AI-поиск работает через подбор, чтение и сбор ответа из разных источников. OpenAI прямо описывает ChatGPT Search как поиск с быстрыми ответами и ссылками на веб-источники, но точная логика выбора источников не раскрывается полностью.
Google тоже описывает AI Overviews как краткий ответ с ссылками для дальнейшего изучения, но не даёт владельцам сайтов простой формулы попадания в эти блоки.
Поэтому фраза "Микроразметка увеличивает шанс цитирования в 3 раза" почти всегда вызывает дополнительные вопросы: где проверяли, как долго, на каких запросах, в какой нише и тд.
В SEO многое тоже нельзя назвать до конца прозрачным. Но там хотя бы есть более привычные точки замера: позиции, клики, индексация, ссылки, CTR, поведение страниц в выдаче.
С AI-ответами всё сложнее.
Если мы говорим про обратные ссылки, их можно проверить. Ссылка либо есть, либо её нет. Если мы говорим про страницу в поиске, можно посмотреть, есть ли она в индексе, какие запросы ведут трафик, какие позиции меняются.
А с AI-цитированием всё гораздо менее стабильно. Один и тот же вопрос может дать разные источники при повторной проверке. Сегодня страница попала в ответ, через несколько дней её уже нет. На одном сервисе сайт цитируется, на другом вообще не появляется. Даже внутри одной платформы результат может меняться.
Несмотря на шум вокруг GEO, часть советов выглядит вполне адекватно. И почти все они давно знакомы из классического SEO.
1. Отвечать на реальные вопросы. Не писать "текст ради текста", а давать понятный ответ на то, что человек правда спрашивает.
2. Cтавить ответ ближе к началу страницы. Если AI-система берёт страницу как источник, ей проще вытащить ясный фрагмент, где вопрос и ответ не спрятаны глубоко в тексте.
3. Давать факты, цифры, примеры, даты, условия, ограничения. Нейросети чаще ссылаются на страницы, где есть плотный смысл, а не общие фразы.
4. Усиливать доверие к сайту: автор, опыт, документы, кейсы, отзывы, ясные контакты, нормальная структура сайта, живые страницы услуг и статей. Это не даёт гарантии цитирования, но повышает шанс, что сайт будет выглядеть как хороший источник.
И это совпадает с официальной позицией Google: для AI-функций важен тот же базовый подход, что и для поиска - это полезный контент для людей, доступность страниц для поисковых роботов, нормальные сниппеты, качественные изображения и видео, а также корректная разметка там, где она уместна.
В личку мне нападало много вопросов на эту тему за последнее время. И так, давайте разберемся в первопричинах бума на GEO.
Компании почувствовали деньги в AI и теперь хотят быть видимыми в ответах нейросетей.
Маркетологи тоже почувствовали деньги, но уже в страхе этих компаний. Поэтому многие спешат назвать себя GEO-экспертами.
И тут начинается самое интересное.
Не так важно, работают ли их GEO-тактики на самом деле. Важно, можно ли убедить клиента, что они работают. Если вышло, то за это уже можно брать деньги.
Именно поэтому все так любят изучать и цитировать данные по ссылкам в LLM-ответах. Это удобный способ показать свою экспертность.
Берётся исследование, где проверили тысячи AI-ответов. Потом из этих данных делается красивый вывод: вот такие сайты нейросети цитируют чаще, вот такая структура работает лучше, вот такие блоки дают рост.
На бумаге звучит сильно. Метод как будто подкреплён данными.
Но проблема в том, что такие данные очень легко подать под нужным углом.
Можно взять свои запросы, свой период, свою нишу, свою выборку и получить вывод, который хорошо продаётся. А потом добавить важную фразу: "в нашем тесте, на наших запросах, за выбранный период мы увидели такую связь".
Формально всё честно. Но превращать это в универсальное правило уже нельзя.
Главная ошибка многих GEO-исследований в том, что они смешивают слишком разные вещи.
Например: медицина, юриспруденция, товары, локальные услуги - это тоже разные ниши. В одной теме AI будет сильнее тянуться к официальным источникам. В другой - к обзорам, сравнениям и статьям. В третьей - к форумам, отзывам и личному опыту.
Поэтому общий вывод в стиле "нейросети чаще цитируют страницы с такой структурой" может звучать красиво, но быть слабым на практике.
Для GEO важно смотреть не просто на цифры, а на контекст: какой был запрос, какая ниша, какой тип ответа, какие источники уже попадают в AI-выдачу и почему именно они.
Работать с AI-видимостью нужно. Но не стоит верить каждому, кто пришёл с графиком и сказал: "Мы нашли 100% формулу попадания в нейросети".
Скорее всего, он нашёл не формулу, а удобный способ продать услугу.