К основному содержанию

GEO: что не работает в генеративном поиске и как замерять результат

Пересказ по материалу Habr SEO

GEO: что не работает в генеративном поиске и как замерять результат

На отраслевом эфире Рейтинга Рунета эксперты два с половиной часа разбирали первый черновик стандарта GEO (Generative Engine Optimization). Главный вывод: пошаговые регламенты правок сайта под генеративный поиск устаревают за три месяца, потому что классические методы SEO не совместимы с архитектурой RAG.

Четыре метода, которые не дают результата

Накрутка упоминаний через пользователей не работает. Коммерческие LLM не дообучаются на диалогах в реальном времени — веса предобученной модели заморожены, контекст сессии стирается после закрытия диалога. Лайки и дизлайки собирают датасеты RLHF, но на формирование ответов здесь и сейчас не влияют.

Файл llms.txt в корне сайта поисковые краулеры игнорируют. RAG-контур обращается к общему поисковому индексу с реально проиндексированными документами. Файл полезен внешним парсерам и аудиторам, но не влияет на ранжирование алгоритмами Google или Яндекса.

Ссылочный вес в генеративном поиске работает иначе, чем в традиционном SEO. Если страница-донор не попадает в тематический кластер источников, которые сама нейросеть цитирует по целевым запросам, переданный вес равен нулю.

Микроразметка Schema.org необходима, но недостаточна. Если в JSON-LD объявлен тип Organization или Offer, а в теле страницы нет ясных параметров услуг, сроков и числовых диапазонов, ретривер отбрасывает документ из-за низкой семантической плотности.

Как генеративный ассистент выбирает поставщика

При сложном запросе языковая модель применяет Query Fan-Out — разбивает его на серию параллельных поисковых подзапросов. На примере вопроса об упаковочном оборудовании для фармацевтического цеха модель ищет соответствие стандартам (например, GMP) и наличие сервисной службы в регионе заказчика. Страница, где написаны только общие фразы, отсекается на этапе реранкинга кандидатов — модель не находит ответов на подзапросы и формирует рекомендацию в пользу конкурента с явно изложенными параметрами.

Серверные проблемы при краулинге

GPTBot, ClaudeBot, PerplexityBot и YandexRenderResourcesBot сталкиваются с типовой инфраструктурной ловушкой: Cloudflare, DDoS-Guard или правила ModSecurity пропускают первые 3–5 запросов краулера, а при сканировании каталога начинают отдавать JS-капчу или пустой HTML со статусом HTTP 200 OK. В логах владельца сервера ошибок нет, но краулер видит пустой ответ. На круглом столе привели кейс: производственная платформа потратила полтора месяца на устранение галлюцинаций нейросетей после простой разблокировки роботов в конфигурации WAF.

Краулеры работают с жёсткими таймаутами и часто не выполняют тяжёлый клиентский JavaScript, поэтому документ должен отдавать фактуру в первичном HTML. Алгоритмы Document Chunking обрабатывают HTML-таблицы (<table>) точнее, чем вёрстку на вложенных <div> или <ul>, потому что табличная структура сохраняет связь атрибута и числового значения даже при дроблении страницы на чанки.

Правила приёмки результата

Эксперты зафиксировали три обязательных правила.

Первое — запрет на усреднённую видимость по нейросетям. DeepSeek опирается на отраслевые каталоги, форумы и базы отзывов; ChatGPT обращается к энциклопедическим источникам и при дефиците данных задействует англоязычный сегмент с автопереводом; Алиса тесно связана с текущим органическим индексом поисковой выдачи. Результат фиксируется строго по отдельности для каждой целевой системы.

Второе — серийные замеры. У языковых моделей ненулевая температура генерации, поэтому разовый запрос в веб-интерфейсе не является метрикой. Корректный замер проводится волнами от 3 до 5 повторений по пулу слепых, сравнительных и брендовых запросов. Менять среду тестирования в процессе мониторинга запрещено: интерфейсы используют скрытые системные промпты и плагины поиска, что искажает сравнимость данных.

Третье — верификация фактов в ответе. Факт упоминания бренда не означает успеха. Классический пример: организация повысила стоимость доставки с 2 000 до 3 000 рублей, не обновила данные на вспомогательных страницах, и ассистент продолжал обещать клиентам доставку за 2 000 рублей.

Для контроля формируется цифровой паспорт компании — единый реестр фактов:

  • официальные реквизиты, проверенные по государственным базам (ЕГР/МНС) с датой актуализации;
  • перечень направлений работы с точными допусками и условиями;
  • оцифрованные проекты с подтверждёнными метриками;
  • ответы на денежные вопросы: правила лизинга, гарантийные сроки, условия выездного сервиса.

Ответы нейросетей при приёмке валидируются на соответствие этому эталону. Расхождение между словами ИИ и паспортом фиксируется в реестре расхождений и отправляется на устранение первоисточника.

По материалам Habr SEO.

TG X Скопировано

Спонсоры проекта

Компании, которые помогают держать аналитику открытой