24 июля 2026 г. · Adweek
GEO для ИИ-поиска: как бренды попадают в ответы LLM
Вадим Барсов · Growth / Marketing / Adtech / LLM / ML · barsov-growth.ru
Источник: Adweek
Контекст
Поиск перестал быть только про синие ссылки. Всё чаще пользователь получает готовый ответ, собранный языковой моделью, — в чат-боте, в ИИ-сводке над выдачей, внутри ассистента. И этот ответ либо ссылается на ваш контент, либо нет. Отсюда родилась дисциплина GEO — Generative Engine Optimization, оптимизация под генеративные движки. По сути, это тот же SEO, только читатель у вас теперь машина, а не человек.
Материал ADWEEK описывает три смены мышления, которые нужны маркетологам, чтобы не выпасть из ответов ИИ. Мне интереснее не сами «мотивационные» тезисы, а цифры и механика под ними: что именно LLM берут в цитаты и почему структура данных теперь важнее красивой посадочной страницы.
Что произошло
Ключевые факты из источника, на которые стоит опереться:
- 86% ссылок в ответах ИИ приходят из источников, которыми управляет сам бренд — сайтов и карточек-листингов. То есть источник данных у вас в руках, это не сторонние площадки.
- Schema-разметка даёт +30% к цитируемости. Когда контент размечен машиночитаемо, LLM охотнее на него ссылается.
- Трафик из ИИ-поиска конвертируется в 5 раз лучше, чем из классического поиска (данные Superprompt в изложении источника). Пользователь приходит с уже сформированным намерением.
Логика простая. Человек, наткнувшись на неполную или кривую страницу, поморщится, но всё равно полистает сайт и, возможно, дойдёт до цели. Языковая модель так не делает — она просто не процитирует контент, который трудно интерпретировать или который размазан по десятку каналов. Нет структуры и единого источника правды — нет ссылки.
Отсюда рецепт источника: свести воедино данные из блога, баз знаний, отзывов, карточек товаров и FAQ, привести их к единому непротиворечивому виду и подать машинам как один авторитетный источник. Появляются и специализированные инструменты (в тексте упомянут Gist GEO), которые автоматизируют «рассказ о бренде» языковым моделям и отслеживают, где и как бренд всплывает в разных ИИ-движках.
Почему это важно
Угол здесь — данные и продуктовая аналитика, а не только реклама.
Первое: видимость теперь функция от структуры данных, а не от объёма контента. Раньше можно было залить сайт статьями и добирать длинный хвост запросов. Теперь LLM важнее, чтобы факты о вас были однозначными, машиночитаемыми и совпадали между источниками. Цена по товару в карточке, в блоге и в FAQ должна быть одна. Расхождения = недоверие модели = отсутствие цитаты.
Второе: воронка становится короче и качественнее. Если ИИ-трафик действительно конвертируется в разы лучше, это меняет юнит-экономику канала. Клик из ИИ-ответа — это человек, которому модель уже «пересказала» ваше предложение и сняла часть возражений. Для продуктовой аналитики это новый сегмент, который нужно уметь отделять в атрибуции: источники-referrer от ИИ-платформ, брендовые запросы после ИИ-сессий, поведение таких пользователей на сайте.
Третье: schema-разметка из технической гигиены превращается в фактор роста. +30% цитируемости — это не косметика, это прямой рычаг видимости. То, что раньше делали «чтобы Google красиво показывал сниппет», теперь работает как входной билет в ответы генеративных систем.
Как это читать из РФ
Перенос один в один не сработает — рынок ИИ-поиска в РФ устроен иначе, но направление то же.
Практические выводы для специалиста здесь:
- Ставку делать на отечественные ИИ-движки и ассистенты. Именно они формируют ответы для российской аудитории, и логика цитирования у них та же: структурированные, непротиворечивые, авторитетные данные. Стоит проверить, как ваш бренд выглядит в их ответах уже сейчас.
- Единый источник правды — базовая инфраструктурная задача. Разрозненные цены, устаревшие FAQ, противоречия между карточками и блогом — это не только UX-проблема, но и причина, по которой модель вас проигнорирует. Наведение порядка в данных о продукте окупается сразу в нескольких каналах.
- Schema.org и микроразметка почти бесплатны на входе. Это не требует новых команд и бюджетов — только дисциплины. С учётом эффекта +30% на цитируемость это одно из самых дешёвых улучшений видимости, что есть на рынке.
- Атрибуция ИИ-трафика — узкое место. В РФ-стеке аналитики нужно отдельно научиться размечать и отслеживать переходы и влияние ИИ-ассистентов. Иначе канал с лучшей конверсией останется невидимым в отчётах, и вы будете недооценивать его вклад.
- Риск концентрации. Как только видимость зависит от нескольких ИИ-платформ, любое изменение их алгоритмов или политики цитирования бьёт по трафику резче, чем изменения в классическом поиске. Диверсифицируйте источники и не отказывайтесь от прямых каналов.
Важная поправка: цифры вроде «в 5 раз лучше конверсия» — это данные конкретного исследования на зарубежных данных. Не переносите их в свою модель как факт. Померяйте на своём трафике, прежде чем закладывать в планы.
Что взять в работу
Минимальный план без лишнего пафоса:
- Проверьте, что модель отвечает про ваш бренд и продукт в популярных ИИ-ассистентах. Зафиксируйте пробелы и ошибки.
- Приведите к единому виду ключевые факты: цены, условия возврата, характеристики, контакты. Один источник, ноль противоречий между каналами.
- Внедрите schema-разметку на карточках товаров, FAQ и ключевых статьях. Начните с самого коммерчески значимого.
- Настройте отслеживание ИИ-трафика в аналитике и выделите его в отдельный сегмент воронки.
- Замеряйте регулярно. GEO, как и SEO, вознаграждает за последовательность, а не за разовый рывок.
Смысл сдвига простой: вы теперь обслуживаете и людей, и машины одновременно. Люди прощают беспорядок в данных, машины — нет.
Читайте также
Смежные материалы на сайте:
- ИИ в сельском хозяйстве: почему всё упирается в данные — Сельское хозяйство готово к ИИ, но его данные — нет. Разбираем, почему фундамент данных важнее модного сценари…
- ИИ и мышление: как не разучиться думать вместе с нейросетями — Исследователи HBR предупреждают: генеративный ИИ может ослаблять критическое мышление сотрудников. Разбираем, …
- ИИ в рекламе: гонка за пользой, а не за качеством — Рекламные агентства внедряют ИИ ради экономии на сотрудниках, а не ради повышения качества. Разбираем, почему …