GEO-оптимизация: как попасть в ответы нейросетей, а не только в поиск

Раньше маршрут пользователя выглядел так: запрос → список ссылок → переход на сайт. Сегодня для части запросов маршрут короче: запрос → готовый ответ ассистента, собранный из нескольких источников, со ссылками на них. Пользователь читает ответ, а на сайт заходит, только если хочет деталей или конкретного действия.

Для бизнеса это означает две вещи. Плохая: часть информационного трафика не дойдёт до сайта — на простые вопросы ответят без вас. Хорошая: попадание в ответ ассистента работает как рекомендация, а не как позиция в списке, и приводит людей, уже прошедших первичный отбор. Отсюда и задача GEO — быть тем источником, которого процитируют.

Главное различие в единице результата. В SEO единица — страница в выдаче: цель занять место в списке и получить клик. В GEO единица — фрагмент: цель, чтобы конкретный абзац или тезис попал в сгенерированный ответ, а на источник поставили ссылку. Оптимизируют, соответственно, разные вещи: там — релевантность страницы запросу, здесь — самодостаточность и проверяемость отдельных кусков текста.

При этом GEO стоит на SEO, а не вместо него. Современные ассистенты отвечают на актуальные вопросы не «из головы», а подтягивая свежие источники через поиск. Если страница не индексируется, закрыта скриптами или не ранжируется по теме, в набор кандидатов на цитирование она не попадёт вовсе. Практический вывод: сначала база — индексация, скорость, структура, — потом надстройка.

• SEO борется за позицию страницы, GEO — за цитирование фрагмента внутри ответа.
• Ассистент берёт кандидатов преимущественно из поисковой выдачи: нет индексации — нет цитирования.
• Клик перестаёт быть единственной целью: упоминание бренда в ответе тоже результат, хоть и хуже измеряется.
• Выигрывают материалы, из которых легко достать готовый кусок ответа, а не «раскрыть тему за 10 экранов».

Модель, собирая ответ, выбирает фрагменты, которые можно вставить почти без переработки: короткие, конкретные, с явным определением или числом. Поэтому первый приём — отвечать сразу. Если статья начинается с абзаца, который прямо отвечает на вопрос заголовка, у неё резко больше шансов быть процитированной, чем у текста с разгоном на три абзаца «в современном мире бизнеса».

Второй приём — структура, повторяющая форму вопросов. Заголовки, сформулированные как вопросы пользователя, блок «коротко о главном» с самодостаточными тезисами, раздел FAQ, где каждый ответ понятен в отрыве от остального текста, — всё это готовые кирпичи для генеративного ответа. Третий приём — фактура, которой больше нигде нет: собственные данные, цены, ограничения, честно названные минусы. Пересказ общеизвестного цитировать незачем — такой текст модель и без вас сгенерирует.

• Ответ-первым: первый абзац отвечает на вопрос заголовка без разгона.
• Явные определения: «X — это Y, который делает Z» — формулировка, которую удобно процитировать целиком.
• Самодостаточные тезисы: блок с выводами, понятный без чтения всей статьи.
• FAQ вопросами живого языка — ровно так, как их задают ассистенту.
• Своя фактура: цифры, условия, ограничения и минусы, которых нет в чужих пересказах.
• Актуальность: дата обновления и свежие данные — устаревший материал реже попадает в ответ.

Краулеры ассистентов заходят на страницу так же, как поисковые роботы, и часто не исполняют тяжёлый JavaScript. Если контент дорисовывается скриптами в браузере, робот увидит пустую страницу — цитировать будет нечего. Отсюда требование: значимый текст должен приходить в HTML сразу, серверным рендерингом. Это же требование давно предъявляет SEO — что удобно, база одна.

Дальше — то, что помогает машине понять смысл: разметка Schema.org (Article, FAQPage, Product, Organization, BreadcrumbList), аккуратная иерархия заголовков, осмысленные title и description, sitemap. Отдельный пункт — robots.txt: у ассистентов есть собственные user-agent, и если вы закрыли их доступ (иногда это делают по умолчанию, «чтобы не воровали контент»), рассчитывать на цитирование не приходится. Это осознанный выбор: либо контент защищён от сбора, либо участвует в генеративных ответах.

• Серверный рендеринг: текст в исходном HTML, а не только после исполнения скриптов.
• Schema.org в JSON-LD: Article, FAQPage, Product, Organization, BreadcrumbList.
• Чистая структура: один H1, логичные подзаголовки, короткие абзацы, списки.
• robots.txt: решите осознанно, пускаете ли вы краулеров ИИ-сервисов.
• Скорость и мобильная вёрстка — та же база, что и для обычного поиска.

Ассистент собирает ответ не только из вашего сайта. Когда речь заходит о выборе подрядчика или сервиса, в ход идут отзывы, каталоги, профильные площадки, обсуждения, статьи в отраслевых изданиях. Если о компании нигде, кроме собственного лендинга, не написано, у модели нет оснований считать её значимой в теме — и в ответ она не попадёт.

Отсюда практическая часть работы: единообразное описание компании и услуг везде, где она представлена (одно название, одна формулировка, одни контакты), присутствие в отраслевых каталогах и на площадках вроде профильных изданий, реальные отзывы клиентов, экспертные материалы за подписью компании. Это не «закупка упоминаний»: важна согласованность и достоверность, а не количество.

Честная часть: привычной аналитики по GEO пока нет. Ассистент не отдаёт «позицию», а часть ответов вообще не приводит к переходу — человек прочитал и пошёл дальше. Поэтому измерение строится из косвенных сигналов, которые нужно собирать вручную и регулярно.

Первый источник — прямая проверка: раз в месяц задавайте ассистентам 10–20 вопросов, по которым вы хотите быть в ответе, и фиксируйте, кого они цитируют. Второй — реферальный трафик с доменов ИИ-сервисов в системах аналитики: он обычно небольшой, но заметно конверсионный. Третий — брендовые запросы: рост числа людей, ищущих вас по названию, часто и есть отложенный эффект упоминаний в ответах. Ставить KPI «быть в ответе по всем запросам» бессмысленно; разумная цель — попадать в ответы по ключевым вопросам своей ниши и наблюдать динамику.

• Ручной мониторинг: фиксированный список вопросов, регулярная проверка, кого цитируют.
• Реферальный трафик с доменов ИИ-сервисов — отдельным сегментом в аналитике.
• Динамика брендовых запросов как косвенный признак упоминаний.
• Конверсия такого трафика: оценивайте не объём, а качество заявок.