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

Глава

3.

Как

устроены

ChatGPT, Perplexity, Gemini, Copilot, YandexGPT:

откуда

берутся

ответы

и

цитаты

Общий механизм: RAG простыми словами

Прежде чем разбирать различия между платформами, нужно понять один из ключевых принципов современных ИИ-поисковых систем – Retrieval-Augmented Generation (RAG), «генерация, дополненная поиском».

Языковая модель сама по себе – это не база данных с фактами, а модель, обученная выявлять закономерности в огромных массивах текста и генерировать ответы на основе этих закономерностей. У неё есть определённая дата отсечения знаний, поэтому при запросах о свежих событиях, текущих ценах или новых данных без доступа к внешним источникам она может либо сообщить об ограничении, либо сформировать правдоподобный, но неверный ответ – так называемую галлюцинацию.

Многие современные ИИ-поисковые системы используют архитектуры, основанные на принципах RAG или близких к ним подходах. RAG же в ИИ-поисковых системах можно представить как несколько последовательных этапов:

Понимание и расширение запроса. Система интерпретирует, что именно хочет узнать пользователь, и может преобразовать один запрос в несколько вспомогательных поисковых формулировок. Например, подход query fan-out позволяет разбивать сложный вопрос на несколько параллельных подзадач для более полного поиска информации.

Поиск и извлечение (retrieval). Система обращается к внешним источникам – поисковому индексу, базе документов, корпоративному хранилищу или вебу в реальном времени – и получает набор потенциально релевантных фрагментов информации.

Генерация ответа (generation). Большая языковая модель формирует ответ с учётом найденного контекста и внутренних знаний, и, в зависимости от конкретной системы, может указывать источники, использованные при формировании ответа.

ChatGPT: избирательность и многоуровневый поиск источников

Поисковая функция ChatGPT (ChatGPT Search) использует веб-поиск и внешние источники для получения актуальной информации. Одним из важных компонентов этой инфраструктуры является интеграция с поисковыми технологиями Microsoft Bing, однако итоговый выбор источников определяется не только поисковым индексом, а собственными механизмами OpenAI по извлечению, оценке и представлению информации.

Для бренда это означает: простого попадания в индекс недостаточно. Сайт должен быть технически доступен для обнаружения, содержать релевантную и авторитетную информацию и обладать характеристиками, которые повышают вероятность использования его материалов при формировании ответа.

Ключевые наблюдаемые характеристики ChatGPT как источника ответов:

Избирательность. ChatGPT Search обычно показывает более ограниченный набор источников по сравнению с некоторыми специализированными AI-поисковиками, делая акцент на наиболее релевантных ссылках для конкретного ответа.

Не каждый ответ использует веб-поиск. Часть ответов ChatGPT формируется на основе внутренних знаний модели без обращения к внешним источникам. В таких сценариях классическая GEO-оптимизация сайта напрямую не влияет на результат.

Важность структуры контента. Наблюдения практиков показывают: материалы, где ключевой ответ сформулирован ясно и расположен близко к началу страницы, чаще оказываются удобными для извлечения ИИ-системами.

Собственный поисковый краулер. OpenAI использует OAI-SearchBot для задач, связанных с поисковыми функциями, отдельно от GPTBot, который предназначен для других сценариев обработки веб-контента. Эти правила можно учитывать через robots.txt.

Perplexity: поиск, для которого источники – это ядро продукта

Если ChatGPT начинал как универсальный ИИ-ассистент, к которому позже добавили поиск, то Perplexity с самого начала строился вокруг модели «ответной машины» (answer engine), где цитируемые источники являются центральной частью пользовательского опыта.

В режиме поиска Perplexity обращается к актуальным веб-источникам, извлекает набор релевантных материалов и формирует ответ с пронумерованными ссылками, похожими на научное цитирование.

Отличия от ChatGPT принципиальны:

Более высокая плотность цитирования. Perplexity обычно показывает больше ссылок на источники, чем многие универсальные ИИ-ассистенты, поскольку прозрачность происхождения ответа является частью его ключевой ценности.

Готовность использовать нишевые источники. Платформа активно обращается к специализированным сайтам и пользовательскому контенту, если они содержат наиболее релевантную информацию по конкретному вопросу.

Фокус на уровне конкретного материала. Для попадания в ответ важна не только известность домена, но и то, насколько конкретная страница закрывает потребность пользователя.

Отличие от других ИИ-систем. Разные платформы используют разные наборы источников и механизмы отбора, поэтому видимость бренда в одном ИИ-поисковике не гарантирует присутствие в другом.

Gemini и Google AI Overviews: наследие классического поиска

Gemini и функция AI Overviews внутри поиска Google используют подход search grounding – генерация ответа опирается на данные поиска Google и другие доступные источники информации.

Практический вывод для стратегии: качественная SEO-база остаётся важным фактором видимости в экосистеме Google. Сайты, которые уже обладают высокой релевантностью, авторитетностью и технической доступностью для поисковой инфраструктуры Google, получают преимущество при попадании в пул потенциальных источников для AI-ответов.

При этом AI Overviews – это не просто новая форма классической выдачи. Механизм формирования ответа отличается от обычного ранжирования ссылок: Google выбирает, какие источники использовать и какие из них показывать пользователю в виде ссылок или цитат.

Цитирование в AI-ответах Google появляется выборочно. Часть информации может быть представлена без отдельной ссылки на каждый тезис, даже если при формировании ответа использовались внешние источники.

Copilot: тот же поисковой фундамент, но другая упаковка

Microsoft Copilot использует поисковую инфраструктуру Bing как один из ключевых источников актуальной информации. Поэтому с точки зрения доступности контента между Copilot и другими системами, использующими веб-поиск, может существовать пересечение источников, однако итоговый выбор цитат определяется собственными механизмами Microsoft.

Для практической стратегии это означает: работа над видимостью в Bing, технической доступностью сайта и качеством контента может повышать вероятность появления бренда в ответах Copilot. Но гарантированного переноса результатов между Bing, ChatGPT Search и Copilot не существует.

YandexGPT и Нейро: отдельная экосистема для русскоязычного поиска

Для компаний, работающих на российском рынке, YandexGPT и генеративные функции Яндекса становятся одним из ключевых направлений GEO из-за высокой роли экосистемы Яндекса в рунете.

Нейро – AI-ответы внутри поиска Яндекса – использует поисковую инфраструктуру компании и дополнительные источники данных для формирования ответа. Как и Google AI Overviews, эта система не просто показывает ссылки, а синтезирует информацию из нескольких источников.

Для GEO-стратегии в рунете важны не только позиции в классической выдаче, но и общий цифровой след бренда: официальный сайт, отраслевые публикации, отзывы, карточки компаний и другие доверенные источники.

Среди особенностей российского рынка можно выделить более высокую роль локальных площадок и сервисов: экосистемы Яндекса, отраслевых медиа, сервисов отзывов и площадок с пользовательским контентом. Поэтому стратегия GEO для рунета не может быть простым переносом англоязычных подходов.

Как и другие AI-поисковые системы, Нейро постепенно меняет поведение пользователей: часть информационных задач решается непосредственно внутри поискового интерфейса, без обязательного перехода на сайты.

Claude: другой сценарий – модельная память и контекст

Отдельно стоит рассмотреть Claude от Anthropic. В отличие от систем, которые изначально позиционируются как поисковые ассистенты (например, Perplexity), Claude прежде всего является универсальным языковым помощником.

Поэтому часть ответов Claude формируется на основе знаний, полученных моделью во время обучения, без обращения к внешнему поиску. В таких сценариях классическая логика GEO – «получить ссылку в ответе» – работает ограниченно: ссылки могут отсутствовать вообще.

Практический вывод для бизнеса: видимость в подобных системах зависит не только от отдельных оптимизированных страниц, но и от общего цифрового следа бренда – наличия экспертных материалов, независимых упоминаний, публикаций и других сигналов, которые помогают модели корректно понимать компанию и её место в категории.

При этом нельзя воспринимать это как прямую оптимизацию под «попадание в память модели»: внутренние данные обучения закрыты, регулярно меняются, а влияние конкретных источников невозможно точно измерить.

Что из этого следует для практика

Три практических вывода закрывают главу и задают рамку для части III:

Унифицированной стратегии «оптимизации под ИИ-поиск» не существует. У разных платформ различаются источники данных, поисковая инфраструктура, механизмы извлечения информации и принципы формирования ответа. Стратегия должна учитывать приоритетные для бизнеса системы – и для большинства российских проектов в этот список должен входить YandexGPT и генеративные функции Яндекса, поскольку переводные англоязычные гайды по GEO часто не учитывают специфику рунета.

Классическое SEO не потеряло значения – оно стало частью более широкой системы видимости. Для Google-экосистемы SEO остаётся особенно важным фундаментом, поскольку AI-ответы связаны с поисковой инфраструктурой компании. Для систем, использующих веб-поиск и внешние индексы, SEO также остаётся полезным фактором. При этом существуют платформы, где результат сильнее зависит от механизмов retrieval в момент запроса, а не только от классического ранжирования.

Техническая доступность для правильных краулеров – обязательное, но не достаточное условие. Быть проиндексированным – не значит быть процитированным. Дальше мы разберём, какие сигналы – помимо технической доступности – определяют, выберет ли система именно ваш источник для формирования ответа.

Источники данных главы:

Первичные и технические источники:

OpenAI – материалы по ChatGPT Search, GPTBot и OAI-SearchBot.

Google Search Central / Google DeepMind – материалы по AI Overviews, AI Mode и генеративному поиску.

Microsoft – материалы Bing Search и Copilot.

Яндекс – материалы по YandexGPT, Нейро и генеративным функциям поиска.

Aggarwal P. et al. “GEO: Generative Engine Optimization”, arXiv, 2023.

Martinez O. “Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)”, arXiv, 2026.

Отраслевые исследования и аналитика:

BrightEdge – исследования AI Search и влияния AI Overviews.

Ahrefs – исследования AI Overviews и изменений органического поиска.

SE Ranking – AI Search Research.

Similarweb – анализ аудитории и трафика AI-сервисов.

Indexly – AI Search citation analysis (2026).

Topify – анализ различий цитирования ChatGPT, Perplexity и Gemini (2026).

Profound – исследования AI visibility и brand mentions.

Authoritas – исследования AI Search visibility.

Глава 4. Кому и зачем это нужно уже сейчас

Прежде чем считать деньги – снимем один миф

Самое частое возражение при обсуждении GEO звучит так: «В GA4 трафик с ИИ-систем пока составляет доли процента. Зачем инвестировать в канал, которого почти не видно?»

Возражение, на первый взгляд, логичное. Но оно основано на старой модели оценки маркетинговых каналов, где главным доказательством ценности был прямой переход на сайт.

По данным отраслевых исследований и наблюдений аналитических платформ, прямой трафик с ИИ-систем пока действительно занимает небольшую долю общего трафика большинства сайтов. Но эта метрика не показывает всей картины.

Дело не только в объёме привлечённых пользователей, а в том, на каком этапе принятия решения они приходят.

Ключевая находка первых исследований AI-трафик – качество крайне важно.

Первые отраслевые замеры показывают, что пользователи, пришедшие с ИИ-платформ, часто находятся дальше по воронке принятия решения, чем посетители из классического поиска.

Например, анализ Opollo на выборке B2B tech-компаний показал значительно более высокую конверсию AI-трафика по сравнению с органическим поиском. Аналогичные тенденции фиксировали и другие аналитические платформы, хотя конкретные значения сильно зависят от отрасли, типа продукта и методологии подсчёта.

Ahrefs в собственном анализе также отмечал непропорционально высокий вклад AI-источников в регистрации по сравнению с их долей общего трафика.

В электронной коммерции похожий тренд наблюдается и в крупных массивах данных: исследования Adobe показывают, что трафик из генеративных ИИ-источников постепенно становится более качественным с точки зрения вовлечённости и коммерческого поведения.

Другими словами: пока многие компании продолжают оценивать ИИ-трафик только по его доле в общей структуре посещений (и справедливо видят там пока небольшие значения – от долей процента до единиц процентов), более зрелый подход – смотреть не только на объём, но и на ценность такого визита.

Доступные исследования ранних рынков AI Search показывают устойчивую тенденцию: пользователи, приходящие через ИИ-системы, во многих сегментах демонстрируют более высокое коммерческое намерение и конверсию, чем средний органический трафик. Масштаб эффекта при этом сильно зависит от отрасли: от умеренного преимущества в отдельных категориях до многократного роста в некоторых B2B SaaS и технологических сегментах.

Важная оговорка: картина неоднородна. В отдельных направлениях (например, части B2B e-commerce в ранних замерах) конверсия с ИИ-трафика пока может быть ниже или сопоставима с органическим поиском. Поэтому оценивать потенциал канала нужно не по средним цифрам из чужих кейсов, а по собственной отрасли, аудитории и бизнес-модели.

Кто уже не может позволить себе ждать

По совокупности отраслевых данных 2025–2026 годов можно выделить несколько сегментов, где цена промедления с развитием видимости в ИИ-системах особенно высока уже сейчас.

Технологичный B2B и SaaS

Здесь эффект наиболее заметен: покупатели программного обеспечения и технологичных услуг тратят значительное время на изучение категорий, сравнение решений, изучение документации и экспертных материалов ещё до первого контакта с продавцом. Это именно тот тип поведения, для которого ИИ-ассистенты подходят особенно хорошо: пользователь формулирует задачу, получает подборку решений, сравнение подходов и рекомендации ещё до того, как попадает на сайт поставщика.

По данным отдельных исследований AI referral traffic, ChatGPT и другие ИИ-платформы уже становятся заметным источником переходов для B2B tech-компаний. Для рынка с длинным циклом сделки это особенно важно: бренд может влиять на выбор покупателя задолго до появления прямого обращения.

Здравоохранение и медицинские услуги

Медицинская тематика – одна из категорий, где доверие к источникам имеет критическое значение. Пользователи обращаются к ИИ-системам не только за общей информацией о заболеваниях и симптомах, но и за помощью в выборе специалистов, клиник и вариантов лечения.

Анализ использования ИИ-ассистентов показывает, что значительная часть таких запросов возникает вне стандартных сценариев взаимодействия с медицинскими организациями – в том числе тогда, когда пользователь не может сразу получить консультацию через привычные каналы. В этом случае ИИ становится промежуточным слоем между человеком и медицинским брендом.

Для компаний из этой сферы вопрос присутствия в ответах ИИ – это уже не только вопрос дополнительного трафика, а вопрос того, какие источники пользователь увидит в момент формирования доверия.

Категории с высоким разрывом «спрос есть – цитирования нет»

Один из наиболее показательных сценариев – ситуации, когда интерес пользователей к категории высокий, но конкретные компании практически отсутствуют в ответах ИИ-систем.

Отраслевые исследования отдельных ниш, включая кибербезопасность, показывают: при коммерческих запросах о выборе решений ответы часто концентрируются вокруг ограниченного набора наиболее известных источников – крупных отраслевых площадок, аналитических ресурсов и энциклопедических материалов. При этом сами поставщики решений могут получать значительно меньше упоминаний, чем ожидают.

Это крайний, но показательный случай. Похожая ситуация характерна для многих узкоспециализированных B2B-рынков: экспертиза у компаний есть, продукты есть, спрос есть – но цифровой след, который помогает ИИ-системам распознать компанию как авторитетный источник, недостаточно развит.

Розница и e-commerce

В 2025–2026 годах исследования розничного рынка фиксируют ускорение роста переходов с ИИ-платформ на сайты продавцов и производителей. При этом во многих случаях такие пользователи демонстрируют более высокое коммерческое намерение, поскольку приходят уже после этапа сравнения вариантов и формулирования конкретной потребности.

Для e-commerce это означает появление нового слоя конкуренции: компании будут бороться не только за позиции в поисковой выдаче, но и за место в рекомендациях ИИ-ассистентов внутри категорий. Окно возможностей пока остаётся открытым: многие бренды ещё не выстроили системную работу с видимостью в ИИ-системах, поэтому ранние игроки могут сформировать преимущество до того, как рынок станет насыщенным.

Регулируемые и высококонкурентные ниши

Финансы, медицина, юридические услуги и другие регулируемые категории имеют дополнительную особенность: ИИ-системы особенно чувствительны к качеству и надёжности источников.

В таких тематиках модели и поисковые системы чаще склоняются к уже признанным источникам, официальным данным, экспертным публикациям и брендам с устойчивой репутацией. Это делает раннее системное формирование цифрового авторитета особенно ценным: компания получает не просто дополнительный канал привлечения, а долгосрочный актив в виде накопленного доверия.

Простая модель расчёта упущенной выгоды

Для разговора с CEO нужен не абстрактный тезис «это важно», а понятная модель оценки. Ниже – упрощённая рамка расчёта, которую можно использовать на первой встрече.

Она не является точным прогнозом будущей выручки: рынок ИИ-поиска ещё слишком молодой, а методы измерения продолжают развиваться. Её задача – оценить порядок потенциальной возможности и понять, стоит ли запускать пилот.

Шаг 1. Оцените объём релевантного спроса в категории

Возьмите данные по поисковому спросу в вашей нише из Яндекс Вордстата, Google Keyword Planner или других инструментов и определите, какая часть пользовательских сценариев уже может решаться через ИИ-интерфейсы.

Универсального коэффициента для всех отраслей пока не существует: доля AI-поиска зависит от категории, аудитории, страны и сложности выбора продукта.

Особое внимание стоит уделять информационным, сравнительным и исследовательским запросам – именно они чаще всего переходят в формат диалога с ИИ.

Шаг 2. Оцените текущую видимость бренда

Составьте список из 15–20 реальных вопросов, которые потенциальный клиент задаёт перед покупкой: «какой сервис выбрать для …», «лучшие компании в категории …», «сравнение решений …», «альтернативы продукту …».

Проверьте эти запросы в ChatGPT, Perplexity, Gemini и YandexGPT. Посчитайте, как часто появляется ваш бренд, как часто появляются конкуренты, какие источники система использует для формирования ответа.

Если бренд упоминается только в небольшой доле сценариев, это означает, что значительная часть потенциального влияния уже находится у конкурентов.

Шаг 3. Оцените ценность такого присутствия

Используйте собственные данные аналитики: стоимость привлечения клиента, конверсию органического трафика, средний чек и LTV.

Затем сравните их с доступными отраслевыми исследованиями AI referral traffic.

Первые исследования показывают, что в ряде сегментов пользователи, приходящие через ИИ-системы, демонстрируют более высокое коммерческое намерение и конверсию, чем средний органический трафик.

При этом масштаб эффекта сильно зависит от отрасли: в отдельных B2B SaaS и технологичных категориях разница может быть многократной, тогда как в других сегментах преимущество может быть значительно меньше.

Шаг 4. Рассчитайте потенциальный разрыв

Упрощённо это делается по формуле:

Потенциальная возможность = Объём релевантного спроса × Доля сценариев AI-поиска × Разрыв текущей видимости × Ценность привлечения клиента.

Полученное число не является гарантированным прогнозом выручки. Это оценка масштаба возможности, которая помогает принять решение о запуске GEO-проекта.

На практике даже консервативный расчёт для компании с сильной экспертизой и заметным присутствием в категории часто показывает, что стоимость системной работы над AI-видимостью значительно ниже потенциальной стоимости отсутствия в этом канале.

Почему промедление обходится дороже, чем кажется

Здесь стоит вернуться к структурной особенности, которую мы разобрали в первой главе: ИИ-системы не просто находят страницы – они выбирают источники, которым доверяют при формировании ответа.