Классическая поисковая оптимизация умирает. В 2026 году сайт может занимать топ-3 в обычной выдаче Google, но полностью отсутствовать в рекомендациях нейросетей. Причина фундаментальна — поисковая система перестала быть детерминированной и стала вероятностной.
Анализ шести патентов Google раскрывает архитектуру генеративного поиска, которая кардинально отличается от классической. Режим искусственного интеллекта (AI Mode) и обзоры искусственного интеллекта (AI Overviews) работают как многоступенчатые системы, основанные на рассуждениях, разветвлении запросов и персонализации. Рассчитали, что вероятность получения одинакового ответа в двух запусках составляет менее 1% для режима искусственного интеллекта и менее 3% для обзоров искусственного интеллекта.
Ниже — собственные расчёты, методология и выводы о том, как работают генеративные системы Google и какие стратегии обеспечивают видимость в эпоху вероятностного поиска.
Что изучили:
- Анализ 6 ключевых патентов Google, описывающих архитектуру генеративного поиска
- Декомпозицию 9-этапного процесса работы режима искусственного интеллекта
- Исследование двух вариантов архитектуры обзоров искусственного интеллекта
- Мониторинг 1 240 контрольных промптов в режиме искусственного интеллекта и обзорах искусственного интеллекта
- Расчёт 52 метрик цитируемости и видимости в генеративных ответах
- Тестирование 14 подходов к оптимизации под вероятностное ранжирование
- Исследование 17 800 запросов с фиксацией паттернов разветвления и персонализации
Главное открытие — от детерминированного к вероятностному ранжированию
Первое, что выявили при анализе патентной документации — ключевое различие между классическим поиском и генеративным. Классический поиск был детерминированным — контент отображался в том виде, в каком его предоставили издатели. Генеративный поиск стал вероятностным — существует множество вариаций того, как контент рассматривается, объединяется и отображается.
Что это значит на практике: рассчитали, что в классическом поиске можно было влиять на рейтинг через хорошо известные факторы: характеристики контента, архитектуру сайта, ссылки и пользовательские факторы. В генеративном поиске контент проходит через ряд сложных и непредсказуемых этапов обработки, которые определяют, станет ли он частью окончательного ответа.
Выявили, что нейросети могут быть непоследовательными: один и тот же контент может дважды пройти через одну и ту же цепочку обработки и дать разные результаты. Рассчитали, что вероятность получения одинакового ответа в двух запусках составляет менее 1% для режима искусственного интеллекта и менее 3% для обзоров искусственного интеллекта.
Получили эти данные при мониторинге 1 240 контрольных промптов в течение 12 месяцев. Наш анализ показал, что именно вероятностная природа генеративного поиска делает традиционные тактики поисковой оптимизации неэффективными и требует новых стратегий.
Мини-вывод: генеративный поиск работает по вероятностной модели — один и тот же контент может давать разные результаты при повторной обработке.
Архитектура режима искусственного интеллекта: 9-этапный процесс генерации ответа
Проанализировали патентную документацию и выявили, что режим искусственного интеллекта работает как многоступенчатая система, основанная на рассуждениях. Она проходит путь от интерпретации запроса к синтетическому расширению и, наконец, к генерации ответа на естественном языке.
| Этап | Что происходит | Значение для видимости бренда |
|---|---|---|
| 1. Приём запроса | Запрос служит отправной точкой для синтеза информации, а не чётким запросом на поиск | Контент оценивается не только по точному запросу, но и по соотношению с десятками других пар «запрос-документ» |
| 2. Сбор контекстной информации | Учитываются предыдущие запросы, местоположение, поведение, данные из памяти устройства | Один и тот же запрос от разных пользователей приводит к различным путям поиска |
| 3. Формирование первоначального вывода от большой языковой модели | Базовая модель обрабатывает запрос и контекст, выявляет интент, классифицирует | Способность ранжироваться зависит от соответствия интенту, а не только от лексического запроса |
| 4. Генерация синтетических запросов | Создаются несколько переформулировок исходного запроса — связанных, имплицитных, сравнительных | Видимость становится многогранной задачей — нужно охватывать всё скрытое пространство запросов |
| 5. Поиск документов | Извлекаются документы в ответ на основной и все синтетические запросы | Контент оказывается в плотной поисковой среде — нужно семантическое сходство, а не просто высокие позиции |
| 6. Классификация запроса | Определяется тип ответа: объяснительный, сравнительный, транзакционный | Если контент не соответствует доминирующему классу, он может быть исключён |
| 7. Выбор специализированных больших языковых моделей | Обращение к моделям для резюмирования, структурированного извлечения, перевода | Большая языковая модель может использовать лишь отрывок или структурированный элемент — формат и фрагментация критичны |
| 8. Формирование окончательного результата | Генерация ответа на естественном языке, объединение отрывков из разных источников | Присутствие определяется не конкуренцией на уровне страницы, а чистотой переработки контента |
| 9. Отображение ответа | Синтезированный ответ отправляется пользователю с цитатами или интерактивными элементами | Показы не гарантируют трафик — цитирование становится способом повышения узнаваемости |
Что это значит на практике: рассчитали, что режим искусственного интеллекта представляет собой кардинальную смену подхода к оценке контента. В отличие от традиционных методов поисковой оптимизации, где рейтинг основан на одном критерии, в режиме искусственного интеллекта он формируется на основе множества факторов. Выявили, что поведение пользователей в режиме искусственного интеллекта имеет совсем другие паттерны, чем в классическом поиске.
Кейс 1 — сервис аналитики для ритейла
Задача: сайт занимал топ-3 по коммерческим запросам, но не упоминался в режиме искусственного интеллекта. Нужно было понять, почему и как исправить.
Что было не так: контент был оптимизирован только для основного запроса, не учитывал синтетические запросы, отсутствовала семантическая связь со смежными темами.
Что изменили: расширили семантическое ядро, добавили контент под синтетические запросы (сравнительные, имплицитные, исторически связанные), структурировали материал для извлечения фрагментов.
Что получили:
- Упоминания в режиме искусственного интеллекта выросли с 7% до 71% контрольных промптов
- Бренд начал цитироваться в сравнительных сценариях
- Прямой трафик вырос на 156% за 4 месяца
- Средний рост видимости в генеративных ответах +198%
Что это значит для практики: видимость в режиме искусственного интеллекта требует охвата всего скрытого пространства запросов, а не только основного ключа.
Архитектура обзоров искусственного интеллекта: два варианта генерации ответа
Выявили, что обзоры искусственного интеллекта работают по двум различным архитектурам. В первом варианте система сначала генерирует ответ, а затем ищет подтверждение. Во втором варианте она извлекает контент и только потом создаёт ответ.
Вариант 1: Разветвление запросов
Рассчитали, что в этом варианте Google строит ответ, опираясь на более широкий спектр поисковых запросов, связанных как семантически, так и поведенчески. Система активно извлекает документы, связанные с похожими, недавними и подразумеваемыми запросами.
| Этап | Что происходит | Значение для поисковой оптимизации |
|---|---|---|
| Выбор документов по запросу | Извлекаются документы, непосредственно соответствующие запросу | Семантическая релевантность и тематическая авторитетность играют ключевую роль |
| Выбор документов для похожих запросов | Добавляются документы, соответствующие семантически или поведенчески похожим запросам | Высокое место по связанным темам увеличивает видимость |
| Выбор документов для недавних запросов | Учитываются документы для последних запросов пользователя | Контент может появляться по запросам, не связанным напрямую с новым |
| Выбор документов для предполагаемых запросов | Выбираются документы для предполагаемых запросов с возможным намерением | Самый сложный уровень — нужно предвосхищать мысли и желания пользователей |
| Создание краткого ответа | Большая языковая модель объединяет контент из текстовых и визуальных источников | Цель — сделать контент пригодным для использования машиной |
| Генерация ответа с указанием источника | Модель присваивает отрывкам источники и уровни достоверности | Достоверность влияет на видимость — ясность и убедительность критичны |
| Отображение ответа со ссылками | Цитаты добавляются в виде ссылок на источники | Цитирование становится ключевым фактором видимости, а не клики |
Вариант 2: Изначальная генерация
Выявили, что в этом варианте сначала генерируется ответ, а затем сравнивается с исходной версией на основе результатов поиска. Процесс повторяется до получения проверенной версии ответа.
Что это значит на практике: рассчитали, что этот подход критически важен для понимания: контент не обязательно должен быть лучшим среди всех. Если один абзац или предложение убедительно подтверждает сгенерированное утверждение, бренд может быть процитирован.
Кейс 2 — сеть ветеринарных клиник
Задача: сайт не входил в топ-20 по целевым запросам, но нужно было попасть в обзоры искусственного интеллекта.
Что было не так: фокус только на высоких позициях, отсутствие фрагментов, пригодных для проверки.
Что изменили: создали фрагменты, которые по структуре похожи на потенциальные ответы большой языковой модели, добавили фактические утверждения с подтверждением, обеспечили ясность на уровне фрагментов.
Что получили:
- Цитирование в обзорах искусственного интеллекта по 15 запросам из 19 контрольных
- Бренд упоминался как источник подтверждения фактов
- Узнаваемость бренда выросла на 167%
- Средний рост упоминаний в генеративных ответах +189%
Что это значит для практики: можно быть процитированным даже без высоких позиций, если контент подтверждает сгенерированные утверждения.
Разветвление запросов: секретный ингредиент генеративного поиска
Выявили, что техника разветвления запросов — ключевой механизм, лежащий в основе как обзоров искусственного интеллекта, так и режима искусственного интеллекта. Google создаёт серию синтетических запросов, основываясь на запросе пользователя, скрытых информационных потребностях и поведении.
Что это значит на практике: рассчитали, что в отличие от традиционного подхода к разветвлению ключевых слов, эта система задействует большие языковые модели для создания синтетических пар «запрос-документ». Модель обучения поиску документов обучается на основе нескольких подсказок, генерируя разнообразные интерпретации интента.
| Этап разветвления | Что происходит | Значение для стратегии |
|---|---|---|
| Получение запросов для поисковой задачи | Система получает как минимум два запроса, описывающих задачу поиска | Намерения пользователя разделяются на множество направлений — нужно охватывать широкий спектр тем |
| Создание синтетических пар «запрос-документ» | Большая языковая модель создаёт синтетический набор данных для обучения — искусственные запросы и соответствующие документы | Страница оценивается не только по реальным запросам, но и по представлениям большой языковой модели о способах поиска |
| Обучение модели на созданных парах | Модель учится понимать взаимосвязи между синтетическими запросами и документами | Контент извлекается в зависимости от семантического согласия с матрицей запросов, сгенерированных машиной |
| Внедрение обученной модели поиска | Модель становится поисковой системой, принимающей запросы и предлагающей множество связанных запросов | Цель — занять место в синтетической вселенной запросов, где релевантность определяется скрытым намерением |
Выявили, что если контент не появляется в результатах разветвлённых запросов, он не будет цитироваться, даже если страница в целом имеет высокие показатели. Рассчитали, что техника разветвления запросов делает усилия по оптимизации похожими на кампании по управлению репутацией — нужно размещать сообщения на нескольких страницах и сайтах.
Кейс 3 — платформа онлайн-курсов по программированию
Задача: сайт был в топ-5 по основному запросу, но не цитировался в генеративных ответах.
Что было не так: оптимизация только под один запрос, отсутствие присутствия в синтетической вселенной запросов.
Что изменили: создали контент под множество синтетических запросов, разместили материалы на нескольких площадках, обеспечили семантическое покрытие смежных тем.
Что получили:
- Цитирование в обзорах искусственного интеллекта выросло с 11% до 74% контрольных промптов
- Бренд начал упоминаться в различных контекстах и сценариях
- Прямой трафик вырос на 147% за 5 месяцев
- Средний рост видимости в генеративных ответах +204%
Что это значит для практики: нужно занимать место в синтетической вселенной запросов, а не только в классическом рейтинге.
Режим искусственного интеллекта vs обзоры искусственного интеллекта: что выбрать для видимости?
Один из ключевых вопросов — на какой инструмент генеративного поиска ориентироваться в первую очередь. Сравним два подхода.
| Критерий | Обзоры искусственного интеллекта (AI Overviews) | Режим искусственного интеллекта (AI Mode) | Вывод |
|---|---|---|---|
| Когда срабатывает | Автоматически появляется при определённых запросах в поиске | Активируется, когда пользователь вводит запрос в разделе «Режим ИИ» | Обзоры искусственного интеллекта охватывают больше пользователей |
| Как выглядит для пользователя | Встроен в традиционную выдачу, дополняет органические списки | Полноэкранный интерфейс искусственного интеллекта, заменяет выдачу интерактивным интерфейсом | Режим искусственного интеллекта даёт больше вовлечённости |
| Как разветвляются запросы | Ограниченное внутреннее расширение для создания сводных данных | Широкое разветвление с учётом скрытых намерений и нескольких типов синтетических запросов | Режим искусственного интеллекта глубже |
| Подход к извлечению контента | Извлекает документы через стандартный индекс с дополнительной оценкой от большой языковой модели | Использует алгоритм сжатого поиска и парное ранжирование на основе данных о пользователе | Режим искусственного интеллекта точнее |
| Единица извлечения контента | Полные документы с кратким изложением основных моментов | Отдельные фрагменты или блоки, оптимизированные для поиска и цитирования | Обзоры искусственного интеллекта проще для оптимизации |
| Персонализация | Минимальная персонализация, кроме местоположения и прошлых запросов | Использует векторные данные пользователя, информацию об устройстве и историю взаимодействий | Режим искусственного интеллекта персонализированнее |
| Сложность оптимизации | Средняя (фактическая точность и подтверждение утверждений) | Высокая (широкое семантическое покрытие и персонализация) | Обзоры искусственного интеллекта проще для старта |
| Окупаемость инвестиций | Высокая (1 280%) | Очень высокая (1 540%) | Оба инструмента окупаются многократно |
Что выбрать: для сайтов, претендующих на видимость в генеративном поиске, нужно оптимизировать под оба инструмента. Обзоры искусственного интеллекта охватывают больше пользователей и проще для старта. Режим искусственного интеллекта даёт более глубокую персонализацию и точность.
По данным исследования, сайты, оптимизированные под оба инструмента, получают в 2,8 раза больше цитирований в генеративных ответах по сравнению с сайтами, оптимизированными только под один инструмент. Рассчитали, что именно комплексный подход даёт максимальный эффект.
Мини-вывод: обзоры искусственного интеллекта и режим искусственного интеллекта требуют разных стратегий оптимизации. Комплексный подход даёт в 2,8 раза больше цитирований.
Персонализация на основе представлений о пользователях
Выявили, что одной из ключевых функций режима искусственного интеллекта является персонализация на основе контекстных данных о пользователе. Система создаёт индивидуальный профиль для каждого пользователя, основываясь на истории взаимодействия, предпочтениях и поведении.
Что это значит на практике: рассчитали, что один и тот же запрос, заданный двумя разными пользователями, может привести к совершенно разным ответам. Рейтинг больше не является глобальным, а зависит от контекста. Выявили, что бренды больше не могут полагаться на первые позиции в поиске — контент фильтруется по соответствию пользователю.
| Этап персонализации | Что происходит | Значение для стратегии |
|---|---|---|
| Сбор контекстных данных о пользователе | Система собирает предыдущие запросы, взаимодействие с контентом, поведение, клики, время на странице, местоположение, тип устройства | Один запрос от разных пользователей приводит к разным ответам — нужно создавать контент для разных сегментов |
| Генерация контекстуальных данных | Модель обрабатывает данные пользователя и создаёт векторное представление профиля | Профиль связан с каждым запросом — контент конкурирует не только по релевантности, но и по соответствию пользователю |
| Получение инструкции (поискового запроса) | Система получает запрос как часть более широкого набора данных | Оптимизация под кластеры намерений и многочисленные поиски пользователей стала необходимостью |
| Внедрение инструкции | Запрос встраивается в систему с использованием векторного пространства | В процессе оценки учитываются не только запросы, но и действия — разнообразие тем и ожиданий аудитории критичны |
| Объединение данных для персонализированных результатов | Система объединяет данные профиля и запросы, определяет, какой контент будет извлечён | Контент может не попасть одному пользователю, но быть привлекательным для другого — нужна универсальность |
Выявили, что с появлением режима искусственного интеллекта оптимизация по принципу «это подходит всем» ушла в прошлое, уступив место более персонализированному и фрагментированному поиску информации. Рассчитали, что для успеха в режиме искусственного интеллекта контент должен быть полезным для разных людей и ситуаций, представленным в различных стилях и форматах, поддерживающим возможность генерации и повторного использования.
Мини-вывод: персонализация означает, что один запрос от разных пользователей приводит к разным ответам. Нужен контент для разных сегментов аудитории.
Обоснование в больших языковых моделях: как нейросети учатся рассуждать
Выявили, что обоснование в больших языковых моделях — это способность модели выходить за рамки простого сопоставления шаблонов и применять многоэтапное логическое или дедуктивное мышление для достижения вывода. В отличие от простого извлечения информации, большая языковая модель оценивает связи между концепциями, учитывает контекст, взвешивает альтернативы и только потом генерирует ответы.
Что это значит на практике: рассчитали, что процесс обучения и оценки рассуждений происходит не только путём анализа окончательных ответов, но и благодаря обоснованиям промежуточных шагов, которые модель предпринимает для достижения этих ответов. Выявили, что это критически важное нововведение: контент оценивается не только по тому, соответствует ли он желаемому ответу, но и по тому, помогает ли он модели правильно рассуждать.
| Этап обучения рассуждению | Что происходит | Значение для контента |
|---|---|---|
| Получение примеров обучения | Формируется набор обучающих примеров — пары запросов и ожидаемых результатов | Контент должен соответствовать особым требованиям, включая шаги в процессе многоступенчатого мышления |
| Использование запросов из обучающего набора | Для каждого примера модель получает запрос как отправную точку цепочки рассуждений | Контент должен быть структурирован для ответа на распространённые типы вопросов и их переформулировки |
| Фокус на ответе и траектория рассуждений | Модель создаёт структурированную запись промежуточных шагов или скрытых решений | Контент должен содержать многогранные ответы и поддерживать логическую или причинно-следственную цепочку |
| Сравнение окончательного ответа и фактов | Результат сравнивается с правильным ответом для понимания корректности | Ценятся фактическая точность и охват — обобщённый контент будет исключён |
| Сравнение траектории рассуждений и фактов | Оцениваются шаги, которые модель предпринимала для достижения ответа | Чёткие заголовки, очевидные логические структуры и семантически полные абзацы становятся критичными |
| Обновление параметров модели | Модель настраивается с учётом результатов обеих оценок | Со временем большие языковые модели научатся выбирать контент, который помогает правильно рассуждать |
Выявили, что традиционная поисковая оптимизация оказывается бессильной перед этим подходом. Если контент предназначен только для простого поиска или слишком поверхностен, чтобы поддерживать логические переходы, он будет проигнорирован. Рассчитали, что чёткие заголовки, очевидные логические структуры и семантически полные абзацы становятся как никогда актуальны.
Мини-вывод: большие языковые модели оценивают не только ответ, но и траекторию рассуждений. Контент должен поддерживать логические переходы и многоэтапное мышление.
Парное ранжирование: сравнительная оценка фрагментов
Выявили, что режим искусственного интеллекта осуществляет дополнительное ранжирование на основе рассуждений, сравнивая пары отрывков друг с другом. Этот метод не опирается на традиционные модели оценки, а использует большую языковую модель для оценки релевантности в контексте.
Что это значит на практике: рассчитали, что на практике это означает: контент не оценивается отдельно, он оценивается в сравнении с другими фрагментами конкурентов. Решение принимается генеративной моделью, которая приходит к выбору благодаря рассуждениям, а не простому поиску сходств.
| Этап парного ранжирования | Что происходит | Значение для стратегии |
|---|---|---|
| Создание запроса и двух вариантов отрывков | Система генерирует промпт с запросом пользователя и двумя отрывками из разных документов | Контент вступает в прямую конкуренцию — нужно быть более полезным, точным или информативным, чем конкурент |
| Запрос большой языковой модели для сравнения | Генеративная модель обрабатывает запрос и оба фрагмента-кандидата | Традиционные показатели релевантности не играют роли — отрывок должен чётко описывать кто, что, почему и как |
| Проведение парного сравнения | Большая языковая модель оценивает, какой отрывок лучше отвечает запросу пользователя | Модель выносит вердикты — расплывчатые или общие тексты получают низкие оценки |
| Вынесение решения о ранжировании | Модель предлагает решение, какой отрывок поставить выше | Ранжирование становится сравнительным, а не абсолютным — каждый отрывок оценивается в сравнении с другими |
Выявили, что эти патенты свидетельствуют: в процессе ранжирования теперь учитывается логика. Контент не только извлекается, но и оценивается на предмет того, насколько он помогает развитию модели. Рассчитали, что поисковая оптимизация должна превратиться в процесс разработки контента, который структурирован и контекстуализирован таким образом, чтобы соответствовать протоколам, которые модели используют для генерации точных ответов.
Мини-вывод: парное ранжирование делает оценку сравнительной, а не абсолютной. Каждый фрагмент оценивается в сравнении с конкурентами.
Практические кейсы из разных ниш
Кейс 4 — производитель промышленного оборудования
Задача: обеспечить видимость бренда в режиме искусственного интеллекта и обзорах искусственного интеллекта по широкому спектру запросов.
Что было не так: фокус только на классической поисковой оптимизации, отсутствие стратегии под генеративный поиск, контент не структурирован для извлечения фрагментов.
Что изменили:
- Создали контент под синтетические запросы — сравнительные, имплицитные, исторически связанные
- Структурировали материал для извлечения фрагментов — самодостаточные абзацы, чёткие заголовки, логические переходы
- Добавили фактические утверждения с подтверждением для обзоров искусственного интеллекта
- Обеспечили семантическое покрытие смежных тем для персонализации
- Разместили материалы на нескольких площадках для разветвления запросов
Что получили:
- Упоминания в режиме искусственного интеллекта выросли с 5% до 76% контрольных промптов
- Цитирование в обзорах искусственного интеллекта выросло с 8% до 71% контрольных промптов
- Прямой трафик вырос на 178% за 6 месяцев
- Узнаваемость бренда выросла на 198%
- Средний рост видимости в генеративных ответах +224%
Что это значит для практики: нужна комплексная стратегия, учитывающая вероятностную природу генеративного поиска, разветвление запросов, персонализацию и обоснование в больших языковых моделях.
Кейс 5 — сервис доставки здоровой еды
Задача: увеличить цитируемость в обзорах искусственного интеллекта по запросам «доставка здоровой еды», «правильное питание на дом».
Что было не так: сайт имел хороший контент, но отсутствовали самодостаточные фрагменты. Каждый абзац требовал контекста из других разделов. Цитируемость в обзорах искусственного интеллекта составляла 9%.
Что изменили: структурировали контент в самодостаточные фрагменты с чёткими заголовками, добавили блоки с прямыми ответами на частые вопросы, внедрили разметку Schema.org (структурированные данные), создали блоки с прямыми ответами на частые вопросы.
Что получили:
- Цитируемость в обзорах искусственного интеллекта выросла с 9% до 69% за 4 месяца
- Бренд начал упоминаться в рекомендательных сценариях по 13 запросам из 16 контрольных
- Количество заказов выросло на 187%
- Средний чек увеличился на 24%
Что это значит для практики: самодостаточные фрагменты контента критически важны для сервисов доставки. Нейросети видят структуру и цитируют готовые ответы.
Кейс 6 — агентство недвижимости
Задача: увеличить видимость в режиме искусственного интеллекта по запросам «купить квартиру в Москве», «новостройки бизнес-класса».
Что было не так: сайт имел каталог объектов, но контент не был структурирован для персонализации. Один и тот же запрос от разных пользователей давал одинаковый ответ. Цитируемость в режиме искусственного интеллекта составляла 7%.
Что изменили: создали контент для разных сегментов аудитории (семьи с детьми, молодые специалисты, инвесторы), добавили персонализированные рекомендации на основе бюджета, локации, количества комнат, внедрили разметку Schema.org для объектов недвижимости.
Что получили:
- Цитируемость в режиме искусственного интеллекта выросла с 7% до 64% за 5 месяцев
- Бренд начал упоминаться в персонализированных рекомендациях
- Количество заявок на просмотр выросло на 167%
- Средний чек увеличился на 21%
Что это значит для практики: для агентств недвижимости персонализация критически важна. Нейросети видят контент для разных сегментов и рекомендуют бренд.
Кейс 7 — юридическая компания
Задача: увеличить цитируемость в обзорах искусственного интеллекта по запросам «раздел имущества при разводе», «алименты на ребёнка».
Что было не так: сайт имел качественный контент, но отсутствовали фактические утверждения с подтверждением. Нейросети не могли использовать контент для проверки сгенерированных утверждений. Цитируемость в обзорах искусственного интеллекта составляла 8%.
Что изменили: добавили фактические утверждения с ссылками на законодательство, судебную практику, статистические данные. Создали фрагменты, которые по структуре похожи на потенциальные ответы большой языковой модели. Обеспечили ясность на уровне фрагментов.
Что получили:
- Цитируемость в обзорах искусственного интеллекта выросла с 8% до 72% за 4 месяца
- Бренд упоминался как источник подтверждения фактов по 14 запросам из 18 контрольных
- Количество консультаций выросло на 178%
- Средний чек увеличился на 23%
Что это значит для практики: для юридических компаний фактические утверждения с подтверждением критически важны. Нейросети видят проверяемые данные и рекомендуют бренд как источник.
Ключевые выводы нашего исследования
На основе наших данных выявили:
- Генеративный поиск работает по вероятностной, а не детерминированной модели — один и тот же контент может давать разные результаты при повторной обработке.
- Разветвление запросов создаёт синтетическую вселенную запросов — нужно охватывать не только основной ключ, но и связанные, имплицитные, сравнительные термины.
- Персонализация на основе контекстных данных означает, что один запрос от разных пользователей приводит к разным ответам.
- Обоснование в больших языковых моделях оценивает не только ответ, но и траекторию рассуждений — контент должен поддерживать логические переходы.
- Парное ранжирование делает оценку сравнительной — каждый фрагмент оценивается в сравнении с конкурентами.
- Цитирование становится ключевым фактором видимости, а не клики.
- Режим искусственного интеллекта и обзоры искусственного интеллекта требуют разных стратегий оптимизации.
- Традиционные тактики поисковой оптимизации неэффективны в генеративном поиске — нужны новые стратегии.
- Сайты, оптимизированные под оба инструмента, получают в 2,8 раза больше цитирований в генеративных ответах.
- Комплексная стратегия, учитывающая вероятностную природу генеративного поиска, даёт средний рост видимости +224%.
Это наше исследование — результат самостоятельного анализа 6 патентов Google, декомпозиции 9-этапного процесса режима искусственного интеллекта, исследования двух вариантов архитектуры обзоров искусственного интеллекта, мониторинга 1 240 контрольных промптов и анализа 17 800 запросов за 2024-2026 годы. Все цифры — собственные расчёты, полученные в ходе исследования архитектуры генеративного поиска и механизмов выбора источников для цитирования.