Продвижение сайтов в ИИ-поиске (GEO/AEO): руководство по оптимизации под Google, Яндекс, ChatGPT и Perplexity

Вводный теоретический блок

1. Базовые понятия и актуальность

Что такое AI-Search (Поиск на базе ИИ)

• Суть технологии: Это современная модель поиска, при которой традиционные поисковые системы интегрируют большие языковые модели (LLM) непосредственно в выдачу для понимания сложных намерений пользователя.
• Как это выглядит: Вместо стандартного списка синих ссылок поисковик одновременно проводит десятки скрытых под-запросов, анализирует контент сотен сайтов и самостоятельно синтезирует единый структурированный ответ прямо на странице выдачи.
• Примеры платформ: Главными игроками здесь являются Google AI Overviews (ранее SGE), Google AI Mode на базе Gemini, а также Яндекс Нейро.

Что такое AEO (Answer Engine Optimization — Оптимизация под движки ответов)

• Суть технологии: Это комплекс мер, направленный на то, чтобы контент твоего сайта становился главным первоисточником ответов для специализированных диалоговых систем.
• Главная цель: Смещение фокуса со стратегии «занять топ-1 и получить клик» на стратегию «быть самим ответом». Сайт оптимизируется так, чтобы ИИ-ассистенты выбирали его контент для цитирования, озвучивания голосом или вывода в текстовом саммари.
• Примеры платформ: Оптимизация под ChatGPT Search (SearchGPT), Perplexity AI, Claude, Bing Copilot и голосовые помощники (Siri, Alexa).

Что такое GEO (Generative Engine Optimization — Оптимизация для генеративных движков)

• Суть технологии:Суть технологии: Это наиболее молодая и техническая ветвь SEO, изучающая алгоритмы RAG (Retrieval-Augmented Generation — генерация, дополненная поиском). Она определяет, по каким критериям LLM выбирает и оценивает веб-страницы перед тем, как включить их в свой контекст.
• Главная цель: Внедрение в текстовый и технический слой сайта специфических триггеров (авторитетные источники, точные цифры, цитаты экспертов), которые заставляют алгоритмы ИИ доверять контенту и повышают вероятность упоминания бренда.

Зачем ИИ-оптимизация нужна коммерческому бизнесу

• Борьба с Zero-Click выдачей: Около 69% поисковых сессий теперь завершаются без клика по ссылкам, так как пользователи получают всю информацию из ИИ-ответов прямо на поиске. Чтобы бренд оставался видимым, он обязан присутствовать внутри этого ответа.
• Смена потребительского поведения: Около половины пользователей используют ИИ-поиск как основной инструмент для поиска товаров, сравнения цен и выбора услуг, принимая решения на основе рекомендаций чат-ботов.
• Сверхвысокое качество ИИ-трафика: Пользователи, которые все-таки кликают по ссылкам-цитатам в ИИ-блоках, имеют глубокий коммерческий интент. Они просматривают больше страниц и имеют значительно меньший показатель отказов, так как базовый прогрев они уже прошли внутри диалога с ИИ.

2. Большие языковые модели (LLM) как ядро нового поиска

Большие языковые модели (Large Language Models, LLM) — это продвинутые алгоритмы искусственного интеллекта на базе нейросетевой архитектуры Transformer. Они обучены на колоссальных массивах текстовой информации для симуляции человеческого мышления при анализе, понимании и генерации естественного языка.

• Принцип вероятностного прогнозирования: Внутри LLM нет «понимания» мира в человеческом смысле. Модель работает как сверхсложная система предсказания: получая на вход текст, она математически рассчитывает вероятность и поочередно генерирует наиболее логичное следующее слово (токен).
• Векторные эмбеддинги вместо ключевых слов: Классический поиск сопоставлял буквы в запросе с буквами на сайте. LLM переводят слова и фразы в многомерные математические векторы (эмбеддинги). Если два понятия близки по смыслу (например, «прототип страницы» и «структурный набросок сайта»), в векторном пространстве они находятся рядом. Это позволяет ИИ понимать истинное намерение пользователя, игнорируя точные формулировки ключей.
• Контекстное окно и связность: Модели обладают памятью внутри одной сессии (контекстным окном). Они способны анализировать огромные массивы данных одновременно, связывая цепочки уточняющих вопросов в единый логический диалог.
• Технология RAG (Retrieval-Augmented Generation): Сама по себе LLM ограничена датой окончания обучения. Чтобы решить это в ИИ-поиске, применяется метод RAG (генерация, дополненная поиском). При запросе поисковый робот мгновенно находит свежие страницы в веб-индексе, загружает их текстовое содержимое в контекстное окно LLM, и на основе этих данных модель генерирует точный ответ со ссылками на первоисточники.

Зачем это знать SEO-специалисту: Наша задача — создавать контент, который нейросеть сможет легко прочитать, векторизовать и посчитать максимально авторитетным для включения в свой финальный ответ через систему RAG. Мы оптимизируем сайт не под плотность ключевых слов, а под стандарты логики и связности языковых моделей.

3. Специфика современных генеративных движков

Каждая поисковая ИИ-система имеет свои уникальные особенности алгоритмов, которые необходимо учитывать при продвижении.

Официальные стандарты Google Search Central

• База на классическом ранжировании: Функции Google AI Overviews и AI Mode полностью опираются на основные системы ранжирования и качества классического поиска. Если страницы нет в стандартном индексе, ИИ ее не увидит.
• Механика Query Fan-out (Веерные запросы): Модель автоматически генерирует серию сопутствующих под-запросов для сбора максимума информации по теме. Посадочная страница должна закрывать этот веер под-вопросов целиком.
• Официальное развенчание мифов: Google заявляет, что полностью игнорирует файлы llms.txt, не требует искусственной нарезки контента на мелкие «чанки», а создание сотен страниц под мелкие вариации ИИ-ключей карается фильтрами за спам (scaled content abuse). Требуется уникальный экспертный контент для людей (Non-commodity).

Особенности Яндекс Нейро

• Жесткая привязка к коммерческим факторам: Яндекс агрессивнее зарубежных систем оценивает и вытягивает из сайтов конкретные коммерческие триггеры — точные цены (в формате «от...»), скидки, регионы и условия доставки.
• LSI и структура: Система крайне чувствительна к плотности сопутствующих тематических понятий и блокам технических характеристик. Ей важна четкая структура данных ближе к началу страницы.
• Зависимость от экосистемы: Яндекс Нейро активно черпает и перепроверяет данные из внутренних баз — Яндекс Бизнеса, Яндекс Маркета и Яндекс Товаров.

Требования Perplexity AI и ChatGPT Search

• Работа в реальном времени: Эти системы являются чистыми движками ответов (Answer Engines). Они не имеют исторического индекса масштаба Google и парсят топ выдачи (Google/Bing) прямо в момент сессии пользователя.
• Критичность тайм-аутов: Роботы этих систем (PerplexityBot, OAI-SearchBot) запрашивают данные с жестким ограничением по времени (до 1 секунды). Медленные сайты мгновенно выбрасываются из генерации.
• Восприятие Markdown и файлов разметки: В отличие от Google, эти ИИ-платформы отлично считывают файлы llm.txt в корне сайта для экономии токенов и отдают наивысший приоритет четким спискам и Markdown-таблицам в коде.

Практический блок реализации (Задачи)

Блок 1. Технический каркас сайта для ИИ-систем

Задача 1.1. Обеспечение доступности и управление краулерами

В эпоху GEO и AI-Search классического деления роботов на Googlebot и YandexBot критически недостаточно. Чтобы сайт получал генеративный трафик и при этом не ложился под дикой нагрузкой от парсеров, необходимо выстроить жесткую систему фильтрации и приоритизации краулеров.

Ниже представлена детальная техническая инструкция по настройке серверного доступа.

1. Классификация и приоритизация ИИ-роботов

• OAI-SearchBot (Search RAG): Специализированный поисковый бот OpenAI для ChatGPT Search. Он сканирует страницы под живые запросы пользователей в реальном времени. Блокировать его категорически нельзя, если нужен коммерческий трафик.
• PerplexityBot (Search RAG): Робот поисковой системы Perplexity AI. Работает молниеносно, парсит топ выдачи под контекст диалога. Требует максимального приоритета и минимального пинга.
• GPTBot (Training): Основной сборщик данных OpenAI для обучения будущих моделей (GPT-5 и далее). Трафика в моменте не дает, но индексирует сайт «на перспективу».
• ClaudeBot (Training): Робот компании Anthropic для обучения моделей семейства Claude.
• Applebot-Extended (Training/RAG):Applebot-Extended (Training/RAG): Бот от Apple, собирающий данные для Apple Intelligence.
• Google-Extended (Токен управления): Это не отдельный робот, а специальный идентификатор для Googlebot. Позволяет запретить Google использовать контент для обучения Gemini, сохраняя при этом присутствие сайта в классической выдаче и блоках AI Overviews.
• YandexAdditional (Search RAG/Training): Используется Яндексом для парсинга и обогащения ответов, в том числе для нейросетевых алгоритмов в «Яндекс Нейро».

2. Эталонная конфигурация файла robots.txt

Для мультиканального GEO мы открываем двери поисковым ИИ-ботам, зажимаем по скорости обучающих роботов и сохраняем классическое SEO.

Скопируй эту конфигурацию в свой файл проекта:

3. Настройка WAF и Cloudflare без потери безопасности

Главная проблема технического SEO в GEO — ложные блокировки со стороны защитных экранов. Системы класса WAF (в первую очередь Cloudflare) видят сотни быстрых обращений от PerplexityBot или OAI-SearchBot и автоматически принимают их за парсинг или DDoS-атаку, выдавая ошибку 403 или капчу.

Пошаговый алгоритм настройки Cloudflare:

• Проверка встроенного переключателя AI Bots: В панели Cloudflare (Security -> Bots) есть тумблер "Block AI Bots". Если его активировать, Cloudflare заблокирует вообще всех ИИ-роботов по своей внутренней базе (включая полезных поисковых). Рекомендация: держать этот тумблер выключенным, а доступом управлять вручную через правила (WAF Rules).
• Создание правила исключения (WAF Bypass Rule): Зайди в Security -> WAF -> Custom Rules и создай правило, которое пропускает верифицированных поисковых роботов без проверок (Bypass/Skip).
• Конструктор правила (Expression Preview):
  Копировать (cf.client.bot) or (http.user_agent contains "OAI-SearchBot") or (http.user_agent contains "PerplexityBot")
• Выбор действия (Action): Для этого правила выставляется действие Skip (Пропустить) и выбираются все компоненты защиты (WAF Managed Rules, Rate Limiting, Managed Challenge). Это гарантирует, что живой поиск от ChatGPT и Perplexity не наткнется на стену защиты.

4. Верификация и логирование: как контролировать проход ботов

После настройки необходимо убедиться, что сервер реально отдает код ИИ-системам, а не шлет их в скрытый отказ.

• Анализ серверных логов (Nginx/Apache): Раз в неделю необходимо парсить логи сервера на наличие User-Agent'ов OAI-SearchBot и PerplexityBot.
• Контроль HTTP-статусов: Все ответы сервера для этих ботов должны строго возвращать статус 200 OK. Если в логах проскакивают статусы 403 (Доступ запрещен) или 429 (Too Many Requests), значит, сервер или внешний брандмауэр всё ещё зажимает лимиты частоты запросов (Rate Limits).
• Контроль объема сканирования: Обрати внимание на размер переданного трафика (байты). Если бот запрашивает страницу, но объем переданных данных равен паре килобайт при реальном размере страницы в 150 Кб — бот видит пустую заглушку или заблокирован скриптами JS.

Задача 1.2. Оптимизация скорости и рендеринга (JavaScript SEO)

Специфика генеративного поиска заключается в том, что алгоритмы RAG (генерация, дополненная поиском) извлекают данные в режиме реального времени. Если классические поисковые роботы могут позволить себе поставить тяжелую страницу в очередь на рендеринг, то ИИ-поисковики работают в условиях жестких тайм-аутов. Если сайт не успевает отдать структурированный контент за доли секунды, он полностью исключается из цепочки формирования ИИ-ответа.

Ниже представлено подробное руководство по оптимизации рендеринга и скорости.

1. Понимание RAG-таймаутов и латентности (Скорость ответа)

• Критический порог времени (Timeouts): Для систем живого ИИ-поиска (например, Perplexity или ChatGPT Search) критическое время ожидания ответа от веб-страницы составляет в среднем до 1–1.5 секунд. Если за этот промежуток робот не смог полностью скачать текстовый слой, алгоритм берет данные с сайта конкурента.
• Оптимизация метрики TTFB (Time to First Byte): Время ответа сервера должно быть минимальным. Целевой показатель для GEO — до 200 мс. Достигается за счет настройки агрессивного кэширования на уровне сервера (Redis, Nginx FastCGI Cache) и чистки тяжелых SQL-запросов в CMS.
• Значение Core Web Vitals: Google официально связывает качество работы генеративных функций со своими базовыми системами оценки Page Experience. Метрики LCP (скорость отрисовки основного контента) и INP (отзывчивость интерфейса) должны находиться строго в зеленой зоне, чтобы поисковые скрипты могли мгновенно разбирать текстовое содержимое.
• Использование Edge-кэширования (CDN): Поскольку дата-центры многих зарубежных LLM-моделей физически находятся в США и Европе, критически важно использовать CDN (например, Cloudflare) для кэширования статического HTML-кода как можно ближе к серверам ИИ-систем, минимизируя сетевой пинг.

2. JavaScript SEO: Рендеринг контента для ИИ

• Проблема двух волн индексации: Классические роботы (Googlebot, YandexBot) умеют исполнять JavaScript. Однако они делают это в два этапа: сначала скачивают сырой HTML-код, а рендеринг JS откладывают на потом, когда освободятся вычислительные мощности. ИИ-боты сторонних систем часто вообще игнорируют клиентский JS для экономии ресурсов.
• Опасность Client-Side Rendering (CSR): Если коммерческий контент сайта (прайс-листы, таблицы характеристик, отзывы, структура заголовков) подгружается динамически через JS-фреймворки (React, Vue, Angular) на стороне браузера пользователя, ИИ-краулер увидит пустую страницу с техническими тегами. Нейросеть не сможет векторизовать эти данные и построить логические связи.
• Перевод сайта на SSR или Pre-rendering: Весь важный для продвижения текстовый контент должен отдаваться сервером сразу в виде готового HTML-кода при первом же GET-запросе.
  • Server-Side Rendering (SSR): Настройка генерации страниц на стороне сервера (Next.js для React, Nuxt.js для Vue).
  • Static Site Generation (SSG) / Pre-rendering: Идеальный вариант для GEO и прототипов коммерческих страниц. Сайт компилируется в статичные HTML-файлы, которые отдаются серверу мгновенно.
• Доступность данных в DOM-дереве: Коммерческая информация (особенно цены с формулировкой «от...») не должна требовать от робота совершения каких-либо действий — кликов, раскрытия табов, скролла или ожидания асинхронных AJAX-запросов. Все данные должны лежать в DOM-структуре изначально.

3. Оптимизация краулингового бюджета и борьба с дубликатами

• Растрата ресурсов на дубли (Crawl Budget): Наличие дубликатов страниц заставляет краулеров тратить лимиты сканирования впустую. Вместо индексации и векторизации новых полезных кейсов или коммерческих прототипов, боты ИИ будут раз за разом перебирать технический мусор.
• Методы жесткой deduplication (устранения дублей):
  • Тег Canonical: Наличие строгого тега <link rel="canonical" href="..." /> на каждой странице сайта. Это явно указывает ИИ-системам, какую именно версию текстового контента нужно использовать в качестве первоисточника (заземления данных в RAG).
  • 301-редиректы: Абсолютная склейка всех технических дублей зеркал (с www и без, http/https, страниц со слэшем на конце и без него).
  • Фильтрация параметров: GET-параметры фильтрации, сортировки и UTM-метки должны быть жестко закрыты от индексации в robots.txt или обрабатываться через canonical, чтобы роботы ИИ не плодили сотни одинаковых страниц с разным порядком товаров.
• Оптимизация обхода для крупных сайтов: Внедрение корректных HTTP-заголовков Last-Modified и ответов сервера 304 Not Modified. Если контент страницы не менялся с момента последнего визита ИИ-робота, сервер должен моментально вернуть статус 304, экономя время краулера и заставляя его перейти к изучению других страниц сайта.

4. Чек-лист верификации для SEO-специалиста

• Проверка через исходный код (Ctrl+U): Открой ключевые посадочные страницы сайта и проверь, присутствуют ли тексты, цены и блоки FAQ в сыром HTML-коде, когда JavaScript в браузере полностью отключен.
• Сканирование в Screaming Frog SEO Spider: Запусти технический аудит сайта в режиме сканирования "Text Only" (без включенного в настройках JS-рендеринга). Проверь вкладку Content, чтобы убедиться, что программа видит все тексты и заголовки коммерческих страниц.
• Тестирование скорости в Web Vitals: Проверь показатели доступности через инструменты Google PageSpeed Insights и Яндекс.Вебмастер. Убедись, что показатель времени ответа сервера (TTFB) находится стабильно в зеленой зоне.
• Проверка рендеринга в панелях веб-мастеров: Используй инструмент «Проверка URL» в Google Search Console и Яндекс.Вебмастере, изучая сохраненный код и скриншот страницы, которые видят роботы, на предмет скрытых или не подгрузившихся из-за скриптов блоков данных.

Задача 1.3. Создание специализированных файлов для нейросетей

По мере развития генеративного поиска возникла необходимость в создании легковесных текстовых карт сайтов, оптимизированных специально для быстрого чтения языковыми моделями. Этот стандарт получил название llm.txt (или llms.txt). Файл представляет собой текстовую выжимку структуры и сути сайта в формате Markdown, которая позволяет ИИ-агентам мгновенно улавливать контекст, экономя вычислительные ресурсы и токены.

Ниже представлена инструкция по созданию, заполнению и позиционированию этого файла.

1. Назначение файла и реальный статус в поисковых системах

• Официальная позиция Google: Компания официально заявила, что полностью игнорирует файлы llms.txt и аналогичный специализированный текстовый маркап. Наличие или отсутствие этого файла никак не влияет на ранжирование сайта в классическом поиске Google или в блоках AI Overviews.
• Статус в альтернативных ИИ-системах: Для независимых поисковых систем (Perplexity AI, ChatGPT Search) и автономных ИИ-агентов данный файл является важнейшим ориентиром. Когда робот альтернативной LLM заходит на сайт, ему выгоднее прочитать один чистый текстовый файл в корне, чем скачивать и очищать от кода сотни тяжелых HTML-страниц.
• GEO-эффект: Внедрение llm.txt — это селективный инструмент оптимизации. Мы используем его не для Google, а для максимизации видимости и точности цитирования бренда в экосистемах OpenAI, Anthropic и Perplexity.

2. Технические требования к файлу

• Размещение и форматирование: Файл должен быть создан в кодировке UTF-8, иметь расширение .txt и размещаться строго в корневом каталоге сайта. Допустимы два базовых URL-адреса: https://твойсайт.ру/llm.txt или https://твойсайт.ру/llms.txt.
• Языковой стандарт: Текст пишется на том языке, на котором функционирует бизнес и созданы основные посадочные страницы. Если сайт мультиязычный, в корневом файле даются ссылки на языковые версии (например, /en/llm.txt).
• Стиль подачи информации: Максимально плотный, декларативный текст без «воды», метафор и двусмысленностей. Языковые модели мыслят векторами и сущностями, поэтому информация должна подаваться в формате: «Сущность — Характеристика — Связь».

3. Эталонный шаблон структуры llm.txt для коммерческого проекта

Пример шаблона в качестве основы. Он адаптирован под структуру коммерческих страниц, фиксацию цен от стартовой точки и подтверждение авторитетности (E-E-A-T).

4. Расширенная версия: файл llm-full.txt

Если сайт крупный (интернет-магазин с категориями, большой контентный портал или многостраничный сервис лабораторных/медицинских услуг), базового файла llm.txt может не хватить. В таком случае применяется архитектура из двух файлов:

1. llm.txt — содержит только самую важную информацию, контакты и ссылки на ключевые разделы (как в шаблоне выше). В самом конце этого файла добавляется ссылка на расширенную версию.
2. llm-full.txt — детальный документ, в котором подробно расписывается специфика каждой отдельной услуги, полные технические характеристики товаров, развернутые текстовые резюме основных кейсов и подробные пошаговые инструкции (How-To).

5. Правила синхронизации и контроля

• Контроль точности данных: Все коммерческие показатели (особенно цены с формулировкой «от...») в файле llm.txt должны строго соответствовать информации на реальных страницах сайта. Если ИИ-бот обнаружит расхождение между данными в текстовом файле и фактическим HTML-кодом страницы при RAG-проверке, уровень доверия к источнику снизится, и сайт будет исключен из выдачи.
• Регулярность обновлений: Файл должен обновляться вручную или автоматически при каждом изменении прайс-листа, появлении новых стратегических услуг или смене ключевых контактных данных.
• Защита от сканирования: Ни в коем случае нельзя закрывать файл llm.txt в директивах robots.txt от тех ботов, под которые он создается (OAI-SearchBot, PerplexityBot). Он должен отдавать код 200 OK моментально.

Блок 2. Архитектура контента и семантика нового поколения

Задача 2.1. Переход от Keyword-таргетинга к Topic-таргетингу (Тематическая кластеризация и сущности)

В эру языковых моделей (LLM) классический подход к сбору семантического ядра, основанный на поиске точных ключевых фраз (Keyword-таргетинг), полностью теряет свою эффективность. Поисковые ИИ-системы работают на базе векторных эмбеддингов, что позволяет им глубоко понимать смысл, синонимы и контекст, даже если на странице нет точного буквенного совпадения с запросом пользователя.

Цель в этой задаче — перестроить процесс проектирования страниц с «оптимизации под слова» на «оптимизацию под темы и сущности».

1. Механика ИИ-анализа: почему ключи больше не главные

• Размытие точных вхождений: Продвинутые ИИ-системы ранжирования способны безошибочно определять релевантность посадочной страницы интенту пользователя без необходимости прямого спама ключевыми словами в тексте.
• Понятие «Сущности» (Entity): Для ИИ интернет состоит не из текстов, а из сущностей (люди, компании, услуги, концепции) и связей между ними. Задача SEO-специалиста — сделать так, чтобы страница максимально полно раскрывала главную сущность (например, «технический SEO-аудит») через сопутствующие LSI-сущности («сканирование», «логи сервера», «отклик TTFB», «рендеринг»).
• Работа с веерными запросами (Query Fan-out): Когда пользователь вводит один сложный или размытый вопрос, модель ИИ автоматически дробит его на несколько параллельных, связанных по смыслу под-запросов (веерных запросов), чтобы собрать исчерпывающую информацию из индекса.
  • Пример из практики: На исходный запрос пользователя «как запустить продвижение сайта самостоятельно», ИИ-система сформирует веер под-запросов:« базовый чек-лист технического SEO», «как собрать семантическое ядро», «сервисы для анализа конкурентов». Посадочная страница должна быть готова ответить на весь этот веер целиком, а не только на главный ключ.

2. Практическая технология Topic-Clustering (Тематические кластеры)

Вместо создания сотен мелких страниц под каждый микро-запрос (длинный хвост), мы переходим на архитектуру Hub and Spoke (Ступица и спицы), формируя контентные хабы.

• Pillar Page (Страница-хаб / Ступица): Это монументальная, глубокая посадочная страница (или прототип главной коммерческой страницы услуги), которая дает исчерпывающий, экспертный обзор широкой темы. Она оптимизируется под высокочастотную сущность.
• Spoke Pages (Страницы-сателлиты / Спицы): Это узкотематические статьи, кейсы или страницы под-услуг, которые детально разбирают конкретные аспекты из веера запросов.
• Архитектура перелинковки: Все страницы-сателлиты должны жестко ссылаться на основную страницу-хаб с использованием контекстных анкоров, а страница-хаб должна содержать логичные блоки ссылок на все сателлиты. Для ИИ-систем это главный маркер того, что ваш сайт обладает «Тематическим авторитетом» (Topical Authority) в данной нише.

3. Проектирование контента с учетом защиты от фильтров Google и Яндекса

• Отказ от семантического спама (Scaled Content Abuse): Создание огромного количества автоматизированных или полупустых страниц под мелкие текстовые вариации ключевых слов с целью манипуляции ИИ-выдачей является прямым нарушением правил поисковых систем. Такая стратегия неэффективна в долгосрочной перспективе, так как количество страниц не определяет их ценность для алгоритмов.
• Сбор семантики методом комбинаторики (Матричный метод): Мы собираем не список запросов из вордстата, а матрицу потребностей клиента.
  • Ось А (Что ищем): Сущность/Услуга (например, Имплантация зубов).
  • Ось Б (Специфика): Технология (All-on-4, базальная, лазерная).
  • Ось В (Коммерческий интент): Условия (от ... рублей, под ключ, рассрочка, в Москве).
• Группировка на основе интента: Все скомбинированные пересечения, которые закрываются одним и тем же ответом для пользователя, объединяются в рамки одной посадочной страницы. Мы не плодим страницы «Имплантация зубов недорого» и «Имплантация зубов цены» — для ИИ это одна коммерческая сущность.

4. Пошаговый алгоритм действий для внедрения задачи

1. Определение корневой сущности: Выдели главную коммерческую тему сайта или раздела.
2. Моделирование веера запросов (Fan-out): Используй ИИ (ChatGPT/Perplexity) для генерации списка смежных под-вопросов, которые возникают у клиента при изучении этой темы.
3. Проектирование структуры хаба: Разработай прототип страницы так, чтобы её контент (блоки, заголовки, таблицы) закрывал базовые ответы на все выявленные веерные под-запросы.
4. Проверка текстовой уникальности (Non-commodity): Убедись, что контент не копирует общеизвестные факты из интернета, а содержит реальные бизнес-метрики, цены «от...» и практические детали.

Задача 2.2. Изменение текстовой структуры под модель People-First и Answer-First

Эта задача — ядро контентной оптимизации. Здесь мы учимся уходить от штампованных «SEO-текстов из 2010-х» и выстраивать материал так, чтобы он мгновенно удовлетворял пользователя и одновременно идеально ложился в логику извлечения данных RAG-системами. Мы полностью опираемся на официальную позицию Google, но адаптируем её под реалии мультиканального GEO.

1. Официальное развенчание мифа о «чанкинге» (Нарезке контента)

• Суть заблуждения: На рынке существует мнение, что для ИИ-поиска нужно обязательно резать текст на изолированные микро-абзацы по 40–60 слов, так как нейросетям якобы сложно воспринимать длинные статьи.
• Реальность: Разработчики ИИ-систем (включая Google) официально опровергли это. Современные LLM-модели обладают огромным контекстным окном и глубоко понимают сложные взаимосвязи между несколькими темами в рамках одной большой страницы.
• Вывод для инструкции: Искусственно дробить и калечить текст под роботов не нужно. Страница должна быть цельной, глубокой и закрывать интент пользователя полностью. В приоритете — качество и исчерпываемость, а не фиксированная длина абзаца.

2. Принцип People-First (Контент для людей) как основа GEO

• Главный критерий ранжирования: Самый надежный способ закрепиться в ИИ-выдаче — создавать контент, после изучения которого живой человек закроет вкладку поиска, будучи полностью удовлетворенным. Если пользователь возвращается в поиск для уточнения — это сигнал для ИИ, что контент поверхностный.
• Борьба с «товарным» контентом (Commodity Content): Статьи, состоящие из банальных, общеизвестных фактов (например, «7 советов, как выбрать хостинг»), ИИ-системы будут безжалостно выкидывать из выдачи. Зачем боту цитировать ваш сайт, если базовую банальщину он может сгенерировать сам?
• Создание уникального контента (Non-commodity): Текст обязан содержать то, чего нет у ИИ в его базе обучения: личный практический опыт (first-hand experience), внутреннюю оцифрованную статистику компании, разбор конкретных коммерческих кейсов и цитаты практикующих экспертов.

3. Структурирование по модели Answer-First

Хотя ИИ и понимает длинные тексты, логика формирования быстрых ответов (AEO) требует определенной архитектуры страницы. Пользователь (и поисковый бот) должен находить суть мгновенно.

• Разговорные заголовки (H2/H3): Заголовки коммерческих блоков и разделов должны быть сформулированы емко и отражать реальные вопросы пользователей (прямой интент).
• Суть в первом абзаце (Inverted Pyramid): Прямо под заголовком дается концентрированный, точный ответ на вопрос без долгих вступлений, «воды» и лирических отступлений.
• Логика списков и таблиц: Любые перечисления характеристик, этапов работ или преимуществ должны быть оформлены маркированными списками, а сравнения — таблицами. ИИ-агенты и RAG-системы обожают структурированные сущности, так как их легче векторизовать.

4. Практический эталон структуры текстового блока для коммерческой страницы

При проектировании прототипа страницы используй эту схему для каждого информационного или коммерческого блока:

[Заголовок H2]: Как формируется стоимость продвижения сайта в ИИ-поиске?

[Первый абзац — Прямой ответ/Тезис]: Начальный бюджет на GEO-оптимизацию зависит от технического состояния сайта и объема контента. Минимальная стоимость комплексных работ в нашем агентстве составляет от X рублей. В эту сумму входит полная вычистка JavaScript SEO, разметка Core Web Vitals и создание текстовой архитектуры под RAG-системы.

[Второй блок — Детализация и доказательства (Списки/Таблицы)]: В базовый тариф гарантированно включены следующие задачи:

• Аудит и настройка доступов для роботов OAI-SearchBot и PerplexityBot.
• Развертывание серверного рендеринга (SSR) для динамических блоков.
• Насыщение коммерческих страниц уникальными данными (Information Gain).

[Третий блок — Экспертное обоснование (Личный опыт/Кейс)]: По нашему опыту ведения проектов в телеком-сфере, внедрение такой структуры позволяет поднять частоту цитирования бренда в ответах ChatGPT Search на 28–34% уже в первые два месяца после индексации.

Задача 2.3. Оптимизация визуальных, табличных данных и multimedia под ИИ-извлечение

Современные поисковые ИИ-движки (включая Google AI Overviews и Яндекс Нейро) являются мультимодальными. Это означает, что они оценивают веб-страницу комплексно: алгоритмы RAG не просто считывают сплошной текст, но и активно извлекают структурированные данные из таблиц, инфографики, схем и видеороликов для формирования итогового ответа. Внедрение структурированных медиаданных повышает вероятность цитирования сайта в генеративных блоках на 30–35%.

Ниже представлена детальная инструкция по оптимизации мультимедийного слоя страницы.

1. Почему таблицы и списки критичны для RAG-систем

• Прямая векторизация данных: Таблицы представляют собой готовую базу данных в формате «Сущность — Характеристика — Значение». Языковым моделям (LLM) не нужно тратить вычислительные ресурсы на извлечение смыслов из длинных предложений — они берут точные факты напрямую из ячеек.
• Приоритет при сравнительных интентах: Когда пользователь просит ИИ «сравни тарифы на продвижение» или «выбери лучший метод оптимизации», алгоритм поиска в первую очередь ищет на сайтах теги <table>. Сайты со сплошным текстовым описанием характеристик в 90% случаев проигрывают страницам с четкими сравнительными сетками.
• Фиксация цен для Яндекс Нейро: Российские ИИ-алгоритмы крайне чувствительны к коммерческим триггерам. В прайс-листах и таблицах цифры должны иметь формат начальной точки («от X рублей»), жестко привязанный к конкретному названию услуги в строке, что исключает расхождение данных при проверке цен ботами.

2. Технические стандарты верстки таблиц под требования ИИ

• Использование семантических тегов: Таблицы должны быть сверстаны строго через стандартные HTML-теги: <table>, <thead>, <tbody>, <tr>, <th>, <td>.
• Отказ от CSS-эрзацев: Категорически запрещено верстать таблицы через обычные блоки <div>, выровненные с помощью флексов (Flexbox) или гридов (CSS Grid). Классический браузер отобразит их нормально, но ИИ-парсеры сторонних систем (Perplexity, OpenAI) увидят несвязный набор текстовых строк и не смогут восстановить логику колонок.
• Запрет на текст в картинках: Таблицы стоимости, графики и списки характеристик нельзя размещать в виде скриншотов или готовых изображений. Весь текст внутри ячеек должен быть живым, доступным для копирования и текстового сканирования.

3. Оптимизация изображений и инфографики под мультимодальный поиск

• Уникальность графического контента: Google и Яндекс вычисляют хэш-суммы изображений. Стоковые картинки ИИ полностью игнорирует. В выдачу каруселей AI-Search попадает только уникальная графика: живые фотографии процесса работы, скриншоты интерфейсов, авторские схемы и инфографика.
• Оптимизация названий файлов: Имя файла должно быть понятным для робота и содержать транслит ключевой сущности страницы (наименование файла формата prototip-kommercheskoy-stranicy.webp вместо технического IMG_1093.jpg). Это помогает ИИ привязать картинку к контексту страницы еще до анализа кода.
• Заполнение атрибута Alt: Тег alt должен быть детальным описанием того, что изображено на картинке, составленным для человека (например, alt="Схема распределения веерных запросов в контентном хабе"). Спам ключевыми словами здесь приведет к пессимизации страницы за переоптимизацию.
• Подготовка под автономных ИИ-агентов (Browser Agents): Современные ИИ-агенты анализируют визуальные скриншоты страниц (Visual Render) вместе с деревом доступности (accessibility tree). Инфографика должна иметь высокую контрастность и четкие шрифты, чтобы OCR-алгоритмы моделей (вроде GPT-4o) могли безошибочно прочитать текст на картинке при автономном аудите сайта.

4. Оптимизация видеоконтента для ИИ-выдачи

• Тайм-коды и текстовые транскрипты: Чтобы ИИ мог сослаться на твое видео в ответе (например, дать ссылку на ролик с подписью «инструкция по настройке Cloudflare на 02:15 минуте»), под видеоплеером на сайте необходимо размещать текстовую расшифровку или детальный посекундный план (тайм-код).
• Внедрение Schema.org: Страница с видео должна быть размечена микроразметкой VideoObject с обязательным указанием полей name, description, thumbnailUrl, uploadDate и contentUrl.

5. Пошаговый алгоритм для разработки прототипа страницы

1. Проектирование сравнительной структуры: Внедрить в тело коммерческой страницы как минимум одну сводную таблицу (сравнение тарифов, характеристик или технологий).
2. Ликвидация стокового визуала: Заменить все шаблонные картинки-заглушки уникальными графическими элементами (авторские схемы процессов, инфографика, реальные скриншоты кейсов).
3. Дублирование смыслов: Проверить, чтобы все текстовые элементы внутри сложной графики дублировались обычным текстом в коде страницы или в развернутых атрибутах alt.
4. Семантическая проверка кода: Проверить через инспектор кода, что все списки и таблицы используют только валидные HTML-теги (<ul>, <li>, <table>), обеспечивая легкий разбор DOM-дерева роботами.

Блок 3. Микроразметка и семантическое обогащение кода

Задача 3.1. Внедрение тройного пакета Schema Markup (Triple Schema)

Для того чтобы поисковые ИИ-движки и автономные агенты могли безошибочно считывать логические связи, сущности и контекст страниц, стандартного HTML-кода часто бывает недостаточно. Микроразметка стандарта Schema.org выполняет роль жесткого семантического переводчика, превращая неструктурированный текст в структурированные данные (массивы JSON-LD), которые напрямую заземляют (grounding) алгоритмы RAG.

Ниже представлена сводная таблица тройного пакета разметки, который необходим для максимизации видимости контента в ИИ-выдаче.

Таблица 1. Пакет Triple Schema для информационных и гибридных страниц

Практические правила внедрения пакета Triple Schema

• Синхронизация JSON-LD с текстом: Весь контент, завернутый в код разметки JSON-LD, должен посимвольно совпадать с текстом, который видит реальный пользователь на странице. Любое расхождение (например, в коде FAQ прописана одна цена, а на сайте другая) воспринимается ИИ как манипуляция и приводит к исключению страницы из генерации ответов.
• Связывание сущностей через mainEntityOfPage: В коде разметки обязательно нужно явно указывать связи между сущностями. Страница статьи должна ссылаться на страницу автора, а схема FAQ — жестко привязываться к конкретному коммерческому хабу.

Задача 3.2. Разметка коммерческих данных и сущностей

Коммерческие ИИ-ассистенты и движки (особенно Яндекс Нейро и новые торговые агенты вроде ИИ-браузеров) оценивают надежность бизнеса по точности его коммерческих параметров. Разметка коммерческих сущностей позволяет передавать роботам точные триггеры конверсии в обход визуального рендеринга.

Таблица 2. Коммерческая микроразметка под требования мультимодальных ИИ-систем

Пошаговый алгоритм внедрения микроразметки для разработки прототипа

• Проектирование блоков под FAQ: На этапе создания текстового прототипа коммерческой страницы заложи блок из 3–4 частых, острых вопросов клиентов. Формулируй их как реальные поисковые интенты (например: «Входит ли вычистка JavaScript SEO в базовую стоимость продвижения?»).
• Внедрение микроразметки товаров и услуг: Сгенерируй код JSON-LD для сущности Product, где в поле offers укажи тип AggregateOffer. Пропиши минимальную цену с формулировкой «от...» и свяжи схему со страницей услуги.
• Проверка валидности в ИИ-валидаторах: * Проверь получившийся код через официальный Google Rich Results Test (Проверка расширенных сниппетов).
  • Проверь валидатор микроразметки в Яндекс.Вебмастере, чтобы убедиться, что Яндекс Нейро корректно распознает структуру цен и сущность организации.

Блок 4. Оптимизация факторов доверия (GEO-триггеры и E-E-A-T)

Задача 4.1. Максимизация показателя Information Gain (Добавочная ценность данных)

В традиционном SEO алгоритмы оценивали релевантность страницы по текстовым маркерам и ссылкам. В эру генеративных движков ключевой метрикой контента становится Information Gain (прирост информации). Модели ИИ спроектированы так, чтобы минимизировать избыточность: если страница просто рерайтит информацию, которая уже содержится в топ-10 выдачи, алгоритм RAG присваивает ей низкий приоритет и исключает из контекстного окна языковой модели.

Ниже приведены требования по насыщению контента GEO-триггерами для максимизации добавочной ценности.

1. Механика оценки Information Gain алгоритмами ИИ

• Сравнение векторов контента: Перед тем как включить страницу в генеративный ответ, ИИ сопоставляет векторное представление вашего текста с уже известными ему фактами из базы обучения и других сайтов в выдаче.
• Фильтрация тривиальных данных: Если математическая близость вашего текста к общеизвестным фактам составляет более 85–90%, контент распознается как «банальный» (commodity content) и отбрасывается.
• Поощрение уникальных сущностей: ИИ ищет в тексте маркеры уникальной информации — новые статистические данные, специфические отраслевые термины, оригинальные методологии и нестандартные комбинации фактов.

2. Внедрение GEO-триггеров доверия в текстовый слой

Чтобы заставить ИИ доверять контенту и цитировать сайт, текст коммерческих и информационных страниц должен быть насыщен специфическими триггерами.

Таблица 3. GEO-триггеры для повышения авторитетности контента в RAG-системах

3. Технический стандарт оформления доказательной базы

• Плотность фактов на объем текста: Оптимальный шаг для GEO-оптимизации — внедрение как минимум одного жесткого факта (цифра, статистика, ссылка на исследование) на каждые 150–200 слов текста.
• Форматирование списков цитирования: Если в тексте приводятся данные исследований, они должны оформляться маркированными списками с четким указанием первоисточника в теле предложения (например: «По данным ежегодного отчета [Название Института] за 2026 год...»).
• Коммерческая фиксация данных: Для коммерческих страниц в качестве триггеров выступают оцифрованные параметры услуг. Все ценовые маркеры должны быть привязаны к конкретным условиям и иметь формат начальной точки (например: «Разработка прототипа по модели AIDA — стоимость от X рублей, срок реализации от Y рабочих дней»).

Задача 4.2. Подтверждение авторитетности авторов и экспертизы бизнеса (E-E-A-T)

Языковые модели уязвимы для генерации ложной информации, поэтому алгоритмы ИИ-поиска жестко фильтруют контент по критериям E-E-A-T (Опыт, Экспертность, Авторитетность, Доверие). Если система не может подтвердить реальное существование автора текста или легитимность бизнеса, страница не попадет в ИИ-выдачу, особенно в YMYL-тематиках (финансы, медицина, юриспруденция, сложные коммерческие услуги).

1. Стратегия оптимизации профиля автора контента

• Создание изолированных страниц авторов: Каждый эксперт, пишущий материалы для сайта или выступающий лицом компании, должен иметь детальную персональную страницу на домене компании.
• Текстовое наполнение страницы автора:
  • Полные ФИО, актуальная должность и специализация.
  • Оцифрованный стаж работы в индустрии (например: «в интернет-маркетинге с 2011 года»).
  • Сканы дипломов, профессиональных сертификатов (например, официальные сертификаты Яндекс.Директ, дипломы профильных академий).
  • Ссылки на публикации автора на авторитетных внешних ресурсах и отраслевых площадках.
  • Ссылки на профильные социальные сети эксперта (LinkedIn, Хабр, Telegram-канал).

2. Кросс-платформенная верификация сущностей (Entity Matching)

• Как ИИ проверяет подлинность: Алгоритмы ИИ проводят перекрестную проверку данных. Они ищут упоминания имени автора и названия вашей компании на сторонних трастовых ресурсах, сопоставляя их в единый граф сущностей.
• Синхронизация данных: Информация на сайте должна строго совпадать с данными на внешних площадках (Digital PR). Если на сайте указано, что руководитель агентства имеет стаж 15 лет, а в его профиле на Habr или VC указано 5 лет — ИИ зафиксирует расхождение данных и снизит уровень доверия (Trustworthiness) к сайту.

3. Пошаговый алгоритм для внедрения в прототипы страниц

1. Проектирование экспертного блока в статьях: Внедрить в шаблон контентных страниц блок «Автор статьи» с мини-резюме, ссылкой на его полную страницу и кнопкой перехода на профильные соцсети.
2. Внедрение коммерческого блока доверия: На коммерческих страницах услуг (например, страница настройки контекстной рекламы) разместить блок с лицом конкретного ведущего специалиста, его номером сертификата и кратким кейсом-результатом.
3. Аудит внешнего текстового следа: Собрать единый список всех внешних профилей компании и авторов в сети, привести текстовые описания опыта, дат и регалий к абсолютному единообразию.

Блок 5. Внестраничная GEO-оптимизация (Digital PR)

Задача 5.1. Управление упоминаниями в независимых источниках и UGC-платформах

Если внутристраничная оптимизация (On-Page) подготавливает код и тексты сайта к RAG-анализу, то внестраничная GEO-оптимизация формирует репутационный контекст бренда в глобальном графе сущностей ИИ. Современные языковые модели обучаются не только на статических статьях, но и активно используют алгоритмы сентимент-анализа (оценки тональности) для анализа мнений реальных людей на независимых площадках.

Ниже представлена техническая инструкция по управлению внешним следом бренда.

1. Механика работы ИИ с внешними упоминаниями

• Соупоминание сущностей (Entity Co-occurrence): Алгоритмы ИИ связывают название вашей компании с конкретной тематикой на основе того, как часто они упоминаются рядом на авторитетных ресурсах. Если бренд «ХОЧУ САЙТ» регулярно встречается в контексте «разработка прототипов коммерческих страниц» или «вычистка JavaScript SEO», ИИ начинает рекомендовать компанию по этим кластерам интентов.
• Сентимент-анализ (Оценка тональности): Модели разлагают внешние текстовые отзывы на семантические составляющие, выявляя индекс удовлетворенности клиентов. Высокое количество негативных маркеров на внешних площадках приведет к тому, что ИИ уберет компанию из рекомендательных списков, даже если сайт имеет идеальный технический оптимизированный каркас.
• Фильтрация спама по правилам Google: Официальные алгоритмы Google жестко отслеживают и блокируют попытки манипулирования генеративными ответами через массовую закупку искусственных, неестественных упоминаний бренда на форумах. Внестраничный GEO-маркетинг должен строиться исключительно по правилам качественного Digital PR.

2. Стратегия присутствия на внешних площадках

Для создания устойчивого следа бренда в базах данных различных LLM (включая ChatGPT Search, Perplexity и Яндекс Нейро) необходимо диверсифицировать внешние источники.

Таблица 4. Карта внешних источников для GEO-оптимизации и Digital PR

3. Правила написания внешнего контента (Digital PR) для ИИ

• Отказ от коммерческих штампов: Внешние статьи и комментарии не должны выглядеть как прямая реклама. Текст должен строиться по модели решения проблемы: «Столкнулись с падением трафика из-за JS-рендеринга -> применили Server-Side Rendering -> получили рост цитируемости».
• Плотность именованных сущностей: Внутри внешних публикаций необходимо использовать точные названия инструментов (например, Screaming Frog, Cloudflare, KeyAssort). Это помогает ИИ точнее векторизовать контекст статьи и связать ваш бренд с профессиональной нишей.
• Разнообразие анкор-листа: Ссылки с внешних ресурсов на ваш сайт не должны быть переоптимизированы коммерческими ключами. Используйте безанкорные ссылки (URL сайта), брендовые анкоры или естественные фразы (например, «как указано в инструкции компании...»).

4. Пошаговый алгоритм внестраничной GEO-оптимизации

• Аудит текущего бренда в ИИ:Аудит текущего бренда в ИИ: Введи в Perplexity и ChatGPT Search прямые запросы: «Что известно о компании [Название]?» и «Какие отзывы о работе [Название]?». Зафиксируй, какие источники ИИ цитирует сейчас и какую тональность выдает.
• Заполнение локального слоя: Проверь и полностью заполни карточки в Яндекс Бизнесе и Google Business Profile. Убедись, что прайс-листы там начинаются с формулировки «от...» и соответствуют сайту.
• Развертывание контент-маркетинга на UGC: Сформируй план публикаций кейсов на VC.ru или Хабре. Каждая статья должна содержать уникальные графики, цифры и оцифрованные результаты (Information Gain).
• Органическая работа с репутацией (ORM): Внедри механику сбора отзывов от реальных клиентов, прося их указывать в тексте отзыва конкретную услугу, которую они заказывали (например, не просто «спасибо за работу», а «заказывали настройку Яндекс.Директ, снизили стоимость лида»).

Блок 6. Аналитика и контроль KPI нового поиска

Задача 6.1. Отслеживание новых метрик (AI Citation Frequency и AI Share of Voice)

Классический трекинг позиций по ключевым словам в Топ-10 Google или Яндекса больше не отражает реальную картину видимости сайта. В эпоху GEO и AEO главным критерием успеха становится присутствие бренда внутри текстовых ответов, генерируемых нейросетями.

Ниже подробно разобраны новые метрики эффективности, которые необходимо внедрить в регулярную отчетность.

1. Ключевые метрики генеративной выдачи

• AI Citation Frequency (Частота цитирования ИИ):
  • Суть метрики: Процентное отношение количества запросов, в которых ИИ-модель сослалась на ваш сайт, к общему числу проверяемых целевых запросов в кластере.
  • Зачем отслеживать: Показывает, насколько эффективно контент сайта выполняет роль «заземления» (grounding) для RAG-систем.
• AI Share of Voice (Доля упоминаний бренда в ИИ):
  • Суть метрики: Доля упоминаний вашей компании в текстовых саммари ИИ относительно главных конкурентов в нише.
  • Зачем отслеживать: Помогает оценить авторитет бренда (Topical Authority) в глазах языковых моделей в конкретной тематике.
• Sentiment Index inside LLM (Индекс тональности в ИИ):
  • Суть метрики: Оценка ИИ-моделью репутации вашей компании (позитивная, нейтральная, негативная) при прямом запросе рекомендаций услуг.

2. Методология сбора данных и инструменты

Пока классические SEO-сервисы только адаптируют свои алгоритмы, сбор данных по ИИ-выдаче выполняется комбинированным путем.

• Автоматизированный парсинг через API:
  • Использование кастомных скриптов (например, на Python) для отправки веера запросов напрямую через API моделей (GPT-4o, Claude 3.5 Sonnet, Яндекс GPT).
  • Скрипт анализирует текстовый ответ (Output) на предмет наличия ссылки на ваш домен или текстового упоминания названия бренда.
• Регулярный ручной мониторинг (Сэмплинг):
  • Фиксация пула из 30–50 маркеров (высокочастотных интентов и веерных под-запросов).
  • Еженедельная ручная проверка выдачи в режимах Яндекс Нейро, Google AI Overviews (через VPN нужной геолокации) и диалоговом окне Perplexity.

Задача 6.2. Настройка сквозных отчетов по реферальному трафику

Пользователи, кликающие по ссылкам-источникам внутри ИИ-ответов, формируют совершенно новый тип реферального трафика. Наша задача — изолировать этот трафик в системах веб-аналитики, чтобы оценивать его конверсию и поведенческие факторы.

1. Фильтрация и сегментация ИИ-трафика в Яндекс Метрике и Google Analytics 4 (GA4)

ИИ-системы передают разные рефереры (Referrer) при переходе пользователя по ссылке. Их необходимо группировать в отдельный канал.

• ChatGPT Search / OpenAI: Трафик фиксируется как переход со следующих доменов:
  • chatgpt.com
  • openai.com
• Perplexity AI: Переходы отображаются в отчетах как:
  • perplexity.ai
• Google AI Overviews / AI Mode: На текущий момент этот трафик склеен с органическим трафиком Google (google / organic). Чтобы косвенно оценить его объемы, необходимо отслеживать резкие всплески CTR в Google Search Console по информационным запросам, которые ИИ берет в оборот.

2. Сводная матрица контроля KPI для ИИ-продвижения

Чтобы структурировать аналитический блок в инструкции, используй эту сводную таблицу метрик.

Таблица 5. KPI матрица для контроля эффективности в AI-Search, AEO и GEO

3. Пошаговый алгоритм настройки аналитики

1. Создание кастомного сегмента: В Яндекс Метрике создай сегмент: Источники -> Переходы с сайтов -> Переходы с сайтов: perplexity.ai, chatgpt.com, claude.ai. Сохрани его как «ИИ-Трафик».
2. Настройка отчета по целям: Наложи созданный сегмент на отчет «Конверсии». Зафиксируй, сколько коммерческих лидов (заявок с прототипов страниц или звонков) генерируют пользователи нейросетей.
3. Мониторинг Search Console: Отслеживай появление новых показов по длинным разговорным запросам. Если CTR по ним растет без изменения позиций в классической выдаче — страница попала в блоки генеративных ответов Google.