GEO: как нейросети выбирают источники для ответа

Раньше эксперты боролись за топ-10 в поисковой выдаче. Теперь нейросеть формирует для каждого вопроса свой персональный топ-1 — и либо в нём есть вы, либо там оказывается конкурент. Разбор механизма, по которому языковые модели выбирают источники для ответа, и того, что реально меняется в подготовке контента.

GEO — это не замена SEO, а надстройка над ним

Если SEO — это борьба за клик в поисковой выдаче, то GEO (Generative Engine Optimization) — борьба за упоминание внутри самого ответа нейросети: ChatGPT, Perplexity, Gemini, Алисы и других. Важное уточнение, которое часто теряется в шумихе вокруг темы: по оценкам специалистов, попадание в ответ ИИ на 70–80% определяется классическими SEO-факторами — позициями в обычной выдаче, тематическим трастом, качеством текста. Оставшиеся 20–30% — это специфика именно под то, как устроен генеративный поиск. Иначе говоря, GEO не работает в отрыве от базовой технической и контентной гигиены сайта — это надстройка, а не отдельная параллельная дисциплина.

Как нейросеть формирует ответ: цепочка RAG и разбивка запроса

Механизм, по которому современные ИИ-системы отвечают на вопросы, опирающиеся на живые данные, устроен как последовательность из нескольких шагов, известная как RAG (Retrieval-Augmented Generation) в связке с разбивкой запроса на подзапросы — в отрасли этот приём называют query fan-out. Система:

1. разбивает исходный вопрос пользователя на несколько уточняющих подзапросов;
2. по каждому подзапросу ищет релевантные документы — обычно это верхние 5–20 позиций обычной поисковой выдачи;
3. из найденных страниц выделяет самые точные фрагменты текста — так называемые чанки;
4. собирает из этих чанков единый связный ответ и добавляет к нему указание источников.

Из этой механики следует практический вывод: нейросеть не читает страницу целиком в поисках «духа» материала — она вырезает конкретный применимый фрагмент. Значит, у текста должен быть фрагмент, который можно вытащить как самостоятельный, понятный ответ, не требующий чтения остального материала для контекста.

Что оценивает нейросеть при выборе источника

При отборе документов для ответа система ориентируется на несколько сигналов одновременно:

• Тематический авторитет. Если ресурс годами системно пишет на одну и ту же узкую тему и его при этом цитируют другие, вес в этой теме выше.
• Формат ответа. Завершённая мысль в начале абзаца, без долгих вступлений «в современном мире» — модель предпочитает материал, где суть не нужно долго искать.
• Структура. Заголовки, списки, таблицы, чёткие определения терминов — то, что упрощает выделение чанка.
• Точность и свежесть данных. Если факт на сайте не подтверждается больше нигде, доверие к нему снижается — модель сверяет источники между собой.
• Экспертность автора. Указание, кто автор, какая у него методология, есть ли ссылки на данные и первоисточники.

Отдельный нюанс — разные нейросети по-разному расставляют приоритеты между источниками. Perplexity заметно тяготеет к живым обсуждениям — форумам вроде Reddit, X (Twitter), Medium и подобным площадкам. ChatGPT больше опирается на устоявшийся экспертный контент — по типу энциклопедических источников. Google AI стремится к балансу между профессиональным контентом и социальными обсуждениями. Эта разница напрямую влияет на выбор площадок для внешних публикаций, если цель — попасть в ответы конкретной системы, а не всех сразу.

Четыре практических шага

Шаг 1. Узкая тема вместо широкого охвата. Системная работа над одной конкретной подтемой авторитетнее, чем набор абстрактных материалов уровня «10 советов маркетологу». Узость в данном случае буквально равна авторитету в глазах модели.

Шаг 2. Ответ одним абзацем. Первое предложение материала должно сразу содержать суть без разгона — по формуле «вопрос равно ответ»: если человек спрашивает, что такое конкретное явление, первый абзац должен дать прямой ответ, а расшифровка и детали идут уже после.

Шаг 3. Жёсткая структура. Обязательны заголовки H2/H3, списки, таблицы, выделенные термины — особенно если материал отвечает на вопросы формата «как», «сколько», «можно ли».

Шаг 4. Публикации за пределами своей площадки. Размещение на внешних отраслевых ресурсах с давней историей и высоким трастом усиливает доверие нейросети к теме и автору сильнее, чем публикации только на собственном сайте.

К этому стоит добавить постоянную работу с датами: указывать дату обновления материала и следить, чтобы цифры и факты не расходились между разными публикациями одного автора. Модель сверяет источники между собой, и обнаруженное расхождение снижает доверие ко всем материалам сразу, а не только к тому, где ошибка.

Быстрый аудит собственной видимости

• Спросите у ChatGPT, Алисы или Gemini, кто эксперт по вашей теме, и проверьте, упоминают ли вас.
• Откройте последнюю опубликованную статью и оцените: можно ли вытащить готовый ответ одним абзацем, не вчитываясь в материал целиком.
• Проверьте структуру: есть ли заголовки, списки, чёткие определения — или это сплошной текст без разметки.
• Проверьте, есть ли упоминания вашего имени на внешних площадках.
• Сверьте даты в материалах — нет ли фактов, которые устарели и требуют актуализации.
• Убедитесь, что каждая статья подписана именем автора.

Если хотя бы половины из этого списка пока нет — это не повод для тревоги, а показатель того, что у большинства конкурентов в нише ситуация точно такая же: пространство для роста остаётся открытым именно потому, что почти никто этим системно не занимается.

Репутация как часть GEO

Отдельная плоскость, которую нейросеть учитывает при формировании мнения о компании или бренде, — это внешние источники репутации не меньше, чем собственный сайт: отзывы (в том числе на картах и агрегаторах), карточки компаний в каталогах, отраслевые СМИ, рейтинги и сравнительные обзоры. Если в этих источниках преобладает недостоверная или устаревшая информация, модель воспроизведёт её в ответе про вашу компанию так же, как воспроизвела бы фактическую ошибку с сайта. Управление негативными отзывами в этой логике становится частью GEO-работы, а не отдельной задачей репутационного менеджмента: закрыть пару необоснованных негативных отзывов на профильной площадке зачастую проще и надёжнее, чем пытаться перебить их количеством положительных.