GEO на практике. Как сделать так, чтобы ИИ рекомендовал ваш бренд

Это книга уровня «делай»

Первая книга этой серии – «GEO. Полное практическое руководство по оптимизации для ИИ-поиска» – объясняла, почему правила поиска изменились: как работают ИИ-системы, почему одни источники становятся основой ответов, как формируются сигналы доверия и что определяет видимость бренда в новой поисковой среде.

Эта книга – следующий уровень: не объяснение механики, а практическая система действий. Здесь не разбирается, почему RAG извлекает одни источники, а другие игнорирует. Здесь показано, как провести аудит текущей видимости, найти точки роста, перестроить контент, усилить цифровой след компании и оценить результат..

Первый шаг любой работы с видимостью в ИИ – узнать, где вы находитесь прямо сейчас. Не предполагать, не судить по интуиции («мы же лидеры в нише, наверняка нас упоминают») – а измерить.

Протокол из 50 промптов

Шаг 1. Соберите 50 запросов по четырём категориям.

Распределение, которое работает на практике для большинства ниш:

15 брендовых запросов – включающих название компании напрямую («отзывы о [бренд]», «[бренд] стоит ли покупать», «альтернативы [бренду]»).

20 категорийных запросов – без упоминания бренда, отражающих то, как реальный покупатель ищет решение («лучший сервис для [задачи]», «как выбрать [категория продукта]», «сравнение [категория] для малого бизнеса»).

10 запросов на сравнение – прямо сталкивающих вас с 2-3 конкретными конкурентами («[бренд] или [конкурент] что лучше», «[категория]: топ вариантов 2026»).

5 запросов с реальными формулировками клиентов – возьмите дословно то, что чаще всего спрашивает отдел продаж или служба поддержки в первом касании.

Ключевое правило при проведении аудита: формулировки должны быть такими, какими их пишет реальный человек, а не маркетолог, составляющий список ключевых слов. «Какая CRM подойдёт для отдела продаж из 5 человек» – рабочая формулировка. «Лучшее CRM-решение b2b enterprise-класса» – нет, если ваши реальные покупатели так не говорят.

Шаг 2. Зафиксируйте набор – и не меняйте его между циклами.

Сохраните все 50 формулировок в отдельном документе с датой создания. Это ваш эталонный набор минимум на ближайшие 3 месяца. Смена формулировок между замерами делает результаты несопоставимыми – вы будете сравнивать разные вещи, думая, что сравниваете динамику одного и того же показателя.

Шаг 3. Прогоните набор через пять систем.

ChatGPT (с включённым поиском), Gemini, Claude, Perplexity и Яндекс Нейро (через интерфейс Яндекса или Алису, с использованием технологий YandexGPT). Для российского бизнеса Яндекс Нейро должен входить в обязательный набор проверок, а не рассматриваться как дополнительная опция.

Практический совет по организации самой работы: не пытайтесь прогнать все 250 комбинаций (50 запросов × 5 систем) вручную за один присест – это выматывает и снижает качество фиксации результата. Разбейте на сессии по одной платформе за раз, с перерывом, и фиксируйте результат сразу после каждого запроса, а не по памяти в конце.

Таблица результатов

Заполняйте таблицу по каждому запросу и каждой платформе сразу после получения ответа – не постфактум.

Запрос

ChatGPT

Gemini

Claude

YandexGPT

Perplexity

Конкурент упомянут?

[формулировка 1]

Да/Нет + позиция

Кто именно?

[формулировка 2]

Как заполнять колонку по каждой платформе – фиксируйте три обязательных параметра:

Упомянут / не упомянут – сам факт присутствия бренда в тексте ответа.

Позиция – назван первым, в середине списка вариантов, или как один из многих «между прочим».

Тип присутствия – текстовое упоминание названия бренда или только ссылка на URL без явного названия. Эти варианты важно учитывать отдельно: бренд может присутствовать в ответе ИИ даже без прямого текстового упоминания. Не пропускайте такие случаи – анализ только текстовых упоминаний является одной из самых частых ошибок на этом этапе.

Как считать первый результат

По итогам заполненной таблицы посчитайте два простых числа:

Общий Citation Rate = (число проверок, в которых бренд был обнаружен хотя бы в одном виде: текстовое упоминание или цитирование URL) / (50 запросов × 5 платформ).

Citation Rate по категориям запросов отдельно – брендовые, категорийные, сравнительные, клиентские. Почти всегда картина здесь неравномерная: у многих брендов брендовые запросы дают существенно более высокий процент упоминаний (что логично – брендовый запрос напрямую указывает системе на конкретную компанию), а категорийные и сравнительные запросы показывают куда более скромный результат. Именно разрыв между этими двумя цифрами – один из самых показательных индикаторов реальной работы. Узнаваемость имени и присутствие в решении покупателя о выборе – принципиально разные вещи.

Частая ошибка первого замера

Одна из самых типичных ошибок команд, впервые проводящих этот протокол, – остановиться на самой таблице и не перейти к анализу. Таблица результатов – не отчёт для галочки, а входные данные для следующего этапа: полноценного аудита видимости в ИИ (здесь и далее «AI Visibility Audit»), который превращает сырые цифры в приоритизированный план действий.

Следующая глава показывает, как перейти от таблицы к диагнозу и конкретному списку задач, которые нужно исправить в первую очередь.

От сырых данных к диагнозу

AI Visibility Audit – это структура, которая превращает результаты 250 проверок в понятный, приоритизированный план: что чинить в первую очередь и почему именно это, а не что-то другое.

Аудит строится по пяти блокам. Каждый закрывается конкретным, измеримым выводом – не «в целом неплохо», а «конкретно вот эти три вещи дают наибольший разрыв между вами и лидером категории».

Блок 1. Аудит бренда

Вопрос блока: насколько точно и полно ИИ-системы описывают ваш бренд, когда он появляется в ответах?

Возьмите все ответы из таблицы предыдущего этапа диагностики, где бренд был упомянут, и оцените каждый по трём параметрам:

Точность. Совпадает ли описание продукта/услуги с реальностью? Указана ли актуальная информация (цены, ассортимент, условия), или система оперирует устаревшими данными?

Полнота. Упомянуты ли ключевые дифференциаторы бренда, или описание сведено к одной общей фразе категории («это ещё один сервис для управления проектами»)?

Тональность. Позитивная, нейтральная, негативная? Отдельно фиксируйте случаи, где тональность формируется на основе устаревших или частично неверных данных – это может быть не репутационная проблема в классическом смысле, а информационная, и решается она иначе.

Результат блока: список конкретных неточностей и пробелов, которые нужно закрыть, – основа для следующего этапа работы с цифровым следом бренда.

Блок 2. Аудит конкурентов

Вопрос блока: кто имеет над вами преимущество в тех же самых ответах, и почему именно они?

Для каждого запроса из таблицы, где конкурент был упомянут, а ваш бренд – нет (или появился ниже конкурента в ответе), откройте страницу конкурента, на которую сослалась система, и сравните её с вашим контентом по ключевым параметрам:

Есть ли ответ на основной вопрос в начале страницы.

Насколько понятно структурирована информация.

Используются ли блоки вопросов и ответов.

Присутствует ли необходимая техническая разметка.

Насколько легко системе извлечь из страницы конкретный факт или рекомендацию.

В подавляющем большинстве случаев вы обнаружите не тайную маркетинговую магию, а простое структурное преимущество: у конкурента ответ на конкретный вопрос вынесен в первый абзац раздела, а у вас – растворён в середине текста. Это хорошая новость: такое преимущество устраняется работой с содержанием и структурой, а не требует полного пересмотра стратегии.

Результат блока: таблица «запрос → кто получает преимущество → почему (конкретная причина)» – прямой источник приоритетов для следующего этапа оптимизации сайта.

Блок 3. Аудит цитат

Вопрос блока: какие источники система считает авторитетными в вашей категории?

Просмотрите все ссылки на источники, приведённые в ответах из таблицы диагностики (не только там, где упомянут ваш бренд, – анализируйте категорию в целом). Составьте частотный список доменов: какие сайты система чаще всего использует как источники по вашей тематике.

Практический смысл этого блока – не абстрактная любознательность, а конкретная информация для внешней стратегии. Если система по вашей категории регулярно ссылается на определённые отраслевые издания, справочники или специализированные площадки, именно они должны стать приоритетом для внешней публикационной активности, а не произвольный список «известных СМИ».

Результат блока: ранжированный список из 10–15 доменов-источников, которые реально влияют на ответы ИИ в вашей категории.

Блок 4. Аудит источников (ваших собственных)

Вопрос блока: сколько у вас есть материалов, на которые система может опереться при формировании ответов, и в каком состоянии они находятся?

Составьте перечень всех материалов, которые потенциально могут использоваться как источники для ответов по темам из вашего набора промптов: страницы сайта, статьи в блоге, внешние публикации, профили на площадках.

По каждому материалу отметьте следующее:

Есть ли структура «сначала ответ, потом детали» (answer-first) – вынесен ли основной ответ в начало, понятна ли структура страницы, легко ли извлечь ключевую информацию.

Дата последнего обновления.

Наличие атрибутированного автора.

Наличие schema-разметки.

Результат блока: список материалов, отсортированный не по алфавиту и не по дате публикации, а по потенциальной ценности. В начале должны находиться материалы, которые закрывают запросы с наибольшим разрывом относительно конкурентов из Блока 2 и при этом ближе всего к готовности: требуют точечной доработки структуры, а не полного переписывания с нуля.

Блок 5. Аудит упоминаний (внешний цифровой след)

Вопрос блока: что о вашем бренде уже говорят за пределами собственного сайта – и достаточно ли этого для формирования доверия?

Здесь аудит выходит за пределы анализа ответов ИИ и требует отдельного исследования внешнего цифрового следа: сколько раз бренд упоминается на сторонних площадках (по названию, а не только через ссылку), насколько согласованы эти упоминания между собой (одинаково ли описывается компания, совпадают ли ключевые данные), присутствует ли бренд в Wikidata, сформирован ли Knowledge Panel и другие элементы цифровой идентичности.

Результат блока: оценка зрелости внешнего следа по трёхуровневой шкале:

Почти отсутствует – бренд редко встречается за пределами собственного сайта, данные фрагментарны.

Есть, но разрозненно и несогласованно – упоминания существуют, но описание компании и ключевая информация отличаются на разных площадках.

Системно выстроен – бренд имеет устойчивое присутствие, согласованные данные и понятные сигналы доверия для внешних систем.

Эта оценка определяет, с какого направления работы стоит начинать дальше.

Сведение аудита в приоритетный план

Пять блоков дают пять отдельных списков находок. Финальный шаг – объединить их в единый приоритетный план по простой матрице:

Ось X – ожидаемое влияние на видимость (высокое / среднее / низкое, на основе того, сколько запросов из вашего набора затрагивает проблема).

Ось Y – сложность исправления (низкая / средняя / высокая, на основе технических, ресурсных и организационных затрат).

Начинайте с квадранта «высокое влияние, низкая сложность» – почти всегда здесь находятся задачи с быстрым эффектом: структурные правки существующих страниц, устранение очевидных пробелов в информации, исправление конкретных неточностей в описании бренда.

Квадрант «высокое влияние, высокая сложность» обычно связан с системной работой над внешним цифровым следом, контентом и авторитетностью бренда. Такие задачи не стоит игнорировать – их просто нужно планировать отдельно, поскольку они требуют более длительного горизонта реализации.

Шаблон итогового отчёта аудита

Финальный документ аудита, который стоит подготовить по итогам этого этапа, должен закрывать пять пунктов:

Общий Citation Rate и разбивка по категориям запросов.

Топ-5 конкретных фактических неточностей в описании бренда (Блок 1).

Топ-5 запросов с наибольшим разрывом относительно конкурентов и конкретная структурная причина этого разрыва (Блок 2).

Приоритетный список из 10–15 доменов-источников для внешней стратегии (Блок 3).

Приоритизированный список действий по матрице «влияние / сложность».

Этот документ – не формальность для отчётности, а рабочий план действий. Он показывает, какие изменения способны дать максимальный эффект и в какой последовательности их стоит внедрять.

В следующей главе мы переходим к первому направлению работы – тому, как сделать сайт понятным для LLM на уровне конкретной структуры страниц.

От диагноза к первой правке

Аудит из предыдущей главы дал приоритетный список задач. Эта глава – первая практическая работа по его реализации: структурные изменения на уровне отдельных страниц, которые часто дают наибольший эффект при относительно небольших трудозатратах – тот самый квадрант «высокое влияние, низкая сложность» из матрицы приоритизации.

Здесь не будет повторения общей теории о том, как LLM извлекают и используют информацию из источников. Если коротко: системы лучше работают с контентом, где ключевой ответ вынесен в начало смыслового блока, сформулирован прямо и может использоваться отдельно от остального текста.

Дальше – только практика применения этого принципа: какие элементы страницы менять, в каком порядке и как проверять результат.

Структура страницы: разбор по элементам

Заголовок H1.

Должен буквально отражать вопрос, на который отвечает страница. Не «Наши услуги», а, например, «Сколько стоит [услуга] и от чего зависит цена».

Проверочный вопрос: если бы пользователь произнёс этот заголовок как вопрос вслух, звучал бы он естественно?

Первый абзац после каждого H2/H3.

Здесь применяется принцип answer-first: первое предложение должно содержать прямой ответ на вопрос пользователя, второе – уточнение, цифру, ограничение или источник данных.

Только после этого стоит переходить к развёрнутому объяснению, контексту и дополнительным деталям.

Пример неправильной подачи:

«Многие компании задаются вопросом о том, какой инструмент выбрать для управления проектами. На рынке существует множество решений, каждое из которых имеет свои особенности…»

Проблема такой подачи в том, что прямого ответа нет: пользователь получает вводное рассуждение вместо решения.

Пример правильной подачи:

«Для небольших команд до 10 человек часто подходят Битрикс24, Мегаплан или Kaiten: они позволяют вести задачи, коммуникацию и базовый учёт клиентов в одном пространстве. Для крупных команд со сложными процессами чаще выбирают Jira или другие специализированные системы управления разработкой.»

В этом варианте ответ появляется сразу: пользователь понимает основные варианты, а дальше может изучить детали, ограничения и критерии выбора.

Определения: отдельный, недооценённый элемент

Если ваша страница вводит специфический термин (название функции продукта, отраслевое понятие, аббревиатуру), дайте ему явное, отдельное определение – даже если человеку смысл понятен из контекста.

Для ИИ-систем изолированное определение упрощает извлечение информации: когда пользователь задаёт прямой вопрос «что такое [термин]», чётко сформулированный абзац с определением имеет больше шансов быть использованным как готовый ответ.

Рабочий формат: отдельный короткий абзац или врезка сразу после первого употребления термина:

[Термин] – это [определение в одном предложении].

[Одно предложение контекста: зачем это нужно читателю и где применяется.]

FAQ: практика составления, а не просто наличие блока

Наличие FAQ-блока само по себе ещё не создаёт эффекта. Важна конкретная реализация: какие вопросы выбраны, насколько естественно они сформулированы и насколько полезны ответы.

Рабочий алгоритм составления:

Возьмите реальные вопросы, а не придуманные маркетологом. Источники: запросы из диагностического набора промптов, история переписки отдела поддержки и продаж, комментарии пользователей, вопросы из социальных сетей и форумов.

Формулируйте вопрос так, как его задаёт пользователь. Не «Условия международной доставки», а «Сколько стоит доставка в Казахстан?» – первый вариант похож на внутренний заголовок компании, второй отражает реальное намерение пользователя.

Ответ должен быть самодостаточным. Проверка: вырежьте ответ из страницы и покажите его отдельно. Понятно ли, о чём идёт речь, без дополнительного контекста?

Технически реализуйте FAQ через FAQPage-разметку в формате JSON-LD. Разметка должна соответствовать видимому тексту на странице. Дублирование или расхождение между структурированными данными и реальным содержанием страницы снижает ценность такого подхода.

Глоссарий: это полезно не только для сложных ниш

Отдельная страница-глоссарий – недооценённый инструмент даже за пределами технических или юридических ниш. Логика здесь такая же, как с отдельными определениями внутри статей, но в масштабе всего сайта: единая страница, где собраны определения специфичных для вашей категории терминов, создаёт дополнительный структурированный источник информации для ИИ-систем при ответах на вопросы вида «что означает [термин]».

Практический совет: не создавайте глоссарий с нуля искусственно. Соберите его из терминов, которые уже встречаются в вашем контенте, а также из понятий, которые реальные покупатели часто используют неправильно или путают между собой. Такие ошибки – частый источник вопросов в поддержке и продажах, поэтому эти данные стоит использовать при формировании списка терминов.

Практическое упражнение: аудит одной страницы за 15 минут

Возьмите одну приоритетную страницу из списка, составленного в предыдущей главе, и пройдите по короткому чек-листу:

☐ Заголовок H1 звучит как вопрос или явно отражает вопрос пользователя.

☐ Первые 1–2 предложения после каждого H2/H3 дают прямой ответ.

☐ Есть конкретные цифры, факты или даты с указанием источника, если они используются в аргументации.

☐ Специфические термины явно определены при первом употреблении.

☐ Есть FAQ-блок с реальными вопросами и самодостаточными ответами.

☐ Абзацы не перегружены и легко воспринимаются отдельными смысловыми блоками.

☐ Материал можно мысленно разделить на самостоятельные фрагменты, каждый из которых отвечает на конкретный вопрос пользователя.

Отметьте невыполненные пункты – это ваш конкретный план правок для выбранной страницы. Повторите процесс для следующих страниц из приоритетного списка.

При объёме 5–10 приоритетных страниц такой аудит и подготовка плана изменений займут несколько часов сфокусированной работы – значительно меньше, чем полноценная переработка контента без предварительной диагностики.

В следующей главе мы перейдём на уровень глубже: от структуры страницы к самому содержанию – какие форматы контента чаще становятся источниками цитирования ИИ и как создавать материалы, которые удобно использовать в ответах.

Не «напишите статью на 3000 слов»

Классический бриф на контент годами звучал одинаково: «напишите экспертную статью на 2000–3000 слов по теме».

Для GEO/AI Visibility такой подход сам по себе не даёт результата. Большой объём текста не означает, что материал будет использован ИИ-системами. Важно не количество слов, а наличие внутри материала конкретных, самостоятельных фрагментов, которые содержат прямые ответы на вопросы пользователей и могут использоваться отдельно от остального текста.

Эта глава – набор конкретных, воспроизводимых приёмов создания контента, пригодного для цитирования ИИ, а не абстрактные советы «пишите качественно и экспертно».

Приём 1: блоки для цитирования –

планируйте их заранее, а не надейтесь, что получится само

Блоки для цитирования (они же «цитируемые блоки», они же «quotable block») – это абзац, спроектированный на этапе планирования материала как самостоятельная смысловая единица, содержащая прямой ответ на конкретный вопрос пользователя.

Это не просто удачный абзац, который случайно получился в процессе написания. Его задача – быть понятным и полезным даже без полного контекста статьи.

Практика планирования: прежде чем писать статью целиком, составьте список из 3–5 вопросов, на которые материал должен прямо ответить. Обычно эти вопросы становятся подзаголовками будущих разделов.

Под каждый вопрос заранее сформулируйте черновик прямого ответа в 1–2 предложениях. Это основа будущего блока для цитирования, вокруг которой затем строится полноценный раздел: добавляются объяснения, примеры, ограничения и дополнительные детали.

Пример рабочего процесса:

Тема статьи: «Как выбрать CRM для отдела продаж».

Возможные вопросы для цитируемых блоков:

«Сколько стоит внедрение CRM для команды из 10 человек?»

«Чем CRM отличается от Excel-таблицы для учёта клиентов?»

«Сколько времени занимает внедрение CRM?»

Сначала формулируются короткие прямые ответы на эти вопросы. Затем вокруг каждого ответа создаётся полноценный раздел с контекстом, примерами и практическими рекомендациями.

Приём 2: как писать определения, которые цитируют

Определение, пригодное для использования в ответах ИИ, отличается от обычного энциклопедического по одному важному признаку: оно должно быть самодостаточным вне контекста статьи и одновременно давать практическую пользу читателю.

Рабочая формула:

[Термин] – это [краткая суть в одном предложении, понятная без предварительного знания темы]. [Одно предложение о том, зачем это важно или в чём практическая разница].

Слабый вариант:

«CRM – это программное обеспечение для управления взаимоотношениями с клиентами».

Формально определение верное, но оно почти не помогает понять, как инструмент используется на практике и чем отличается от альтернатив.

Сильный вариант:

«CRM – это система, которая хранит всю историю общения с клиентом в одном месте и напоминает менеджеру о следующем шаге по сделке. В отличие от таблицы в Excel, CRM помогает не терять обращения, контролировать работу сотрудников и сохранять данные о клиентах независимо от изменений в команде».

Второй вариант не только объясняет термин, но и содержит дополнительные смысловые элементы: назначение, отличие от альтернативы и практическую ценность.

Приём 3: как давать цифры так, чтобы им доверяли

Голое утверждение без источника выглядит слабее даже тогда, когда сама цифра верная. Для GEO и AI Visibility важно не только наличие факта, но и возможность проверить его происхождение.