Бесплатный урок

Новая реальность: как ИИ выбирает, что рекомендовать

Новая реальность: как ИИ выбирает, что рекомендовать — LLM SEO: как сделать продукт заметным в ответах ИИ. От списка ссылок к сформированному ответу; Почему одних переходов уже недостаточно; Что модель знает и что она находит сейчас; От чего может зависеть упоминание; Новые показатели без отказа от SEO; Как сделать сравнимый базовый срез. Практическое…

Демо-версия. Материалы проходят редакторскую проверку.

Что рассмотрим

  • От списка ссылок к сформированному ответу
  • Почему одних переходов уже недостаточно
  • Что модель знает и что она находит сейчас
  • От чего может зависеть упоминание
  • Новые показатели без отказа от SEO
  • Как сделать сравнимый базовый срез

От списка ссылок к сформированному ответу

В обычном поиске человек получает страницу результатов, открывает несколько ссылок и сам составляет короткий список. Помощник с ИИ может выполнить часть этой работы: ответить на полный вопрос, назвать несколько продуктов и объяснить, для чего они подходят. Однако это не означает, что каждый ответ содержит окончательный или правильный выбор. Он может зависеть от формулировки запроса, доступа к веб-поиску, найденных источников и контекста разговора.

AEO, или оптимизация для систем ответов, означает работу над тем, чтобы продукт был правильно представлен в сформированном ответе и, когда система показывает источники, подкреплён уместной ссылкой. Это дополняет SEO, а не отменяет его: Google прямо указывает, что базовые практики SEO остаются актуальными для AI Overviews и AI Mode.

Вымышленный пример. Ledgerly — бухгалтерское приложение для фрилансеров, выставляющих счета в нескольких валютах. В ответе на общий вопрос «Какое бухгалтерское приложение лучше для фрилансера?» его нет. Это ещё не доказывает наличие проблемы с продуктом: сначала нужно проверить более точный сценарий, несколько систем и источники, на которых основаны ответы.

Почему одних переходов уже недостаточно

Человек может увидеть название продукта в ответе ИИ, не нажать ссылку, а через несколько дней отдельно найти бренд в поиске или ввести адрес сайта. Аналитика тогда может записать визит как брендовый поиск или прямой переход. Это возможный маршрут, но без дополнительных данных нельзя утверждать, что каждый рост таких посещений вызван ИИ.

Поэтому рассматривайте вместе несколько сигналов: реферальные переходы из помощников, ответы на вопрос «Как вы о нас узнали?», динамику брендового поиска и фактические упоминания в сохранённых ответах. Даже прямой реферал не показывает всей картины, а ответ в анкете зависит от памяти пользователя.

Распространённая ошибка: считать только визиты с домена помощника. Другая ошибка — приписывать ИИ весь трафик «direct». Оба подхода заменяют измерение предположением. Лучше хранить сигналы отдельно и искать согласованное изменение, не называя корреляцию доказанным источником привлечения.

Что модель знает и что она находит сейчас

Полезно различать две ситуации. Без веб-поиска языковая модель формирует ответ из закономерностей, усвоенных при обучении, и текущего контекста. Эти знания могут быть неполными или устаревшими. С включённым поиском система может составить поисковые запросы, просмотреть актуальные страницы и добавить ссылки. OpenAI прямо предупреждает, что даже поисковые цитаты могут быть неполными, устаревшими или неправильными, поэтому их нужно открывать и проверять.

Поиск с последующим использованием найденных материалов часто называют retrieval, а в более широкой архитектуре — RAG, retrieval-augmented generation. Не каждая рекомендация использует одинаковый механизм, а видимая цитата не объясняет весь процесс ранжирования.

Для Ledgerly это создаёт два разных вопроса: может ли модель вообще правильно описать продукт и находит ли поисковый режим актуальную страницу о мультивалютных счетах. Первое нельзя мгновенно исправить одним новым материалом; второе можно исследовать через доступность страницы, её содержание и показанные источники.

От чего может зависеть упоминание

Нет открытой универсальной формулы, гарантирующей рекомендацию во всех помощниках. Практическая проверка начинается с четырёх вопросов. Релевантность: описаны ли нужная аудитория и задача? Проверяемость: есть ли точные факты на доступных страницах? Независимое подтверждение: обсуждают ли продукт на уместных сторонних ресурсах, а не только на его сайте? Актуальность: соответствуют ли материалы текущей версии продукта?

Это диагностические признаки, а не опубликованные веса алгоритма. Собственная страница важна как первоисточник сведений о функциях, ценах и ограничениях. Независимый обзор или содержательная дискуссия может добавить сравнительный контекст, но случайный комментарий не становится авторитетным только потому, что он сторонний.

В случае Ledgerly фраза «простой учёт для всех» даёт мало контекста. Формулировка «счета и учёт для фрилансеров, получающих оплату в EUR и USD» точнее соответствует конкретному запросу. Она полезна лишь тогда, когда продукт действительно это поддерживает, а страница объясняет условия и ограничения.

Новые показатели без отказа от SEO

Позиции и трафик остаются важными: страницу должны найти, открыть и понять. К ним стоит добавить показатели ответов ИИ. Доля упоминаний — число сохранённых ответов с названием бренда, делённое на все проверенные ответы. Позиция упоминания показывает место названия в списке, но не является стабильным «рейтингом». Контекст фиксирует, для какого сценария продукт рекомендовали и верны ли факты. Цитирование отделяет простое упоминание названия от видимой ссылки на источник.

Вымышленный расчёт: 10 вопросов проверили в трёх системах и получили 30 ответов. Ledgerly упомянут в 6. Его доля упоминаний в этом конкретном тесте равна 6 ÷ 30 = 20%. Это не доля всего рынка: результат описывает только выбранные запросы, системы, дату и условия запуска.

Храните результаты отдельно по платформам. В обсуждениях практиков на Reddit также советуют сохранять полный текст, упоминания и процитированные URL, поскольку ответы могут меняться. Это полезный рабочий метод, а не официальный стандарт измерения.

Как сделать сравнимый базовый срез

Базовый срез — это датированная запись того, как выбранные системы ответили на фиксированный набор покупательских вопросов. Составьте 10 запросов, охватывающих категорию, аудиторию, конкретную задачу, альтернативы конкуренту, сравнение, цену и ограничения. Запустите каждый в ChatGPT, Perplexity и Gemini в новом разговоре. Запишите дату, систему, точный запрос, полный ответ, наличие бренда, порядок названий, описанный сценарий, фактические ошибки и показанные источники.

Не смешивайте упоминание и цитирование: «Ledgerly подходит фрилансерам» без ссылки — упоминание; кликабельный источник рядом — цитирование. Не делайте вывод по одному запуску и не сравнивайте результаты, если незаметно изменили запросы. Персонализация, регион, режим поиска и вариативность генерации могут повлиять на ответ.

Начальный срез не доказывает эффект оптимизации. Он создаёт контрольную точку. Позже повторите те же условия, отдельно отметьте любые изменения методики и проверьте не только количество упоминаний, но и точность сказанного о продукте.

Практическое задание

Сохраните базовый срез видимости в ответах ИИ

Перейти к обучению

Программа курса

  1. Новая реальность: как ИИ выбирает, что рекомендовать
  2. Фреймворк AEO: OCEAN
  3. Что ChatGPT, Perplexity и Gemini «видят» о вашем продукте
  4. Контент-стратегия для видимости в ИИ
  5. Техническая оптимизация: краулеры, структурированные данные и llms.txt
  6. Кейс: как Tally превратила рекомендации ИИ в главный источник привлечения
  7. Кейс: как Vercel адаптировала SEO для LLM
  8. Упоминания бренда и цитируемость
  9. Мониторинг: как отслеживать рекомендации ИИ
  10. Синергия AI SEO и классического SEO
  11. Распространённые ошибки и мифы LLM SEO
  12. 30-дневный план действий для LLM SEO