конкурентов на каждую тему отдельно. Один топик — один набор конкурентов и одна стратегия, а не общий список для всего бизнеса сразу. Результат этой стадии — таблица на 100–250 строк, которая фиксирует стартовую точку: тема, промпт, движок, появился ли бренд, какой URL процитирован. Важно закладывать сразу два измерения охвата: широту тем и глубину внутри каждой темы. Широта — это количество разных направлений бизнеса, которые вообще стоит отслеживать. Глубина — это несколько разных ракурсов внутри одной темы, а не единственный универсальный промпт. Тема без глубины даёт одну случайную точку данных вместо полноценной картины, а глубина без широты оставляет вне поля зрения соседние направления, где бренд может проигрывать ещё сильнее.

Анализ: как читать результаты аудита и не обманывать себя?

Сырые данные аудита ничего не значат без правильной структуры отчёта. Рабочий формат — построчная карточка на каждый промпт.

По итогам такой карточки находки переводятся в задачи по единой понятной логике:

Здесь же стоит закрепить два понятия, которые постоянно путают. Первое — упоминание: модель называет бренд в ответе. Второе — цитирование: модель ссылается именно на ваш URL как источник. Можно быть упомянутым и не процитированным одновременно, и это две разные проблемы с разными решениями. Отдельно стоит смотреть на каждую систему: ChatGPT, Perplexity, Gemini, Google AI Overviews и Яндекс Нейро формируют ответ по-разному, и усреднённая цифра по всем системам сразу маскирует, где именно проблема.

Производство: какой контент реально цитируют ИИ-системы?

Здесь стоит опираться не на догадки, а на измерения. Принстонский университет и IIT Delhi в 2024 году опубликовали контролируемое исследование "GEO: Generative Engine Optimization" — первую работу, которая проверила на бенчмарке из 10 000 запросов, какие правки текста реально поднимают его цитируемость генеративными системами.^[1] Три приёма показали устойчиво лучший результат: добавление прямых цитат с указанием источника, добавление ссылок на другие источники внутри текста и добавление конкретной статистики. Формулировки без источника или просто более уверенный тон такого эффекта не дали.

Из этого вытекает практическая формула ИИ-ориентированного контента: страница должна быть одновременно доступной, структурированной и сформулированной как готовый ответ, а не как маркетинговый текст.

• Открывать каждый H2-раздел прямым ответом в первом-втором предложении.
• Формулировать заголовки в форме вопроса, который реально задают в ChatGPT или Perplexity.
• Добавлять хотя бы одну сравнительную таблицу или чек-лист на ключевую страницу.
• Снабжать сильные утверждения источником и, где можно, датой.
• Ставить блок FAQ с реальными вопросами достаточно рано в тексте, чтобы он попал в тот же фрагмент, что и остальной ответ.
• Держать объём не меньше 1500 слов вместе со всеми перечисленными элементами, ведь ниже этого порога материалы почти не цитируются. Один нюанс, который легко упустить: явное указание узкой аудитории в заголовке ("для банков", "для отдела продаж") сужает круг запросов, из которых модель может выбрать материал. Широкая формулировка темы охватывает больше сценариев, а отраслевую специфику лучше оставлять в теле текста.

Что должно лежать в основе материала до того, как он написан

Прежде чем передавать тему в работу автору, полезно собрать source pack — согласованный набор фактов, ссылок, разрешённых утверждений и примеров, на основе которого пишется текст. Это не бриф в привычном смысле: бриф отвечает на вопрос "что писать", а source pack отвечает на вопрос "какое подкреплённое источником утверждение должно стать проще для цитирования".

• Факты о компании. Согласованные данные о продукте, компании, основателях — одна версия на всех площадках.
• Разрешённые утверждения. Что можно публично заявлять, а что пока нельзя утверждать без дополнительного подтверждения.
• Ссылки на доказательства. Канонические страницы, исследования, кейсы, упоминания третьих сторон — материал, готовый к цитированию.
• Формулировки реальных запросов аудитории. Вопросы покупателей и формулировки, которыми реально пользуются в ИИ-поиске по этой теме.
• Правило канонической страницы. Где живёт первоисточник и что должно на него ссылаться, чтобы авторитет не распылялся между похожими текстами. Без source pack легко получить уверенно написанный, но фактически шаткий текст: автор либо додумывает детали, либо избегает конкретики вообще, а обе крайности одинаково плохо работают на цитируемость.

Инжиниринг: как превратить это в систему, а не разовый проект?

Самая частая причина, по которой эффект от аудита угасает через пару месяцев, — отсутствие повторения. Одноразовая проверка даёт снимок на конкретную дату, но платформы меняют алгоритмы retrieval, а конкуренты обновляют контент. Рабочий цикл выглядит как измерение, диагностика, производство, технический контроль и снова измерение, без остановки после первого прохода.

Практически это означает: завести регулярное расписание проверки одного и того же набора промптов, назначить, кто отвечает за каждую найденную проблему, и держать технический слой (robots.txt, llms.txt, schema.org) под периодическим контролем, потому что он может незаметно сломаться при обновлении сайта или смене CMS.

Полезно держать в голове короткую цепочку из трёх звеньев, которая связывает диагностику с реальным эффектом: инсайт, действие, влияние.

Инсайт — это конкретный ответ на вопрос, какие запросы вообще задают в ИИ-поиске по вашей теме и появляется ли в ответе бренд. Действие — это правки контента и технических настроек, сделанные именно на основе этого инсайта, а не на основе общих предположений о том, что "наверное, нужно больше статей". Влияние — это то, что реально изменилось: видимость и доля цитирований. За пределами самого цикла к ним добавляются трафик и обращения, которые можно проследить до конкретной правки.

Без этой цепочки легко потерять связь между тем, что было сделано, и тем, что от этого изменилось: команда правит контент, отчитывается количеством публикаций, но не может ответить на простой вопрос, стал ли бренд после этого попадать в ответы чаще.

Усреднённый показатель по всем системам сразу — одна из самых частых методических ошибок в отчётах. У каждой системы свой характер retrieval:

• ChatGPT. Широкий охват, сотни миллионов пользователей еженедельно — в феврале 2026 года ChatGPT отчитался о 900 млн еженедельных пользователей, рост с 800 млн всего за четыре месяца до этого.^[2]
• Perplexity. Строже относится к источникам, предпочитает материалы с прямыми ссылками на первичные данные и заметно чаще показывает список источников пользователю напрямую.
• Google AI Overviews. Во многом наследует авторитет обычной выдачи Google, но при этом заметно снижает переходы на сайты. По данным Ahrefs за 2026 год, присутствие такого ответа в выдаче в среднем на 58% снижает CTR страницы на первой позиции — против 34,5% годом ранее.^[3] Это означает, что даже устойчивая позиция в классическом поиске больше не гарантирует переход пользователя на сайт, если рядом стоит готовый ответ.
• Claude и Gemini. Оба консервативнее в отборе источников и тяготеют к авторитетным публикациям и материалам с чёткой структурой, а не к максимально широкому охвату источников любой ценой.
• Яндекс Нейро. Отдельная система для русскоязычного рынка, и её нельзя игнорировать при работе с RU-аудиторией. У "Нейро" число ежедневных пользователей выросло с примерно 7,4 млн при запуске в апреле 2024 года до 10,5 млн — почти в полтора раза за год.^[4] Разный характер этих систем означает, что диагностику по трём воротам и построчный аудит стоит прогонять для каждой системы отдельно, а не один раз для всех вместе.

• Открытый доступ ИИ-краулерам. GPTBot, ClaudeBot, PerplexityBot, Google-Extended, YandexBot не должны быть заблокированы в robots.txt, иначе Gate 1 проваливается ещё до содержательной проверки.
• Файл llms.txt. Простой текстовый файл по аналогии с robots.txt, который объясняет ИИ-краулерам, кто вы и какому контенту доверять.
• Разметка Schema.org. Article, FAQPage, Organization дают модели явные машиночитаемые метки вместо того, чтобы она угадывала структуру по тексту.
• E-E-A-T сигналы. Видимый автор с реальными данными, датированные и подкреплённые источником утверждения снижают риск, что модель сочтёт страницу ненадёжной и обойдёт её стороной.
• Проверка рендера без JS. Многие ИИ-краулеры не исполняют тяжёлый клиентский JavaScript, а значит важный ответ не должен зависеть от его выполнения.

• Ставка на узкую нишевую тему в заголовке. Формулировка вроде "GEO для банков" резко сужает круг запросов, из которых модель вообще может выбрать материал.
• Технический термин вместо реального вопроса в заголовке. Заголовки в духе "Что такое чанкинг" отвечают на образовательный интерес, но заметно реже цитируются, чем формулировки в духе "Почему сайт не попадает в ответы ИИ".
• Кейс одной конкретной компании как главная тема. Материалы формата "как компания X увеличила видимость" цитируются заметно реже обобщённых разборов той же проблемы.
• Короткий формат без структуры. Публикации короче примерно 1500 слов без FAQ, списков и таблиц почти не попадают в цитирования вне зависимости от качества текста.
• Ставка только на собственный корпоративный блог. Материалы стоит распространять и на площадки, которым ИИ-система уже доверяет, но обязательно с явной ссылкой на первоисточник.
• Усреднение показателя по всем ИИ-движкам сразу. Разный характер retrieval у каждой системы требует раздельного анализа, а не одной средней цифры.
• Смешивание информационных и коммерческих промптов в одном отчёте. Так создаётся ложное ощущение провала там, где на самом деле работает специфика типа запроса.
• Ожидание мгновенного результата. Технические правки дают эффект быстро, а устойчивое цитирование обычно требует нескольких циклов измерения подряд, а не одной проверки сразу после публикации.
• Отсутствие владельца у цикла измерения. Разовую техническую и содержательную работу можно делегировать, но регулярную проверку результата стоит держать внутри компании, иначе никто вовремя не заметит, что технический слой снова сломался после обновления сайта.

Прежде чем публиковать материал где-либо ещё, нужно определить canonical-страницу — тот единственный URL, на который должны ссылаться все остальные публикации по этой теме. Правило простое: сначала canonical, потом дистрибуция, а не наоборот.

Публиковать одинаковый текст везде без адаптации, а тем более скрывать ссылку на первоисточник — верный способ размыть авторитет и запутать модель относительно того, какая страница на самом деле каноническая.

• AI Share of Voice. Доля промптов из вашего списка, где бренд вообще упомянут, не важно, со ссылкой или без.
• Citation share. Доля промптов, где процитирован именно ваш URL, а не сторонний источник или конкурент.
• Разбивка по движку. ChatGPT, Perplexity, Gemini, Google AI Overviews и Яндекс Нейро формируют ответы по-разному, поэтому усреднённая цифра сразу маскирует, какая именно система требует внимания.
• Разбивка по типу запроса. Информационные и коммерческие промпты отслеживаются раздельно, иначе просадка по одному типу растворяется в среднем.
• Отслеживание пересказа без ссылки. Оповещения на название бренда и характерные формулировки помогают поймать момент, когда модель уже опирается на вашу мысль, но ещё не ссылается на источник.

Всё описанное выше можно выполнять вручную, но каждую стадию цикла можно закрыть отдельным специализированным агентом вместо того, чтобы проходить все шаги силами одного человека.

• Аудит и трекинг видимости ведёт Hermes — еженедельно сканирует ответы нескольких ИИ-движков и строит список пробелов вместо ручного прогона промптов.
• Бриф и черновик под найденный пробел собирает ContentOS — с учётом структурного порога и гейтов на уникальность и AI-likeness ещё до публикации.
• Публикацию и SEO-разметку оформляет Content Publisher — canonical-URL и schema.org встают в CMS автоматически.
• Визуальные материалы — обложки и таблицы — рендерит Visual Asset Studio по фирменному дизайн-пакету, с проверкой шрифтов и контраста. Разница не в том, что агенты работают быстрее человека, а в том, что каждый шаг проходит гейты качества автоматически, и цикл измерения можно повторять регулярно, а не от случая к случаю.

Q: С чего начать, если раньше видимостью в ИИ-поиске вообще не занимались?

A: С построчного аудита 100–250 промптов по 10–25 темам — без него невозможно понять, что именно чинить в первую очередь.

Q: Чем видимость в ИИ-поиске принципиально отличается от SEO?

A: Единицей успеха. В SEO это ранжированная страница, в видимости ИИ-поиска — извлечённый фрагмент текста, который система физически способна вытащить и процитировать.

Q: Можно ли автоматизировать весь цикл целиком?

A: Технические и содержательные шаги можно поручить специализированным агентам, но решение о приоритетах и владение результатом всё равно должно оставаться на стороне бизнеса.

Q: Почему нельзя усреднять результат по всем ИИ-системам сразу?

A: ChatGPT, Perplexity, Gemini, Google AI Overviews и Яндекс Нейро по-разному устроены на уровне retrieval, поэтому усреднённая цифра маскирует, какая именно система реально не видит бренд.

Q: Сколько времени занимает первый полный цикл?

A: Технические правки дают эффект в течение обычного цикла индексации, а устойчивое цитирование обычно требует нескольких повторений всего цикла, а не одной проверки сразу после публикации.

Q: Достаточно ли одной канонической страницы на тему?

A: Да, и это принципиально важно: несколько похожих материалов по одной теме размывают авторитет между собой вместо того, чтобы усиливать один явный источник.

Q: Что делать, если конкурента рекомендуют вместо вашей компании?

A: Это обычно означает отсутствие прямого сравнения или кейса под тот же сценарий использования. Решение в том, чтобы опубликовать именно такой материал, а не переписывать существующий контент целиком.

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. GEO: Generative Engine Optimization. Princeton University, IIT Delhi, Allen Institute for AI, Georgia Tech, 2024 (ACM SIGKDD). https://arxiv.org/abs/2311.09735
2. TechCrunch. ChatGPT reaches 900M weekly active users, 27 февраля 2026. https://techcrunch.com/2026/02/27/chatgpt-reaches-900m-weekly-active-users/
3. Ahrefs. AI Overviews Reduce Clicks by 58% (Update), 2026. https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/
4. Хабр. Доля поисковых нейросетей в 2025 году. https://habr.com/ru/articles/985356/