GEO: как попасть в ответы искусственного интеллекта. Новая эпоха поиска, где бренды рекомендуют нейросети

GEO

Полное практическое руководство по оптимизации для ИИ-поиска

Как сделать так, чтобы ChatGPT, Gemini, Perplexity, YandexGPT и другие ИИ-системы рекомендовали именно ваш бренд. Теория с историей,

практика с кейсами.

Иван Дискин

Эксперт в области SEO, GEO и интернет-маркетинга

В маркетинге с 2011 года

Москва

2026

Выходные данные

GEO. Полное практическое руководство по оптимизации для ИИ-поиска. Как сделать так, чтобы ChatGPT, Gemini, Perplexity, YandexGPT и другие ИИ-системы рекомендовали именно ваш бренд. Теория с историей, практика с кейсами.

© Иван Дискин, 2026

Все права защищены.

Никакая часть настоящего издания не может быть воспроизведена, распространена, переведена, размещена в информационных системах или передана в любой форме и любыми средствами – электронными, механическими, фотокопировальными, записывающими или иными – без предварительного письменного разрешения правообладателя, за исключением случаев, предусмотренных законодательством об авторском праве.

Настоящая книга носит исключительно информационный характер. Автор не гарантирует достижения конкретных коммерческих, маркетинговых или финансовых результатов при использовании изложенных подходов. Все примеры, оценки и рекомендации отражают состояние рынка на момент подготовки книги и могут изменяться по мере развития технологий и поисковых систем.

При подготовке книги использовались открытые исследования, официальная документация, материалы компаний и собственный практический опыт автора. Полный перечень источников приведён в разделе «Список источников по главам».

Автор: Дискин Иван Сергеевич

Сайт: ivandiskin.ru

Проект AI Presence: ai-presence.ru

Энциклопедия MarketWiki: marketwiki.ru

Москва, 2026 год

Оглавление

Выходные данные

Оглавление

Глава 1. Конец эпохи десяти синих ссылок

Глава 2. GEO vs SEO vs AEO – в чём разница на самом деле

Глава 3. Как устроены ChatGPT, Perplexity, Gemini, Copilot, YandexGPT: откуда берутся ответы и цитаты

Глава 4. Кому и зачем это нужно уже сейчас

Глава 5. RAG, эмбеддинги и ранжирование источников – простыми словами, но без лжи

Глава 6. Что такое «цитируемость» и как ИИ выбирает, кого упомянуть

Глава 7. Роль E-E-A-T, авторства и цифрового следа в эпоху ИИ

Глава 8. Кейс: как я выстраивал видимость личного бренда практически с нуля

Глава 9. Структура контента, «цитируемая» по умолчанию

Глава 10. Техническое GEO: schema.org, llms.txt, доступность для краулеров ИИ

Глава 11. Работа с внешним контуром: PR, Habr, Cossa, отраслевые площадки, форумы, Reddit/Пикабу и аналоги

Глава 12. E-commerce и высококонкурентные ниши: кейс GEO-пилота в жёстко регулируемой категории

Глава 13. AEO в высококонкурентных нишах: кейс захвата нулевой выдачи в высококонкурентной нише

Глава 14. Как мониторить упоминания бренда в ИИ-поиске

Глава 15. Метрики GEO: что считать вместо кликов и позиций

Глава 16. Обзор инструментов рынка и их ограничения

Глава 17. Как объяснить CEO, зачем деньги в GEO, а не в контекстную рекламу

Глава 18. GEO-стратегия под ключ: как выглядит дорожная карта на 3–4 недели

Глава 19. Бренд или перформанс: стратегия маркетинга для роста

Глава 20. Место GEO в оргструктуре: кто отвечает за это в компании

Глава 21. Куда идёт рынок: агентный поиск, ИИ-браузеры, покупки через ассистентов

Глава 22. Что будет дальше с классическим SEO

Глава 23. Практический чек-лист и дорожная карта для читателя на 90 дней

Заключительное слово

Глоссарий терминов

Приложение. Шаблоны и рабочие документы

Шаблон 1. Чек-лист первичного GEO-аудита (первые 30 дней дорожной карты, главы 18 и 23)

Шаблон 2. Бриф на создание контента под answer-first структуру (глава 9)

Шаблон 3. Библиотека промптов для мониторинга (глава 14)

Шаблон 4. GEO-стратегия для бренда с ограниченным доступом к сайту

Шаблон 5. Питч: зачем GEO-направление нужно параллельно существующему SEO/ORM-процессу

Список источников по главам

Глава 1. Конец эпохи десяти синих ссылок

Как ИИ-системы меняют потребление информации

Ещё десять лет назад «поиск» и «список из десяти синих ссылок» были синонимами. Вы вводили запрос, получали страницу результатов выдачи, кликали, читали, возвращались за следующим кликом. Вся экономика интернета – реклама, SEO, контент-маркетинг – в значительной степени строилась вокруг клика как основной единицы привлечения пользователя. Сегодня значение этой метрики стремительно снижается.

По оценкам Similarweb и других аналитических компаний, к началу 2026 года ChatGPT обрабатывал сотни миллионов поисковых запросов в неделю и входил в первую десятку самых посещаемых сайтов планеты. При этом темпы распространения ChatGPT были беспрецедентно быстрыми. По крайней мере, если сравнивать с классическими поисковыми продуктами вроде Bing. По публичным заявлениям OpenAI, к началу 2026 года ChatGPT использовали сотни миллионов пользователей еженедельно, а количество обращений к сервису измерялось миллиардами в месяц.

Но дело не в размере аудитории ИИ-сервисов самой по себе. По-настоящему важно то, что происходит с запросом дальше – и здесь имеет место настоящий разрыв с привычной моделью поиска.

Zero-click: поиск без клика как новая норма

Термин «zero-click search» (поиск без перехода на сайт) появился задолго до бума генеративного ИИ. В 2019 году Рэнд Фишкин (SparkToro) опубликовал исследование, показавшее, что чуть больше половины поисковых сессий Google заканчиваются без перехода на внешний сайт. Тогда это объясняли блоками с прямыми ответами, картами и вставками из Википедии.

К 2026 году ситуация качественно другая. По совокупности данных нескольких исследовательских компаний:

Поисковые сессии в ИИ-продуктах – ChatGPT Search, Perplexity, Google AI Mode и других – в зависимости от платформы и типа запроса завершаются без перехода на сайт примерно в 60–90% случаев.

В самом Google по состоянию на 2026 год без клика заканчивается порядка 60% всех поисковых сессий, а появление блоков AI Overview в выдаче может снижать CTR первой органической позиции на десятки процентов, а в отдельных исследованиях – почти вдвое.

Компания Bain & Company в своём исследовании потребительского поведения отмечала, что большинство пользователей уже используют ИИ-ответы как минимум для части поисковых задач. Одновременно исследования Similarweb, Ahrefs и других аналитических компаний фиксируют заметное снижение органического трафика в ряде отраслей.

Формулируя проще: пользователь всё чаще получает ответ, не покидая интерфейс ИИ-ассистента. Ваш сайт, ваша статья, ваш продукт – участвуют в формировании этого ответа, но не обязательно получают переход. Клик перестаёт быть единственным доказательством того, что контент сработал.

Это не значит, что трафика с ИИ-систем нет вообще. Он есть, и он растёт кратно: по разным оценкам, объём переходов с ИИ-платформ за 2024–2026 годы вырос на порядок, а в отдельных выборках – в сотни раз в зависимости от методологии подсчёта и охваченных площадок. Но в абсолютных цифрах доля такого трафика для большинства сайтов пока измеряется десятыми долями процента. Показательно, что при этом такой трафик нередко демонстрирует более высокую вовлечённость и конверсию, чем трафик из классического поиска.

Вывод для практика простой и неудобный одновременно: расти в объёме, оставаясь незаметным для пользователя в момент принятия решения, – вполне реальный сценарий на ближайшие годы. Вопрос не «получит ли мой сайт клик», а «упомянут ли меня вообще, когда ИИ формирует ответ».

Кто уже здесь: карта ИИ-поисковых систем

Рынок ИИ-поиска в 2026 году – это быстро меняющаяся конкурентная среда:

ChatGPT остаётся крупнейшей платформой генеративного ИИ и, по различным оценкам, контролирует около 65–80% рынка ИИ-чат-ботов. По мере роста конкурентов его относительная доля постепенно сокращается, однако мобильное приложение по-прежнему собирает аудиторию, в несколько раз превышающую показатели ближайших конкурентов.

Gemini от Google демонстрирует один из самых высоких темпов роста среди крупных ИИ-платформ и по ряду исследований уже входит в число крупнейших источников реферального трафика на внешние сайты.

Perplexity остаётся заметным игроком с десятками миллионов активных пользователей и более чем миллиардом запросов в месяц, хотя темпы её роста уступают крупнейшим экосистемам.

Claude входит в число самых быстрорастущих крупных ИИ-платформ, однако по масштабу аудитории и объёму направляемого на сайты трафика пока остаётся позади лидеров.

Отдельно стоит Google AI Overviews – блоки с ИИ-сгенерированными ответами внутри классической выдачи Google, которые к 2026 году показываются на значительной части информационных и всё чаще коммерческих запросов, охватывая более 1,5 миллиарда пользователей ежемесячно.

Для российского рынка к этой карте добавляется YandexGPT и генеративные функции Яндекса – с собственной логикой цитирования и собственным набором источников доверия, которые мы разберём отдельно в части III.

Важно понимать: это не «ещё один канал» в списке уже существующих. Это новый посредник между вашим брендом и клиентом – посредник, который извлекает, суммирует и выбирает, какие источники использовать при формировании ответа, вместо того чтобы просто отранжировать ссылки.

Кто уже теряет, а кто выигрывает

Демографический сдвиг здесь тоже показателен. По данным нескольких исследований потребительского поведения, около трети представителей поколения Z в США регулярно используют ИИ-чат-боты для поиска информации. Это не нишевая аудитория «ранних последователей». Перед рынком – поколение, которое через 5–10 лет станет основной покупательской силой. А если посмотреть на миллениалов и зумеров в сумме, более 70% представителей этих поколений хотя бы периодически используют ИИ-инструменты для решения поисковых задач.

При этом цитирования в ответах ИИ-систем распределены крайне неравномерно. По данным BrightEdge, Ahrefs и других аналитических компаний, значительная часть ссылок и цитирований в ответах ИИ приходится на сравнительно небольшой круг авторитетных доменов – крупных СМИ, Википедию, Reddit, Stack Overflow и профильные отраслевые ресурсы. Контент без выраженной тематической авторитетности, понятной структуры и прямых, самодостаточных ответов на вопросы систематически не попадает в поле зрения ИИ – даже если прекрасно ранжируется в классическом Google.

Это ключевая вещь, которую должен понять каждый, кто дочитал до этого места: чтобы попасть в ответ ИИ, часто уже недостаточно того, чего раньше хватало для достижения высоких позиций в поисковых системах. Правила игры не эволюционировали, они частично переписаны заново. Этому и посвящена оставшаяся часть книги.

Почему это не хайп и не пройдёт стороной

У любого практика, прожившего несколько циклов алгоритмических обновлений Google, есть здоровый рефлекс: «подождём, перемелется». Но у нынешнего сдвига есть три отличия от привычных обновлений SEO-алгоритмов:

Меняется не алгоритм, а сам интерфейс потребления информации. Пользователь всё чаще получает готовый ответ до того, как видит список ссылок. Это не косметическое изменение выдачи, а смена интерфейса взаимодействия с интернетом как таковым.

Скорость адаптации бизнеса не успевает за скоростью роста аудитории. Опросы маркетологов показывают, что лишь меньшинство специалистов и компаний системно готовит контент под ИИ-поиск и цитирование. Подавляющее большинство этого не делает, то есть они либо не в курсе масштаба изменений, либо откладывают решение. Тем самым создаётся временное окно возможностей для тех, кто начнёт раньше.

Несмотря на различия в бизнес-моделях, крупные игроки рынка (OpenAI, Google, Microsoft, Perplexity, Anthropic) инвестируют в развитие ИИ-интерфейсов, внутри которых пользователь всё чаще решает задачи. Для крупнейших технологических компаний это многомиллиардное направление инвестиций. Это структурный, а не временный тренд.

Дальше в книге мы разберём механику того, как именно ИИ-системы выбирают источники для ответа (часть II), как выстроить контент и техническую инфраструктуру под эту механику (часть III), как измерять результат в условиях, когда клика может не быть в конкретном сценарии взаимодействия (часть IV), и как встроить всё это в маркетинговую систему компании, а не оставить разовым экспериментом (часть V).

Но прежде, чем переходить к механике, стоит сразу договориться о терминах. Следующая глава – о том, чем на самом деле отличаются друг от друга SEO, GEO и AEO, и почему путаница в этих терминах уже стоит компаниям реальных денег.

Источники и исследования, использованные при подготовке главы:

OpenAI – публичные данные о развитии ChatGPT и аудитории продукта;

Similarweb – исследования трафика и аудитории AI-сервисов;

Bain & Company, “Goodbye Clicks, Hello AI” (2025);

SparkToro – исследования zero-click search;

BrightEdge – исследования влияния AI Search на органический поиск;

Ahrefs – исследования AI Overviews и изменений в поисковой выдаче;

SE Ranking, Exposure Ninja, Superlines, DigitalApplied, SERPs.io, DemandSage – отраслевые обзоры и агрегированные исследования AI Search.

Глава 2. GEO vs SEO vs AEO – в чём разница на самом деле

Терминологический хаос – не случайность

Первое, что нужно честно сказать читателю: единого общепринятого разграничения между GEO и AEO по состоянию на 2026 год не существует. В англоязычной среде эти термины используются по-разному: специалисты, вендоры и отраслевые издания часто вкладывают в них пересекающиеся смыслы. Академический консенсус по чётким границам между понятиями пока также не сформировался.

Это не повод игнорировать термины или думать, что всё дело в маркетинговых ярлыках, но точно повод перестать спорить о наименованиях и вместо этого разобраться в сути. Дальше в этой главе – рабочее разграничение, которым я в проектах пользуюсь сам и которое помогает минимизировать путаницу между вами, вашей командой и заказчиком.

Откуда вообще взялся термин GEO

У термина Generative Engine Optimization есть конкретная точка отсчёта – академическая работа исследователей из Принстона, Технологического института Джорджии, Индийского технологического института Дели (IIT Delhi) и Университета Аллена, впервые предложивших сам термин и одну из первых системных методологий измерения видимости источников внутри сгенерированных ответов ещё в 2023–2024 годах. Термин стал известен после публикаций крупных технологических и венчурных компаний, включая Andreessen Horowitz – и с этого момента термин вошёл в маркетинговую среду, получив широкое распространение среди маркетинговых специалистов

Это важная деталь для понимания: GEO изначально появился не внутри классической SEO-индустрии, а в академической среде как попытка описать новый тип оптимизации под генеративные системы – того, как большие языковые модели формируют ответ из нескольких источников и решают, какие из них процитировать.

AEO: более старый термин с более узким фокусом

Термин Answer Engine Optimization (AEO) получил распространение задолго до появления современных генеративных поисковиков. Изначально он описывал оптимизацию контента под системы, которые стремились не просто показать список ссылок, а сразу дать пользователю готовый ответ. Первый массовый этап развития AEO был связан с появлением блоков быстрых ответов в традиционных поисковых системах.

У Google эту роль выполняли несколько форматов:

Featured Snippets – специальные блоки с прямым ответом над основной поисковой выдачей. Google извлекал часть текста со страницы-источника и показывал её пользователю без необходимости переходить на сайт.

People Also Ask («Люди также спрашивают») – блоки с дополнительными вопросами и короткими ответами, позволяющие расширить поиск внутри самой страницы результатов.

Голосовые ассистенты – в первую очередь Google Assistant, где особенно важным становился контент, способный дать короткий и однозначный ответ на естественный вопрос пользователя.

Для владельцев сайтов это означало новый принцип оптимизации: недостаточно было просто попасть в топ выдачи – нужно было структурировать информацию так, чтобы отдельный фрагмент страницы мог стать готовым ответом.

Яндекс развивал похожую логику независимо от Google, делая акцент не только на текстовых ответах, но и на собственных форматах представления информации внутри поисковой страницы.

Быстрые ответы и прямые ответы. В середине 2010-х годов Яндекс начал активно развивать механизмы прямых ответов: для ряда запросов поисковая система могла показать пользователю необходимую информацию непосредственно в выдаче – например определения, факты, справочные данные или расчёты. Для контента это формировало те же требования, что и в случае Google Featured Snippets: чёткие определения, структурированные списки, таблицы, короткие информационные блоки, отвечающие на конкретный вопрос. Иными словами, поисковой системе было проще извлечь и показать фрагмент, который уже был оформлен как самостоятельный ответ.

Дополнительные вопросы и расширенные сниппеты. Как и другие поисковые системы, Яндекс развивал элементы, позволяющие пользователю уточнять запрос прямо в выдаче: связанные вопросы, дополнительные информационные блоки и расширенные сниппеты. Хотя механика отличалась от People Also Ask, общий принцип был тем же: поисковик стремился предугадать следующий вопрос пользователя и дать ответ без дополнительного перехода на сайт.

Алиса: переход к разговорному поиску. Запуск голосового ассистента Алиса в 2017 году стал ещё одним этапом развития AEO в российском поиске. Голосовые интерфейсы изменили требования к контенту: запросы стали более разговорными, выросла роль вопросов в естественной формулировке, стало важнее давать короткие и однозначные ответы. Для попадания в голосовые ответы контент должен был быть понятен не только поисковому алгоритму, но и человеку, который воспринимает информацию на слух.

Колдунщики и обогащённые ответы. Одной из особенностей Яндекса стали так называемые колдунщики – специальные интерактивные блоки, которые решают часть пользовательских задач непосредственно в поисковой выдаче. К ним относятся карты, изображения, видео, погода, расписания, товары и другие специализированные сервисы.

С точки зрения SEO это стало важным изменением: поисковая выдача постепенно превратилась из списка ссылок в интерфейс решения задач. Для бизнеса это означало необходимость оптимизировать не только страницы сайта, но и данные, которые поисковая система могла использовать в собственных сервисах.

В основе AEO лежал принцип: сделать информацию максимально удобной для извлечения – с понятными определениями, структурой «вопрос–ответ», списками и компактными смысловыми блоками.

Ключевое отличие AEO от GEO – в механике извлечения информации:

AEO в классическом понимании ближе к модели «извлечения» (extraction): система находит один наиболее подходящий фрагмент текста и показывает его почти как есть – в блоке ответа, в голосовом помощнике, в featured snippet.

GEO преимущественно работает с моделью «синтеза» (generation): система извлекает информацию из нескольких источников, объединяет её, перефразирует и формирует новый ответ. В зависимости от конкретной системы она может дополнительно указывать источники, использованные при формировании ответа.

Разница для практика принципиальна. В AEO основной объект оптимизации – конкретный фрагмент контента, который система может извлечь как готовый ответ. В GEO объектом становится более широкая система сигналов: содержание материала, авторитетность источника, цифровой след бренда и вероятность выбора этого источника при формировании ответа.

Некоторые специалисты считают, что различие между AEO и GEO во многом искусственное и что речь идёт об одном наборе практик под разными названиями. Действительно, значительная часть базовых принципов совпадает: комплексное раскрытие темы, авторитетность источника, понятная структура контента, ясность формулировок и качественные данные для машинного понимания работают в обоих направлениях. Однако цели оптимизации всё же отличаются: AEO исторически стремился дать системе готовый ответ, а GEO – повысить вероятность присутствия бренда внутри сгенерированного ответа.

А что тогда случилось с SEO?

Здесь важно закрыть частый вопрос заказчиков: «SEO умерло?» – нет. Но роль SEO меняется.

Классическое SEO решало задачу ранжирования: «как попасть на первую позицию в списке ссылок». Эта задача никуда не исчезла: Google и Яндекс по-прежнему остаются крупнейшими поисковыми системами, а традиционный поиск – одним из основных источников органического трафика для большинства сайтов.

Более того, техническая база SEO – доступность для индексации, производительность, качество структуры данных, ссылочный авторитет и содержательность контента – остаётся фундаментом и для GEO. Современные ИИ-системы работают с тем же публичным вебом, который десятилетиями формировался под влиянием SEO-практик, а некоторые системы (например, Perplexity) используют веб-поиск и актуальные источники при формировании ответов.

Рабочая модель, которую я использую с клиентами, – это вложенные контуры, а не три конкурирующих канала:

SEO – внешний контур: видимость сайта в классическом поиске, его техническая доступность, авторитетность и соответствие поисковым запросам.

AEO – средний контур: способность контента быть извлечённым поисковой или ответной системой как прямой, самодостаточный ответ.

GEO – внутренний контур принятия решения ИИ-системы: способность бренда быть включённым в набор источников, используемых при формировании ответа генеративной системой, и получить упоминание даже без прямого перехода пользователя на сайт.

Большая часть фундаментальной работы – экспертный, глубокий и структурированный контент; техническая доступность для поисковых и ИИ-систем; цифровой след бренда за пределами собственного сайта – создаёт фундамент сразу для нескольких контуров видимости. Разделять их на три полностью независимых бюджета и три отдельные команды часто означает дублировать усилия и терять связность стратегии. Правильнее говорить о едином контуре видимости с разными точками измерения на выходе.

Почему путаница в терминах уже стоит компаниям денег

На практике я регулярно вижу три одинаковые ошибки, которые возникают именно из-за терминологической путаницы:

Ошибка первая. Компания покупает у подрядчика «услугу GEO», которая во многом состоит из тех же тактик, что и классический SEO-аудит прошлых лет, только переупакованных в новую презентацию. Отличить реальную GEO-экспертизу от ребрендинга старой услуги можно по одному вопросу: подрядчик умеет объяснить, как именно конкретная ИИ-система выбирает и использует источники при формировании ответа, или просто говорит «мы оптимизируем ваш контент под ИИ»?

Ошибка вторая. Внутренняя команда маркетинга тратит месяцы на попытки попасть в featured snippet и другие прямые ответы (классическая задача AEO), считая, что тем самым решает задачу видимости в ChatGPT и других генеративных системах (задача GEO), – и удивляется, почему результата в ИИ-ответах не видно.

Ошибка третья, самая дорогая. Руководство ставит перед маркетингом задачу «внедрить GEO» без понимания, что метрики успеха здесь принципиально отличаются от классического SEO. Ожидание роста кликов и трафика в привычной логике часто приводит к неверной оценке канала, который на самом деле работает – просто не так, как работало SEO десять лет назад.