GEO и AI-поиск

Трафик из ИИ-сервисов — это переходы на сайт по ссылкам-источникам внутри ответов ChatGPT, Perplexity и других генеративных систем. В веб-аналитике такие визиты выделяют в отдельный реферальный канал, чтобы отличать их от обычного поиска и оценивать вклад работы по видимости в ИИ.

Когда генеративная система формирует ответ, она нередко приводит список источников со ссылками. Если пользователь кликает по такой ссылке, он попадает на сайт. Этот визит нужно корректно опознать в отчётах.

Как отслеживать трафик из ИИ-чатов

Переходы из ИИ-сервисов приходят с их доменов (например, домены ChatGPT и Perplexity) и по умолчанию попадают в реферальный трафик. Чтобы не терять их в общей массе, обычно настраивают отдельный сегмент или группу источников трафика по списку доменов ИИ-платформ.

• Выделить домены генеративных систем в отдельный канал в Яндекс Метрике или Google Analytics.
• Проставлять UTM-метки там, где ссылку можно контролировать, — в собственных материалах и llms-файлах.
• Смотреть не только визиты, но и цели, а также ассоциированные конверсии.

Чем этот трафик отличается от обычного поиска

В классическом поиске пользователь видит список сайтов и сам выбирает, куда перейти. В ответе ИИ он сначала читает готовый текст, а ссылка вторична. Поэтому переходов, как правило, меньше, но приходящая аудитория часто уже погружена в тему и ближе к решению.

Зачем наращивать присутствие в ИИ-ответах

Часть аудитории всё чаще начинает путь с ИИ-чата, а не с поисковой строки. Чтобы попадать в ответы, работают над цитируемостью в ИИ и упоминаниями бренда. Это направление относят к GEO и AEO.

Пример

Условный пример: за месяц сайт получил 40 визитов с домена Perplexity и 25 с домена ChatGPT. В сумме это 65 переходов из ИИ-канала. Если по ним оформлено 3 заявки, канал уже даёт измеримый результат, хотя по объёму уступает поиску. Цифры здесь ориентировочные.

Как применяем в Chrome Media

Мы выделяем домены ИИ-сервисов в отдельный сегмент аналитики клиента, чтобы видеть переходы из ChatGPT и Perplexity наравне с поиском. Параллельно в рамках GEO-продвижения усиливаем факторы, из-за которых сайт попадает в источники ответов: структурируем контент, оформляем разметку, следим за упоминаниями бренда. Так видимость в ИИ связывается с реальными визитами и заявками.

Частые вопросы

Куда по умолчанию попадает трафик из ChatGPT и Perplexity? В большинстве систем аналитики он учитывается как реферальный, потому что переход идёт с домена ИИ-сервиса.

Почему переходов из ИИ обычно немного? Пользователь получает готовый ответ в чате и не всегда открывает источник, поэтому кликов меньше, чем в классической выдаче.

Как отделить ИИ-трафик от прочей реферальной массы? Настраивают отдельный сегмент или группу источников по списку доменов генеративных систем и смотрят их отдельно.

Можно ли ставить UTM-метки на ссылки в ИИ-ответах? Напрямую нет: разметку контролирует сервис. Метки уместны там, где ссылку размещаете вы сами, например в собственных файлах и материалах.

Как влиять на объём этого трафика? Через GEO и AEO: повышать цитируемость, упоминаемость бренда и качество контента, чтобы чаще попадать в источники ответов.

Упоминание бренда как сигнал — это учёт языковыми моделями и поиском частоты и контекста упоминаний бренда в интернете, в том числе без ссылок, как признака авторитетности и релевантности. Чем чаще и увереннее бренд называют в разных источниках, тем выше шанс, что модель предложит его в ответе.

Почему упоминания без ссылок вообще работают?

Языковые модели обучаются на массивах текста, где бренд встречается без всяких ссылок. Для модели важен сам факт: кто вас называет, в каком контексте и как часто. Так формируется представление о бренде как о сущности. Это отличается от классической ссылочной логики, где ценится именно кликабельный линк.

Чем упоминание отличается от обратной ссылки?

Обратная ссылка передаёт вес через гиперссылку и влияет на классическое ранжирование. Упоминание может быть просто текстом с названием бренда. Для ИИ-видимости важны оба сигнала, но упоминания без ссылок часто недооценивают.

Признак	Бэклинк	Упоминание
Наличие ссылки	Обязательно	Необязательно
Главный эффект	Ссылочный вес	Известность и контекст
Ценность для ИИ	Есть	Высокая

Подробнее про ссылочный механизм — в карточке обратная ссылка.

Как наращивать упоминания бренда?

Работают публикации, экспертные комментарии, обзоры, отзывы и присутствие в отраслевых материалах. Смысл — чтобы бренд называли в правильном контексте рядом с темой. Помогают Digital PR, управление отзывами и контроль тональности упоминаний. Важно не количество ради количества, а осмысленный контекст.

Как применяем в Chrome Media

В GEO-продвижении мы работаем не только со ссылками, но и с чистыми упоминаниями бренда в тематических материалах, отзывах и обзорах. Следим, чтобы бренд стабильно назывался рядом с его услугами и в корректном контексте. Это укрепляет узнаваемость для языковых моделей и повышает цитируемость в ИИ по целевым темам.

Частые вопросы

Упоминание без ссылки правда влияет на видимость?

Да. Для языковых моделей важен сам факт и контекст упоминания. Ссылка усиливает эффект, но не является обязательным условием.

Сколько нужно упоминаний, чтобы это сработало?

Точного числа нет. Важнее регулярность и релевантный контекст, чем разовый всплеск. Как правило, ценнее устойчивое присутствие в тематических источниках.

Чем упоминания полезнее обычных ссылок?

Они формируют образ бренда как узнаваемой сущности. Это напрямую помогает ИИ уверенно называть компанию в ответах по её теме.

Промпт — это текстовый запрос-инструкция, который пользователь вводит в языковую модель, чтобы получить ответ, и от формулировки которого зависит, какие источники и бренды попадут в результат. Разные формулировки одного и того же вопроса приводят модель к разным ответам, наборам источников и упоминаемым компаниям.

Из чего состоит промпт?

Промпт может быть простым вопросом или развёрнутой инструкцией. Обычно в нём есть несколько элементов:

• задача — что нужно сделать или узнать;
• контекст — уточнения, условия, роль модели;
• формат — как оформить ответ (список, таблица, кратко).

Чем конкретнее запрос, тем предсказуемее ответ. От формулировки зависит и то, станет ли модель искать источники в интернете.

Как промпт влияет на выдачу ИИ?

Одна тема даёт разные ответы при разных формулировках. Запрос «лучшие агентства» и «агентство для маркетплейса в Москве» приведут к разным спискам компаний. Для брендов это значит, что видимость в ИИ нужно проверять на многих реальных промптах, а не на одном. Важно понимать, какими словами аудитория описывает свою задачу.

Чем промпт отличается от поискового запроса?

Поисковый запрос обычно короткий и состоит из ключевых слов. Промпт чаще развёрнутый, ближе к живой речи, и может содержать контекст и уточнения. Поэтому под ИИ важно раскрывать тему естественным языком, а не только под сжатые ключи. Это меняет подход к работе с семантическим ядром и интентом.

Как применяем в Chrome Media

В рамках GEO-продвижения мы собираем список реальных промптов, по которым аудитория ищет услуги клиента, и проверяем, как ассистенты отвечают на них. По результатам дорабатываем контент, чтобы бренд корректно попадал в цитируемость в ИИ и в ответы по целевым формулировкам. Отслеживаем и то, как меняются ответы при разных вариантах вопроса.

Частые вопросы

Можно ли оптимизировать сайт под конкретные промпты?

Напрямую управлять ответом модели нельзя. Но можно готовить контент под реальные формулировки аудитории, повышая шанс попасть в ответ по ним.

Чем промпт отличается от ключевого слова?

Ключевое слово — короткая фраза для поиска. Промпт ближе к живому языку, часто содержит контекст, роль и требования к формату ответа.

Почему на похожие вопросы ИИ отвечает по-разному?

Модель чувствительна к формулировке. Смена слов, уточнений или порядка меняет и подобранные источники, и итоговый список брендов в ответе.

Passage ranking — это оценка и извлечение отдельных релевантных абзацев страницы, а не документа целиком, что позволяет ИИ и поиску использовать точный фрагмент в ответе. Благодаря этому релевантный кусок длинного материала может появиться в выдаче, даже если вся страница посвящена более широкой теме.

Как работает ранжирование пассажей?

Поисковая система делит страницу на смысловые фрагменты — пассажи. Каждый пассаж оценивается на релевантность запросу отдельно. Дальше происходит следующее:

• система находит самый подходящий абзац внутри документа;
• именно он попадает в сниппет или в ответ ассистента;
• остальной текст страницы при этом может не использоваться.

Технически подбор пассажей опирается на векторный поиск — фрагменты сравниваются с запросом по смыслу.

Чем пассаж отличается от документа?

Раньше поиск оценивал релевантность всей страницы целиком. Теперь единицей ответа может быть один абзац. Это значит, что длинная статья способна ранжироваться сразу по многим узким запросам — по каждому подходящему фрагменту. Один хорошо сформулированный абзац иногда важнее общей оптимизации страницы.

Как оптимизировать абзацы под ответы ИИ?

Пишите так, чтобы каждый абзац был самодостаточным. Хороший пассаж отвечает на конкретный вопрос без опоры на соседний текст. Полезны такие приёмы:

• начинать абзац с прямого ответа, а затем пояснять;
• дробить материал по подзаголовкам под конкретные интенты;
• избегать длинных вводных, из-за которых суть теряется.

Такой формат повышает шанс попасть в AI Overviews и в цитируемость в ИИ.

Как применяем в Chrome Media

При подготовке контента для SEO и GEO мы строим тексты по принципу «абзац — ответ». Разбиваем длинные материалы на короткие блоки под отдельные вопросы, выносим суть в первое предложение абзаца и добавляем понятные подзаголовки. Так материал ранжируется по большему числу узких запросов и чаще становится источником прямого ответа.

Частые вопросы

Passage ranking — это про длинные или короткие статьи?

Скорее про длинные. Механизм позволяет объёмному материалу ранжироваться по узким запросам за счёт отдельных релевантных абзацев внутри него.

Нужно ли дробить текст на много подзаголовков?

Структурировать полезно, но по смыслу, а не искусственно. Каждый блок должен закрывать конкретный вопрос и читаться самостоятельно.

Как понять, что абзац подходит под ответ ИИ?

Прочитайте его отдельно от страницы. Если он понятен без контекста и отвечает на вопрос напрямую — это хороший кандидат в пассаж.

Векторный поиск — это способ поиска, при котором запрос и документы представляются числовыми векторами-эмбеддингами и сопоставляются по смысловой близости, а не по совпадению слов. Это позволяет находить релевантные материалы, даже если в них нет точной формулировки запроса, и лежит в основе работы ИИ-ассистентов и ответных систем.

Как работает векторный поиск?

Модель переводит текст в вектор — длинный набор чисел, отражающий смысл. Похожие по смыслу тексты получают близкие векторы. Поиск устроен так:

• запрос превращается в вектор той же моделью;
• система ищет документы с ближайшими векторами;
• близость считают через косинусное расстояние между векторами.

В результате находятся материалы по теме, даже если слова в них другие. Синонимы и перефразировки перестают быть проблемой.

Чем векторный поиск отличается от поиска по ключевым словам?

Классический поиск ищет совпадение слов из запроса. Он не понимает, что «авто» и «машина» — одно и то же. Векторный поиск сравнивает смысл, поэтому находит документ по значению, а не по буквам. На практике две модели поиска часто объединяют в гибридную схему, чтобы учесть и точные слова, и смысл.

Критерий	По ключевым словам	Векторный
Основа сравнения	Совпадение слов	Смысловая близость
Синонимы	Не учитывает	Учитывает
Опечатки и перефразы	Чувствителен	Устойчив

Зачем это важно для видимости в ИИ?

ИИ-ассистенты подбирают источники именно векторным поиском внутри схемы RAG. Чтобы попасть в ответ, важно раскрывать тему через связанные сущности и естественные формулировки, а не подгонять текст под одну ключевую фразу. Это меняет логику работы с семантическим ядром: смысловое покрытие темы важнее плотности отдельного ключа.

Как применяем в Chrome Media

В GEO-продвижении мы пишем тексты под смысл, а не под точное вхождение фразы. Раскрываем тему широко: добавляем синонимы, связанные понятия и ответы на смежные вопросы, чтобы страница совпадала с запросом на уровне значения. Это помогает материалу находиться и в классическом поиске, и при подборе источников ИИ-ассистентами через векторные механизмы.

Частые вопросы

Векторный поиск заменяет ключевые слова полностью?

Нет. Чаще применяют гибрид: ключевые слова ловят точные совпадения, а векторный слой добавляет смысловую релевантность. Работать стоит с обоими.

Что такое эмбеддинг простыми словами?

Это числовое представление текста в виде вектора. Близкие по смыслу тексты получают близкие векторы, и по этой близости система оценивает релевантность.

Как оптимизировать текст под векторный поиск?

Раскрывайте тему через связанные понятия и естественный язык. Отвечайте на смежные вопросы и не зацикливайтесь на одной точной формулировке ключа.

Speakable-разметка — это разметка Schema.org, которая помечает фрагменты страницы, наиболее пригодные для озвучивания голосовыми ассистентами и ответными системами. Она подсказывает роботам, какие предложения зачитывать вслух в ответ на голосовой запрос, и помогает контенту попадать в аудиоответы умных колонок и поисковых сервисов.

Как устроена speakable-разметка?

Speakable — это свойство внутри объекта Article или WebPage в формате schema.org. Оно указывает на конкретные части текста через два способа:

• cssSelector — ссылка на CSS-класс блока, который нужно озвучить;
• xpath — путь к элементу через структуру документа.

Разметку добавляют в блок структурированных данных JSON-LD. Это частный случай микроразметки, заточенный под голосовые ответы, а не под визуальные сниппеты.

Чем speakable отличается от обычной микроразметки?

Обычная микроразметка помогает поиску понять смысл страницы и построить сниппет для экрана. Speakable решает другую задачу — выбирает фрагменты для чтения голосом. У ассистента нет экрана, поэтому важно пометить короткие, самодостаточные предложения. Как правило, это лид-абзац или прямой ответ на вопрос.

Зачем speakable нужен в GEO и голосовом поиске?

Голосовые системы и ответные движки зачитывают вслух один короткий фрагмент. Speakable повышает шанс, что выберут именно ваш текст. Это часть подхода AEO и GEO, где важна не позиция, а попадание в сам ответ. Разметку стоит сочетать с чётким структурированием абзацев.

Как применяем в Chrome Media

В проектах по GEO-продвижению мы выделяем в тексте прямые ответы на частые вопросы и оформляем их короткими самостоятельными абзацами. На страницах вопросов-ответов и в блоках FAQ добавляем speakable-разметку через JSON-LD, помечая именно ответное предложение. Параллельно проверяем остальную микроразметку, чтобы страница целостно считывалась и в текстовых, и в голосовых ответах.

Частые вопросы

Speakable влияет на обычные позиции в поиске?

Напрямую нет. Разметка не поднимает страницу в выдаче, а помогает голосовым и ответным системам выбрать нужный фрагмент для озвучивания.

Какие фрагменты помечать speakable?

Короткие самодостаточные предложения: лид-абзац, прямой ответ на вопрос, определение. Длинные абзацы и списки для чтения вслух подходят плохо.

Speakable работает у всех ассистентов?

Поддержка ограничена и меняется. Разметка остаётся полезным сигналом, но её стоит рассматривать как дополнение к качественной структуре текста, а не как гарантию.

Граф знаний (knowledge graph) — это база данных из сущностей и связей между ними, на которую опираются поисковики и языковые модели, чтобы понимать контекст и отвечать фактами. Каждый объект — узел, а отношения между объектами — рёбра, образующие сеть проверяемых знаний.

Как устроен граф знаний?

Граф хранит факты в виде связок «объект — отношение — объект». Например: «Chrome Media — это агентство», «агентство оказывает услугу — SEO». Из таких троек складывается карта мира, понятная машине.

Зачем граф знаний поисковикам и ИИ?

Граф помогает отличать сущности друг от друга и подставлять факты в ответ. На нём строятся панели знаний, ответы в AI Overviews и реплики чат-ботов.

Откуда берутся данные для графа?

• Структурированные источники и справочники.
• Микроразметка на сайтах.
• Согласованные упоминания объекта в открытых источниках.

Когда модель отвечает через RAG, граф помогает связать найденные факты с нужной сущностью.

Как применяем в Chrome Media

Мы работаем над тем, чтобы бренд клиента был корректно представлен в графе знаний: добавляем разметку, приводим факты о компании к единообразию и укрепляем упоминания. В GEO-продвижении это повышает точность ответов ИИ о клиенте.

Частые вопросы

Что такое граф знаний простыми словами? Это карта фактов, где объекты связаны отношениями. Она помогает системам понимать, что и как связано между собой.

Чем граф знаний отличается от базы ключевых слов? База ключевых слов хранит тексты запросов. Граф знаний хранит объекты и связи между ними, то есть смысл, а не строки.

Как попасть в граф знаний? Использовать микроразметку, давать единообразные данные о компании и накапливать согласованные упоминания на авторитетных площадках.

Связан ли граф знаний с ответами ИИ? Да. Языковые модели и поисковики берут из графа факты, чтобы отвечать точнее и связывать их с конкретными сущностями.

Сущность (entity) — это однозначно определённый объект реального мира: бренд, человек, место или продукт, который поисковые и ИИ-системы распознают и связывают с фактами о нём. Для машины сущность — не строка текста, а узел знаний с устойчивыми атрибутами и связями.

Чем сущность отличается от ключевого слова?

Ключевое слово — это набор символов. Сущность — это объект со смыслом и контекстом. «Ягуар» как слово неоднозначен; как сущность это либо животное, либо марка авто, и система понимает, о чём речь.

Как ИИ распознаёт бренд как сущность?

Системы собирают факты о компании из разных источников и сверяют их. Чем больше согласованных упоминаний, тем увереннее бренд считается отдельным объектом знаний.

• Единообразные данные: название, адрес, сфера, контакты.
• Микроразметка Organization и её атрибуты.
• Упоминания бренда на авторитетных площадках.

Зачем это нужно для GEO?

Распознанная сущность попадает в граф знаний и участвует в ответах ИИ. Это укрепляет E-E-A-T и повышает шанс на корректное упоминание бренда.

Как применяем в Chrome Media

Мы помогаем ИИ увидеть бренд клиента как единый объект: приводим данные о компании к единообразию, добавляем разметку Organization и связываем профили. В GEO-продвижении это снижает путаницу и риск ложных фактов о компании.

Частые вопросы

Что такое сущность простыми словами? Это конкретный объект — компания, человек, товар или место, — который система знает как отдельную вещь с набором фактов.

Как стать сущностью для поисковиков и ИИ? Давать единообразные данные о себе, использовать разметку Organization и накапливать упоминания на авторитетных ресурсах.

Чем сущность отличается от ключевого слова? Ключевое слово — это текст запроса. Сущность — это объект со смыслом, атрибутами и связями, а не просто строка символов.

Где хранятся сведения о сущностях? В графах знаний — базах объектов и связей, на которые опираются поисковые системы и языковые модели.

llms.txt — это текстовый файл в корне сайта, который в упрощённом виде описывает для языковых моделей ключевой контент и структуру ресурса. Он помогает ИИ-системам быстрее находить важные страницы и корректно использовать их при генерации ответов.

Зачем нужен llms.txt?

Обычные страницы содержат меню, скрипты и рекламу, которые мешают модели выделить суть. Файл llms.txt даёт ИИ чистую карту главного: что за проект, где ключевые материалы, как они связаны.

Чем llms.txt отличается от robots.txt?

Файлы решают разные задачи.

robots.txt	управляет доступом поисковых роботов к разделам сайта
llms.txt	подсказывает языковым моделям, какой контент важен и как он устроен

Подробнее о первом — в карточке robots.txt.

Как составить llms.txt?

Формат основан на Markdown. В начале — название и краткое описание проекта. Дальше — списки ссылок на важные разделы с короткими пояснениями.

• Заголовок H1 с названием сайта или компании.
• Абзац-описание: чем вы занимаетесь.
• Списки ссылок на ключевые страницы с пояснениями.

Как применяем в Chrome Media

Мы добавляем llms.txt на сайты клиентов в рамках GEO-продвижения. В файл выносим услуги, важные статьи и контакты, чтобы модели опирались на проверенный контент. Это дополняет микроразметку и работает вместе с механикой RAG.

Частые вопросы

llms.txt — это официальный стандарт? Это предложенное сообществом соглашение, а не обязательный стандарт. Часть ИИ-систем его учитывает, часть пока игнорирует.

Где размещать файл llms.txt? В корне сайта, по адресу вида example.com/llms.txt, как и robots.txt.

llms.txt заменяет robots.txt или sitemap? Нет. Он решает другую задачу — описывает смысл контента для моделей, а не управляет доступом или обходом.

Обязательно ли делать llms.txt? Нет, это необязательно. Но файл — недорогой способ помочь ИИ-системам корректно понять и использовать ваш сайт.

RAG (Retrieval-Augmented Generation) — это архитектура, при которой языковая модель перед генерацией ответа подтягивает релевантные документы из внешней базы или веб-поиска. Это повышает точность ответа и позволяет добавить ссылки на источники, а не полагаться только на «память» модели.

Как работает RAG?

Схема состоит из двух шагов. Сначала система ищет подходящие фрагменты в базе знаний или интернете. Затем модель формирует ответ, опираясь на найденный текст.

• Retrieval — поиск релевантных документов, часто через векторный поиск.
• Augmentation — добавление найденного текста в контекст запроса.
• Generation — генерация ответа с опорой на источники.

Почему RAG важен для GEO?

Именно RAG определяет, какие страницы попадут в ответ и получат ссылку. Если контент понятен, структурирован и релевантен, у него больше шансов на цитируемость в ИИ. Это ядро подхода GEO.

Чем RAG отличается от обычной генерации?

Обычная модель отвечает только по данным обучения и чаще допускает галлюцинации. RAG опирается на актуальные документы, поэтому ответы точнее и проверяемы. Свежие факты не требуют переобучения модели.

Пример

Пользователь спрашивает Perplexity про цену услуги. Система находит страницу с прайсом, читает её и отвечает со ссылкой на сайт. Без RAG модель назвала бы цифру по памяти или выдумала бы её.

Как применяем в Chrome Media

Мы готовим контент клиента так, чтобы его было удобно извлекать RAG-системам: чёткая структура, ответы прямо в тексте, корректная разметка. В GEO-продвижении это повышает шанс, что ИИ процитирует именно сайт клиента, а не конкурента.

Частые вопросы

Что означает аббревиатура RAG? Retrieval-Augmented Generation — генерация ответа, дополненная поиском релевантных документов из внешних источников.

Зачем RAG нужен бизнесу? RAG определяет, какие сайты ИИ-системы используют и цитируют в ответах. Понятный контент повышает шанс попасть в этот список.

RAG убирает галлюцинации полностью? Нет, но заметно снижает их. Опора на реальные документы делает ответы точнее и проверяемее, чем генерация по памяти.

Как оптимизировать сайт под RAG? Давать прямые ответы в тексте, структурировать страницы, использовать разметку и держать факты о компании непротиворечивыми.