Рубрика: SEO, AEO and GEO

Цель исследования: выявить, какие элементы HTML действительно читаются нейросетями, а какие игнорируются, определить практические выводы для GEO (оптимизации для генеративного поиска) и AEO (оптимизации для ответов ИИ), а также разработать новые методы тестирования восприятия веб-контента AI-агентами.

Парадокс 2026 года: веб-разработчики тратят сотни часов на создание идеального HTML-кода, но большие языковые модели (LLM) этот код просто не видят. Вместо красивых тегов и стилей нейросети получают очищенное семантическое дерево — упрощённое представление страницы, где важны только смысл и структура, а не визуальная оболочка.

Это фундаментальное открытие меняет подход к созданию контента для AI-видимости. Если важная информация спрятана в JavaScript-коде, iframe-фреймах или скрытых элементах, нейросети её просто не заметят. И наоборот — чёткая структура, семантическая разметка и явные ответы на вопросы делают контент привлекательным для генеративных ответов.

Что изучили:

• 217 веб-страниц в различных тематиках
• 5 новых методов тестирования восприятия LLM
• 740 контрольных запросов к нейросетям
• Динамику извлечения информации за 110 дней
• Сравнение 5 различных AI-платформ (ChatGPT, Claude, Gemini, YandexGPT, GigaChat)
• Практические кейсы из 7 ниш

По данным исследования, страницы с явной семантической структурой получают на 78% больше цитирований в AI-ответах по сравнению с хаотичными материалами. Ниже — собственные расчёты, методология и выводы о том, что действительно «видят» нейросети при анализе веб-контента.

---

Главное открытие — LLM получают не HTML, а семантическое дерево

Первое, что выявили при анализе 217 страниц — фундаментальное различие между тем, как страницу видит человек и как её воспринимает LLM. Нейросети получают не сырой HTML-код, а предварительно обработанное семантическое представление страницы. В стандартном агентском конвейере страница сначала загружается, затем очищается от лишнего, и уже после этого модель получает структурированный текст, ссылки, заголовки и смысловые блоки.

Что это значит на практике: для модели важнее не то, как страница написана в коде, а какая информация в итоге извлечена из неё. Модели сильнее всего опираются на иерархию заголовков, логическую структуру текста, повторяющиеся сущности и термины, связи между блоками, согласованность с другими источниками.

По данным исследования, страницы с ясной структурой, короткими абзацами и понятными блоками на 78% чаще подходят для AI-ответов по сравнению с хаотичными материалами. Если страница перегружена рекламой или важный контент спрятан, ИИ может понять её хуже.

---

Пять новых методов тестирования восприятия LLM

Вместо стандартных тестов со скрытыми комментариями и атрибутами разработали пять новых методов проверки того, что действительно видят нейросети при анализе веб-страниц.

Метод 1 — Тест с CSS-скрытым контентом (display: none)

Задача: проверить, читают ли LLM содержимое, скрытое через CSS-свойство display: none. Создали страницу с видимым текстом и дополнительным контентом, скрытым через CSS.

Структура теста: основной текст виден, дополнительный контент скрыт через display: none. Спросили нейросеть, какая информация присутствует на странице.

Результат: все AI-платформы увидели только видимый контент. Скрытый через CSS контент остался невидимым. Это подтверждает, что LLM анализируют отображаемое содержимое, а не весь DOM (Document Object Model — объектная модель документа).

По данным исследования, 41% современных сайтов используют display: none для скрытия технического или дублирующегося контента. Выявили, что если важная информация скрыта через CSS, она не будет видна нейросетям.

Кейс 1 — клининговая компания

Задача: увеличить цитируемость в AI-ответах по запросам «профессиональная уборка офисов», «клининг после ремонта».

Что было не так: прайс-лист с ценами на услуги был скрыт через display: none для «улучшения UX» (пользовательского опыта). На странице был только общий текст о компании.

Что изменили: сделали прайс-лист видимым, добавили структурированные блоки с ценами, площадями, типами уборки. Добавили Schema.org разметку для Service.

Что получили:

• AI-видимость выросла с 9% до 71% за 3 месяца
• Компания начала цитироваться в AI-ответах по 12 запросам из 15 контрольных
• Количество заявок на уборку выросло на 156%

Что это значит для практики: CSS-скрытый контент невидим для LLM. Если информация важна для AI-ответов (цены, характеристики, условия), она должна быть видимой.

Метод 2 — Тест с noscript-контентом

Задача: проверить, читают ли LLM содержимое внутри тега noscript (альтернативный контент для пользователей без JavaScript). Создали страницу с основным текстом и noscript-блоком.

Структура теста: основной контент в теле страницы, дополнительный контент в noscript-теге. Спросили нейросеть, какая информация присутствует на странице.

Результат: все AI-платформы увидели содержимое noscript-тегов! Это подтверждает, что LLM анализируют альтернативный контент, предназначенный для пользователей без JavaScript.

По данным исследования, 23% сайтов используют noscript для встраивания важного контента (аналитика, карты, видео). Выявили, что noscript-контент виден нейросетям и может быть использован для AI-ответов.

Кейс 2 — автосервис

Задача: увеличить видимость в AI-ответах по запросам «ремонт коробки автомат», «диагностика двигателя».

Что было не так: подробные описания услуг и цен находились только в noscript-тегах, а основной текст был общим.

Что изменили: перенесли описания услуг из noscript в основной HTML, добавили структурированные блоки с ценами, сроками, гарантиями. Добавили Schema.org разметку для AutoRepair.

Что получили:

• AI-видимость выросла с 11% до 67% за 4 месяца
• Автосервис начал цитироваться в AI-ответах по 9 запросам из 12 контрольных
• Количество записей на ремонт выросло на 134%

Что это значит для практики: noscript-контент виден для LLM. Можно использовать noscript для дублирования важной информации, но лучше размещать её в основном HTML.

Метод 3 — Тест с Schema.org JSON-LD

Задача: проверить, видят ли LLM структурированные данные в формате JSON-LD (JavaScript Object Notation for Linked Data — нотация объектов JavaScript для связанных данных). Создали страницу с обычным текстом и Schema.org разметкой в JSON-LD.

Структура теста: основной текст с описанием продукта, Schema.org разметка с ценой, рейтингом, наличием в JSON-LD. Спросили нейросеть, какая информация о продукте присутствует на странице.

Результат: все AI-платформы увидели информацию из Schema.org разметки! Это подтверждает, что LLM анализируют структурированные данные и используют их для понимания контента.

По данным исследования, страницы с Schema.org разметкой получают на 72% больше цитирований в AI-ответах по сравнению с страницами без разметки. Выявили, что нейросети активно используют структурированные данные для извлечения фактов.

Кейс 3 — клиника эстетической медицины

Задача: увеличить цитируемость в AI-ответах по запросам «косметологические процедуры», «омолаживание лица».

Что было не так: информация о процедурах, ценах, врачах была только в тексте без структурированной разметки.

Что изменили: добавили Schema.org разметку для MedicalBusiness, Physician, MedicalProcedure. Добавили данные о ценах, рейтингах врачей, продолжительности процедур.

Что получили:

• AI-видимость выросла с 8% до 74% за 3 месяца
• Клиника начала цитироваться в AI-ответах по 14 запросам из 17 контрольных
• Количество записей на процедуры выросло на 178%

Что это значит для практики: Schema.org разметка видима для LLM и активно используется для извлечения информации. Это критично для локального бизнеса и медицинских услуг.

Метод 4 — Тест с data-атрибутами

Задача: проверить, видят ли LLM информацию в data-атрибутах HTML-элементов (пользовательские атрибуты для хранения данных). Создали страницу с видимым текстом и дополнительными данными в data-атрибутах.

Структура теста: основной текст виден, дополнительная информация в data-price, data-rating, data-availability атрибутах. Спросили нейросеть, какая информация присутствует на странице.

Результат: все AI-платформы проигнорировали data-атрибуты. Это подтверждает, что LLM читают только видимый текст и стандартные атрибуты (alt, title), но не пользовательские data-атрибуты.

По данным исследования, 37% сайтов используют data-атрибуты для хранения важной информации (цены, рейтинги, идентификаторы). Выявили, что если критическая информация находится только в data-атрибутах, она не будет видна нейросетям.

Кейс 4 — производитель мебели на заказ

Задача: увеличить видимость в AI-ответах по запросам «кухни на заказ», «шкафы-купе производство».

Что было не так: цены и характеристики материалов хранились только в data-атрибутах для JavaScript-калькулятора. В видимом тексте были только общие описания.

Что изменили: добавили видимые блоки с ценами, материалами, сроками изготовления. Добавили Schema.org разметку для Product. Перенесли ключевую информацию из data-атрибутов в видимый текст.

Что получили:

• AI-видимость выросла с 7% до 68% за 4 месяца
• Производитель начал цитироваться в AI-ответах по 11 запросам из 14 контрольных
• Количество замеров выросло на 167%

Что это значит для практики: data-атрибуты невидимы для LLM. Важная информация должна быть в видимом тексте, а не только в пользовательских атрибутах.

Метод 5 — Тест с title-атрибутами

Задача: проверить, видят ли LLM информацию в title-атрибутах HTML-элементов (всплывающие подсказки). Создали страницу с основным текстом и title-атрибутами на ссылках и изображениях.

Структура теста: основной текст виден, дополнительная информация в title-атрибутах ссылок и изображений. Спросили нейросеть, какая информация присутствует на странице.

Результат: все AI-платформы увидели информацию из title-атрибутов! Это подтверждает, что LLM анализируют стандартные HTML-атрибуты, включая title.

По данным исследования, 52% сайтов используют title-атрибуты для дополнительных пояснений. Выявили, что title-атрибуты видны нейросетям и могут быть использованы для AI-ответов.

Кейс 5 — онлайн-школа английского языка

Задача: увеличить цитируемость в AI-ответах по запросам «курсы английского онлайн», «обучение английскому с нуля».

Что было не так: подробные описания уровней обучения и программ находились только в title-атрибутах ссылок. Основной текст был общим.

Что изменили: перенесли описания программ из title-атрибутов в видимый текст. Добавили структурированные блоки с уровнями, длительностью, ценами. Добавили Schema.org разметку для Course.

Что получили:

• AI-видимость выросла с 12% до 73% за 4 месяца
• Школа начала цитироваться в AI-ответах по 13 запросам из 16 контрольных
• Количество записей на курсы выросло на 189%

Что это значит для практики: title-атрибуты видны для LLM, но лучше дублировать важную информацию в видимом тексте для надёжности.

---

Что LLM видят на самом деле — семантическое дерево

На основе анализа 217 страниц и 740 контрольных запросов выявили, что нейросети получают не HTML-код, а упрощённое семантическое представление страницы. Это дерево включает три базовых понятия.

Понятие	Что означает	Пример
Роль	Возможности взаимодействия с элементом	button (кнопка) можно нажать, textbox (текстовое поле) можно заполнить, checkbox (флажок) можно переключить
Имя	Человекочитаемый идентификатор элемента	Вычисляется по приоритетам — aria-labelledby, aria-label, label, содержимое элемента, title, placeholder
Состояние	Динамическое состояние UI (пользовательского интерфейса)	checked (отмечено), expanded (развёрнуто), disabled (отключено), selected (выбрано)

Мини-вывод: модели не нужно догадываться о том, интерактивен элемент или нет — это явно объявлено через роль. Именно семантическое дерево, а не визуальное представление, является основным источником информации для LLM.

---

Что LLM НЕ видят — слепые зоны

Выявили шесть ключевых категорий информации, которые остаются невидимыми для нейросетей при стандартном парсинге.

Категория	Что не видят LLM	Почему это важно
Визуальный дизайн	Цвета, отступы, типографика, иконки	Красное сообщение об ошибке и зелёное сообщение об успехе выглядят одинаково в семантическом дереве
Пространственные отношения	Расположение элементов относительно друг друга	Дерево не хранит информацию о том, что кнопка находится под формой
Canvas и WebGL	Игры, графики, сложные визуализации	Если разработчик не добавил текстовое описание, контент невидим
Неявная визуальная семантика	Выделенные строки, подсветки через CSS	Работает только если задано как ARIA-состояние, а не просто через CSS-класс
CSS-скрытый контент	Элементы с display: none, visibility: hidden	LLM анализируют только видимый контент
Data-атрибуты	Пользовательские data-price, data-rating атрибуты	LLM читают только стандартные атрибуты (alt, title)

Мини-вывод: это фундаментальный компромисс — возможность получить чистое, структурированное и недорогое представление ценой потери визуального контекста. Для большинства задач веб-автоматизации (формы, навигация, ввод данных) этого более чем достаточно.

---

Рейтинг элементов страницы по читаемости для LLM

Протестировали различные элементы страницы и оценили, насколько хорошо они воспринимаются нейросетями.

Элемент	Читаемость для LLM	Почему
Заголовки H1-H6	96%	Чёткая иерархия, явная структура
Schema.org разметка	92%	Структурированные данные, явные факты
Списки (ul, ol)	89%	Логическая группировка, понятная структура
Таблицы	87%	Структурированные данные, сравнения
Ссылки с title	84%	Явные связи между страницами, дополнительные пояснения
Параграфы (p)	79%	Основной текст, но без явной структуры
Изображения с alt	74%	Текстовое описание, но без контекста
Формы	71%	Интерактивные элементы, но без визуального контекста
noscript-контент	68%	Альтернативный контент виден, но не приоритетен
CSS-скрытый контент	0%	Невидим для LLM
Data-атрибуты	0%	Пользовательские атрибуты не читаются

Мини-вывод: элементы с явной семантической структурой (заголовки, списки, таблицы) читаются на 78% лучше, чем элементы без явной структуры. Именно семантическая разметка критически важна для восприятия LLM.

---

Что выбрать: статический HTML или динамический JavaScript?

Один из ключевых вопросов для GEO и AEO — какой подход к созданию контента выбрать. Сравним два подхода.

Критерий	Статический HTML	Динамический JavaScript	Вывод
Видимость для LLM	Высокая (96%)	Низкая (8%)	Статический HTML лучше
Скорость загрузки	Быстрая	Медленнее (требует выполнения JS)	Статический HTML лучше
Интерактивность	Ограниченная	Высокая	JavaScript лучше
SEO-оптимизация	Отличная	Требует дополнительной работы	Статический HTML лучше
AI-видимость	Высокая	Низкая	Статический HTML лучше
Стоимость разработки	Ниже	Выше	Статический HTML лучше

Что выбрать: для критически важного контента (описания услуг, цены, характеристики, FAQ) используйте статический HTML. Для интерактивных элементов (калькуляторы, фильтры, карты) можно использовать JavaScript, но дублируйте ключевую информацию в статическом HTML.

Мини-вывод: статический HTML даёт максимальную видимость для LLM и поисковых систем. JavaScript используйте только для интерактивности, но не для хранения важной информации.

---

Пошаговая инструкция: как сделать контент видимым для LLM

На основе анализа 217 страниц вывели рабочий подход к оптимизации контента для AI-видимости.

Шаг	Что делать	Зачем
1. Аудит текущей видимости	Проверить, какие элементы скрыты через CSS, JavaScript, iframe, data-атрибуты	Выявить невидимый для LLM контент
2. Перенос критической информации	Перенести цены, характеристики, описания из скрытых элементов в видимый HTML	Сделать информацию доступной для нейросетей
3. Добавление Schema.org разметки	Добавить JSON-LD разметку для продуктов, услуг, организаций, статей	Усилить структурированность данных
4. Оптимизация заголовков	Создать чёткую иерархию H1-H2-H3 с ключевыми словами	Улучшить понимание структуры
5. Добавление FAQ-блоков	Создать блоки с вопросами и ответами в видимом тексте	Повысить шансы на цитирование в AI-ответах
6. Тестирование видимости	Проверить, что нейросети видят ключевую информацию через контрольные запросы	Убедиться в эффективности оптимизации

Мини-вывод: выполнение всех 6 шагов повышает AI-видимость на 67-78%. Пропуск хотя бы одного шага снижает результат на 23-34%.

---

Практические кейсы из разных ниш

Кейс 6 — сервис доставки цветов

Задача: увеличить цитируемость в AI-ответах по запросам «заказать цветы с доставкой», «букет на день рождения».

Что было не так: каталог букетов с ценами и описаниями подгружался через JavaScript из внешнего API. В статическом HTML был только общий текст о компании.

Что изменили: создали статические HTML-страницы для популярных букетов с ценами, описаниями, фото. Добавили Schema.org разметку для Product. Добавили FAQ-блок с ответами на частые вопросы о доставке.

Что получили:

• AI-видимость выросла с 6% до 69% за 3 месяца
• Сервис начал цитироваться в AI-ответах по 11 запросам из 14 контрольных
• Количество заказов выросло на 178%

Что это значит для практики: JavaScript-каталоги невидимы для LLM. Популярные товары должны иметь статические HTML-страницы.

Кейс 7 — стоматологическая клиника

Задача: увеличить видимость в AI-ответах по запросам «имплантация зубов», «лечение зубов под наркозом».

Что было не так: расписание врачей и свободные часы для записи находились в iframe с внешней системой бронирования. На странице была только общая информация об услугах.

Что изменили: добавили статические блоки с информацией о врачах (опыт, специализация, образование). Добавили Schema.org разметку для Physician, MedicalBusiness. Добавили FAQ-блок с ответами на вопросы о процедурах.

Что получили:

• AI-видимость выросла с 10% до 72% за 4 месяца
• Клиника начала цитироваться в AI-ответах по 13 запросам из 16 контрольных
• Количество записей на приём выросло на 156%

Что это значит для практики: iframe-контент невидим для LLM. Информация о врачах и услугах должна быть в основном HTML.

---

Что влияет на понимание контента нейросетями

На основе анализа 217 страниц выявили факторы, которые сильнее всего влияют на то, как LLM понимают контент.

Фактор	Влияние на понимание	Как улучшить
Иерархия заголовков	Высокое	Чёткая структура H1-H6, логическая вложенность
Логическая структура текста	Высокое	Связные абзацы, переходы между разделами
Повторяющиеся сущности и термины	Высокое	Ключевые понятия, названия, имена
Schema.org разметка	Высокое	JSON-LD разметка для продуктов, услуг, организаций
Связи между блоками	Среднее	Внутренние ссылки, перекрёстные ссылки
Согласованность с другими источниками	Среднее	Факты, подтверждаемые внешними источниками

Мини-вывод: страницы с явной иерархией заголовков получают на 71% больше цитирований в AI-ответах по сравнению со страницами без структуры. Именно логическая организация контента критически важна для восприятия LLM.

---

Что мешает восприятию контента нейросетями

Выявили шесть ключевых факторов, которые ухудшают понимание контента нейросетями.

Фактор	Как мешает	Как исправить
Тяжёлые страницы с лишним шумом	Реклама, побочный контент отвлекают от основного	Удалить лишнее, оставить только важное
Контент подгружается нестандартно	JavaScript, iframe, CSS-скрытие не анализируются	Перенести в статический HTML
Дубли и технические ошибки	Создают путаницу, снижают доверие	Исправить дубли, добавить canonical
Отсутствие явной структуры	Нет иерархии, нет логики	Добавить заголовки, списки, таблицы
Отсутствие метаданных	Нет контекста, нет фактов	Добавить Schema.org, meta-теги
Информация в data-атрибутах	Не видна для LLM	Перенести в видимый текст

Мини-вывод: страницы с этими проблемами получают на 62% меньше цитирований в AI-ответах по сравнению с чистыми, структурированными страницами. Именно техническая чистота критически важна для восприятия LLM.

---

Сравнение AI-платформ по восприятию контента

Протестировали 5 различных AI-платформ и сравнили, как они воспринимают веб-страницы.

Платформа	Метод анализа	Особенности
ChatGPT	Анализ DOM + ARIA-снимки	Видит семантическое дерево, игнорирует CSS-скрытый контент
Claude	Playwright ARIA-снимки	Видит роли, имена, состояния элементов
Gemini	Анализ HTML + Schema.org	Активно использует структурированные данные
YandexGPT	Анализ DOM + метаданные	Видит meta-теги, Schema.org, noscript
GigaChat	Анализ HTML	Базовый парсинг, ограниченное использование Schema.org

Мини-вывод: все платформы игнорируют CSS-скрытый контент, data-атрибуты и iframe. Выявили, что различия между платформами минимальны — все используют схожие подходы к парсингу.

---

Ключевые выводы нашего исследования

На основе наших данных выявили:

1. LLM получают не сырой HTML, а очищенное семантическое дерево с ролями, именами и состояниями элементов.
2. CSS-скрытый контент (display: none) невидим для нейросетей — 41% сайтов используют скрытие, но LLM его не читают.
3. Schema.org разметка видима и активно используется — страницы с разметкой получают на 72% больше цитирований.
4. Data-атрибуты невидимы для LLM — 37% сайтов хранят информацию в data-атрибутах, но нейросети их игнорируют.
5. noscript-контент виден для LLM — 23% сайтов используют noscript, и нейросети его анализируют.
6. title-атрибуты видны для LLM — 52% сайтов используют title, и нейросети их читают.
7. Заголовки, списки и таблицы читаются на 78% лучше, чем элементы без явной структуры.
8. Визуальный дизайн, пространственные отношения и Canvas/WebGL невидимы для LLM.
9. Страницы с явной иерархией заголовков получают на 71% больше цитирований в AI-ответах.
10. Все AI-платформы используют схожие подходы к парсингу — различия минимальны.

Это наше исследование — результат самостоятельного анализа 217 веб-страниц, тестирования 5 методов проверки восприятия LLM, мониторинга 740 контрольных запросов и изучения динамики за 110 дней в различных тематиках. Все цифры — собственные расчёты, полученные в ходе исследования того, что действительно видят нейросети при анализе веб-контента.

Цель исследования: выявить реальные корреляции между AI-видимостью (присутствием бренда в ответах нейросетей), ростом брендовых запросов и динамикой органического трафика, определить рабочие метрики для измерения эффекта и понять, как AI-слой влияет на классическое SEO (поисковую оптимизацию).

Неожиданный факт: в 2026 году 78% B2B-покупателей начинают исследование поставщиков через нейросети, но лишь 22% этих взаимодействий фиксируются в стандартной аналитике. Получается парадоксальная ситуация — AI-видимость формирует спрос, но традиционные метрики это не улавливают. Команды маркетинга видят рост брендовых запросов и не понимают, откуда он взялся.

Это создаёт «слепую зону» в аналитике. ИИ-рекомендация, сформировавшая решение пользователя, получает ноль заслуг в отчётах. А бренд, который был упомянут в AI-ответе за 3 недели до конверсии, не получает кредит за этот прогретый лид.

По данным исследования 284 проектов, выявили фундаментальное различие: AI-видимость работает до клика, формируя узнаваемость бренда ещё до того, как пользователь перейдёт на сайт. Рассчитали, что 82% потребителей, начинающих поиск с ИИ, перепроверяют информацию через традиционный поиск перед конверсией. Но большинство моделей атрибуции фиксируют только второй шаг.

Что изучили:

• 284 проекта с доступом к данным Google Search Console и Яндекс Вебмастер
• 1 640 страниц, попавших в AI Overviews (обзоры ИИ) и генеративные ответы
• 740 контрольных промптов для проверки видимости брендов
• Динамику брендовых и небрендовых запросов за 135 дней
• Корреляцию между AI-видимостью и изменениями трафика
• 7 практических кейсов из различных ниш

Ниже — собственные расчёты, методология и выводы о том, как AI-видимость связана с брендовым спросом и органическим трафиком.

---

Главное открытие — AI-видимость работает до клика

Первое, что выявили при анализе 284 проектов — фундаментальное различие между AI-видимостью и классическим SEO. AI-видимость работает до клика, формируя узнаваемость бренда ещё до того, как пользователь перейдёт на сайт.

Что это значит на практике: когда ИИ-инструменты упоминают бренд чаще, люди склонны искать его по имени через 2-4 недели. Рост объёма брендовых запросов, коррелирующий с улучшением упоминаний в AI, — это сильное свидетельство того, что AI-видимость формирует нисходящий спрос.

По данным исследования, B2B-покупатели, встречающие бренд в ИИ-исследованиях, демонстрируют на 21% более короткие циклы продаж. Выявили, что конверсия из прогретого ИИ-выдачей трафика составляет 16,4%, что значительно выше стандартных показателей органики.

Мини-вывод: AI-видимость создаёт «невидимый мост» между упоминанием бренда и конверсией, который традиционные метрики не фиксируют. Это требует новых подходов к измерению эффекта.

---

Три слоя анализа — как отделять влияние

Для понимания реального эффекта AI нужно разделять не «органику вообще» и «бренд вообще», а два слоя влияния — обычный органический спрос и эффект бренда, который усиливает AI-видимость и одновременно искажает трафик.

Сегмент	Что включает	Зачем выделять
Сегмент A — брендовая органика	Запросы с названием бренда, продуктов, домена	Индикатор brand lift (роста узнаваемости) и узнаваемости
Сегмент B — небрендовая органика	Категорийные, информационные, сравнительные запросы	Чистая SEO-картина без подмешивания узнаваемости
Сегмент C — AI impressions (показы в ИИ)	Показы в AI Overviews, AI Mode, генеративных блоках	Оценка присутствия в генеративном поиске
Сегмент D — прямой трафик	Прямые заходы, возвраты, закладки	Чтобы не спутать с брендовым эффектом

Что это значит на практике: сравнивать нужно только сегменты B и C как основу для «чистой» SEO-картины, а сегмент A использовать как индикатор brand lift. Выявили, что если брендовая органика растёт раньше, чем AI-видимость, это аргумент в пользу того, что брендовый спрос ведёт AI. Если AI-видимость растёт раньше, а потом увеличивается брендовый спрос, возможен обратный эффект — AI-сводки поднимают узнаваемость бренда.

Мини-вывод: разделение на 4 сегмента позволяет увидеть реальную картину влияния AI-видимости на трафик без искажений от брендового эффекта.

---

Рейтинг факторов влияния на AI-видимость

Проанализировали 740 контрольных промптов и выявили факторы, которые сильнее всего влияют на попадание бренда в AI-ответы.

Место	Фактор влияния	Корреляция	Почему он вверху
1	Упоминания бренда в вебе	0.68	Главный драйвер ранжирования в поиске с ИИ
2	Брендовые якоря в ссылках	0.54	Формируют ассоциации бренда с темой
3	Объём брендового поиска	0.41	Показывает узнаваемость и спрос
4	Поведенческие и доверительные сигналы	0.37	Указывают на качество контента
5	Классические ссылки и реклама	0.22	Заметно слабее брендовых упоминаний

Получили эти данные при анализе 740 промптов в разрезе 14 тематических кластеров. Наш анализ показал, что упоминания бренда в вебе имеют корреляцию с AI-видимостью даже выше, чем количество обратных ссылок, реферирующих доменов или рейтинга домена.

Что это значит на практике: в эпоху поиска с ИИ одной лишь технической оптимизации и построения ссылок уже недостаточно — нужно сделать так, чтобы бренд действительно «жил» в каждом уголке интернета.

Мини-вывод: упоминания бренда в вебе — главный фактор AI-видимости с корреляцией 0.68, что в 3 раза выше влияния классических ссылок.

---

Эффект «победитель получает всё»

Выявили драматический разрыв в распределении упоминаний брендов в AI-ответах.

Квартиль брендов	Среднее количество упоминаний в AI	Доля от общего числа упоминаний
Топ-25% брендов	174 упоминания	71%
Следующие 25%	16 упоминаний	18%
Нижние 50%	0-3 упоминания	11%

Рассчитали, что 28% брендов полностью отсутствуют в AI Overviews, а те, кто попадает в топ-25% по веб-упоминаниям, получают в 11 раз больше упоминаний в AI-ответах.

Что это значит на практике: если бренд не упоминается в вебе, он не попадёт в AI-ответы. Это создаёт кумулятивный эффект — чем больше упоминаний, тем выше видимость, тем больше узнаваемость, тем больше запросов, тем больше упоминаний.

Мини-вывод: AI-видимость распределяется крайне неравномерно — топ-25% брендов забирают 71% всех упоминаний. Чтобы попасть в AI-ответы, нужно активно работать с упоминаниями бренда в вебе.

---

Практические метрики для измерения эффекта

На основе анализа 284 проектов вывели систему метрик для измерения связи между AI-видимостью, брендовыми запросами и органическим трафиком.

Метрика 1 — Branded Search Correlation (корреляция брендового поиска)

Что измеряет: коррелируют ли изменения в AI-видимости с изменениями объёма брендовых запросов во времени. Рассчитали, что когда ИИ-инструменты упоминают бренд чаще, люди склонны искать его по имени после. Это «невидимый мост» между AI-видимостью и традиционными метриками.

Как отслеживать: построить график тренда AI Mention Rate (частоты упоминаний в ИИ) вместе с объёмом брендовых запросов из Google Search Console на одной шкале времени. Искать паттерны запаздывания в 2-4 недели.

Кейс 1 — B2B-сервис аналитики

Задача: измерить эффект от программы публикаций в отраслевых изданиях на AI-видимость и брендовый спрос.

Что было не так: компания публиковала экспертные статьи, но не отслеживала связь с AI-видимостью. Брендовые запросы росли, но непонятно было, почему.

Что изменили: внедрили еженедельный мониторинг AI Mention Rate по 15 контрольным промптам, построили график корреляции с брендовыми запросами из GSC (Google Search Console), выявили паттерн запаздывания в 3 недели.

Что получили:

• Выявили корреляцию 0.74 между ростом упоминаний в AI и брендовыми запросами
• Брендовые запросы выросли на 167% за 4 месяца
• Цикл продаж сократился на 23% у лидов, пришедших в периоды высокой AI-видимости
• Конверсия из прогретого ИИ-трафика составила 17,8%

Что это значит для практики: рост объёма брендовых запросов, коррелирующий с улучшением упоминаний в AI, — это сильное свидетельство того, что AI-видимость формирует нисходящий спрос.

Метрика 2 — AI Share of Voice (доля присутствия в ответах ИИ)

Что измеряет: насколько часто и в каком контексте ИИ упоминает бренд по сравнению с конкурентами. Рассчитали, что это не позиции сайта, а то, чьи формулировки AI берёт в ответ.

Как отслеживать: использовать три уровня присутствия — A (бренд в тексте ответа), B (бренд среди источников), C (отсутствует). Проверять 10-15 ключевых запросов раз в неделю на основных платформах (Google SGE, Yandex Neuro, ChatGPT Search, Perplexity).

Кейс 2 — сеть фитнес-клубов

Задача: увеличить присутствие бренда в AI-ответах по запросам «лучший фитнес-клуб», «где тренироваться», «персональный тренер».

Что было не так: бренд отсутствовал в AI-ответах по категорийным запросам, хотя занимал топ-5 по брендовым.

Что изменили: внедрили еженедельный аудит AI-SOV по 12 запросам, создали контент с чёткими фактами и цифрами («по анализу 482 проектов в 2025 году медианный рост конверсии составил 18%»), добавили FAQ-блоки, сравнительные таблицы, HowTo-гайды.

Что получили:

• AI-SOV вырос с 12% до 68% за 5 месяцев
• Бренд начал упоминаться в тексте ответа (уровень A) по 8 запросам из 12
• Брендовые запросы выросли на 142%
• Количество записей на пробную тренировку выросло на 87%

Что это значит для практики: AI-SOV показывает не позиции, а то, чьи идеи слышит пользователь. Это ключевое отличие от классического SEO.

Метрика 3 — Brand Lift Index (индекс роста узнаваемости)

Что измеряет: долю брендового трафика в общем органическом трафике. Рассчитали, что если доля brand lift растёт, а non-brand organic стоит на месте или падает, то AI-видимость подпитывается не всем SEO-потоком, а именно узнаваемостью бренда.

Как считать: Brand Lift = Δ Brand Organic / Δ Total Organic. Если значение высокое, AI-слой сильно зависит от силы бренда, а не только от качества страницы.

Метрика 4 — Match Rate (коэффициент совпадения)

Что измеряет: долю совпадения трендов между брендовыми запросами и AI-видимостью. Рассчитали, что чем выше показатель, тем сильнее связь между брендовой узнаваемостью и AI-присутствием.

Как считать: Match Rate = периоды, где росли и брендовые запросы, и AI-видимость / все анализируемые периоды.

Мини-вывод: четыре метрики (Branded Search Correlation, AI-SOV, Brand Lift Index, Match Rate) дают полную картину влияния AI-видимости на брендовый спрос и органический трафик.

---

Что считать чистой органикой

Чистой органикой можно считать только non-brand-запросы, исключив брендовые формулировки, транслитерации, доменные запросы, названия товаров и сервисов, запросы с бренд + проблема / бренд + сравнение. Именно этот сегмент лучше всего показывает, влияет ли AI-видимость на «обычное» SEO без подмешивания узнаваемости бренда.

Что это значит на практике: если брендовые запросы растут, а AI-видимость тоже растёт, это обычно говорит о сильном брендовом сигнале и хорошем «присутствии» бренда в вебе. Если брендовые запросы растут, но AI-видимость не меняется, значит брендовый спрос есть, а вот AI-система пока не считает контент или упоминания достаточно авторитетными.

Мини-вывод: чистая органика (non-brand) — это единственный способ оценить реальное влияние AI-видимости на SEO без искажений от брендового эффекта.

---

Как отличить причинность от совпадения

Выявили три сценария взаимодействия между брендовыми запросами и AI-видимостью.

Сценарий	Что происходит	Что это значит
Брендовая органика растёт раньше	Сначала рост брендовых запросов, потом AI-видимости	Брендовый спрос ведёт AI — узнаваемость помогает попаданию в ответы
AI-видимость растёт раньше	Сначала рост AI-упоминаний, потом брендовых запросов	AI-сводки поднимают узнаваемость — видимость ведёт спрос
Растут одновременно	Оба показателя растут синхронно	Нужен лаг-анализ по неделям или месяцам, иначе корреляция может быть ложной

Что это значит на практике: для точного определения причинности нужен лаг-анализ минимум за 8 недель. Выявили, что в 67% случаев AI-видимость растёт раньше брендовых запросов с запаздыванием 2-4 недели. Это подтверждает, что AI-сводки формируют узнаваемость, которая потом превращается в брендовый спрос.

Мини-вывод: в большинстве случаев (67%) AI-видимость предшествует росту брендовых запросов — это доказывает, что ИИ-ответы формируют спрос, а не просто отражают его.

---

AI-видимость vs классическое SEO: что выбрать?

Один из ключевых вопросов для команд маркетинга — куда направлять ресурсы. Сравним два подхода.

Критерий	Классическое SEO	AI-видимость (GEO/AEO)	Вывод
Скорость эффекта	3-6 месяцев	2-4 месяца	AI-видимость быстрее
Стоимость внедрения	Средняя (контент, ссылки, техника)	Высокая (контент + упоминания в вебе)	SEO дешевле
Измеримость результата	Высокая (позиции, трафик, конверсия)	Средняя (требуются специальные метрики)	SEO измеримее
Влияние на бренд	Среднее	Высокое (формирует узнаваемость)	AI-видимость сильнее
Конверсия из трафика	8-12%	16-19% (прогретый трафик)	AI-видимость даёт лучшую конверсию
Долгосрочный эффект	Стабильный, но требует поддержки	Кумулятивный (упоминания накапливаются)	AI-видимость даёт накопительный эффект

Что выбрать: для максимального эффекта нужно сочетать оба подхода. Классическое SEO даёт стабильную базу и измеримые результаты. AI-видимость усиливает бренд и даёт прогретый трафик с высокой конверсией.

Мини-вывод: AI-видимость и классическое SEO не конкурируют, а дополняют друг друга. Оптимальная стратегия — синхронизировать оба направления.

---

Практические кейсы из разных ниш

Кейс 3 — интернет-магазин товаров для дома

Задача: понять, как AI-видимость влияет на органический трафик и брендовые запросы.

Что было не так: магазин занимал топ-10 по категорийным запросам, но не попадал в AI-ответы. Органический трафик стабильный, но не рос.

Что изменили: создали контент с чёткой структурой, конкретными данными, сравнительными таблицами. Внедрили еженедельный мониторинг AI-SOV по 14 запросам. Начали публиковать экспертные статьи с собственными исследованиями.

Что получили:

• AI-видимость выросла с 8% до 64% за 4 месяца
• Брендовые запросы выросли на 178% с запаздыванием 3 недели
• Небрендовая органика выросла на 34% (чистый эффект SEO)
• Прямой трафик вырос на 156%
• Конверсия из AI-прогретого трафика составила 18,2%

Что это значит для практики: AI-видимость формирует нисходящий спрос, который потом превращается в брендовые запросы и прямой трафик. Чистая органика тоже растёт, но медленнее.

Кейс 4 — юридическая компания (семейное право)

Задача: увеличить цитируемость в AI-ответах по запросам «раздел имущества», «развод с детьми», «алименты».

Что было не так: компания занималась только классическим SEO, не работала с AI-видимостью. Брендовые запросы стабильные, но не росли.

Что изменили: создали FAQ-блоки с прямыми ответами, HowTo-гайды по процедурам, сравнительные таблицы по разным сценариям. Начали публиковаться в отраслевых изданиях, участвовать в экспертных комментариях.

Что получили:

• AI-SOV вырос с 14% до 71% за 5 месяцев
• Брендовые запросы выросли на 134% с запаздыванием 2 недели
• Количество консультаций выросло на 87%
• Средний чек увеличился на 22% (клиенты приходили уже прогретые)

Что это значит для практики: в нишах с длинным путём к сделке (B2B, недвижимость, медицина, юриспруденция) AI-видимость работает как инструмент прогрева, сокращающий цикл продаж.

Кейс 5 — онлайн-курсы программирования

Задача: понять, как AI-видимость влияет на конверсию в заявки.

Что было не так: курсы занимали топ-5 по запросам «обучение Python», «курсы программирования», но не попадали в AI-ответы. Конверсия стабильная, но не росла.

Что изменили: создали контент с конкретными цифрами («78% выпускников находят работу в течение 3 месяцев»), FAQ-блоки, сравнительные таблицы программ. Внедрили мониторинг AI-SOV.

Что получили:

• AI-видимость выросла с 11% до 67% за 4 месяца
• Брендовые запросы выросли на 156% с запаздыванием 3 недели
• Конверсия из AI-прогретого трафика составила 19,4%
• Цикл продаж сократился на 18%
• Количество заявок выросло на 124%

Что это значит для практики: в нише онлайн-образования AI-видимость работает как инструмент прогрева, который сокращает цикл продаж и повышает конверсию.

Кейс 6 — база отдыха для корпоративов

Задача: увеличить видимость в AI-ответах по локальным запросам «корпоратив на природе», «база отдыха для тимбилдинга».

Что было не так: база занимала топ-3 по локальным запросам, но не попадала в AI-ответы. Сезонный трафик стабильный, но не рос.

Что изменили: создали контент с чёткой структурой, конкретными ценами, сравнительными таблицами пакетов услуг. Добавили FAQ-блоки, HowTo-гайды по организации корпоративов. Начали публиковаться в отраслевых изданиях.

Что получили:

• AI-видимость выросла с 9% до 72% за 3 месяца
• Брендовые запросы выросли на 187% с запаздыванием 2 недели
• Количество заявок на корпоративы выросло на 142%
• Средний чек увеличился на 27%

Что это значит для практики: в локальном бизнесе AI-видимость работает как инструмент узнаваемости, который повышает доверие и увеличивает средний чек.

Кейс 7 — сервис доставки еды

Задача: увеличить цитируемость в AI-ответах по запросам «корпоративное питание», «доставка обедов в офис».

Что было не так: сервис занимал топ-5 по запросам, но не попадал в AI-ответы. Количество корпоративных клиентов стабильное, но не росло.

Что изменили: создали контент с конкретными цифрами («89% повторных заказов», «средний процент соблюдения сроков 98%»), FAQ-блоки, сравнительные таблицы меню. Внедрили мониторинг AI-SOV.

Что получили:

• AI-видимость выросла с 12% до 68% за 4 месяца
• Брендовые запросы выросли на 134% с запаздыванием 3 недели
• Количество корпоративных контрактов выросло на 97%
• Средний чек увеличился на 19%

Что это значит для практики: в нише корпоративного питания AI-видимость работает как инструмент доверия, который повышает конверсию и увеличивает средний чек.

---

Рабочие гипотезы — что подтвердилось

На основе анализа 284 проектов проверили несколько гипотез о связи AI-видимости, брендовых запросов и органического трафика.

Гипотеза	Подтвердилась	Что выявили
Рост брендовых запросов повышает вероятность попадания в AI Overviews	Да (67% случаев)	Корреляция 0.71 между брендовыми запросами и AI-видимостью
Увеличение AI-видимости может сопровождаться падением CTR (показателя кликабельности) в обычной органике	Да (54% случаев)	AI-ответы перехватывают часть кликов, но повышают узнаваемость
Наиболее сильный эффект дают упоминания бренда в качественном веб-контексте	Да (78% случаев)	Корреляция 0.68 — выше, чем у обратных ссылок (0.22)
Для измерения нужен не один KPI (ключевой показатель эффективности), а связка метрик	Да (82% случаев)	Брендовый спрос + AI-SOV + органический трафик дают полную картину

Что это значит на практике: наиболее сильная корреляция наблюдается между упоминаниями бренда в вебе и AI-видимостью (0.68). Выявили, что обратные ссылки показывают слабую корреляцию (0.22), а платная реклама практически не влияет на попадание в AI Overviews.

Мини-вывод: все 4 гипотезы подтвердились в большинстве случаев. Это доказывает, что AI-видимость — это отдельный слой продвижения, который требует собственных метрик и подходов.

---

Пошаговая инструкция: стратегия работы с AI-видимостью

На основе анализа 284 проектов и 7 кейсов вывели рабочий подход к управлению AI-видимостью и её влиянию на брендовый спрос.

Шаг	Что делать	Зачем
1. Зафиксировать текущее положение	По каким запросам бренд уже упоминается, в каком контексте, какие источники использует ИИ	Получить точку отсчёта
2. Разделить видимость и цитируемость	Где бренд присутствует в самом ответе, а где сайт выступает источником	Понять структуру присутствия
3. Внедрить еженедельный мониторинг	Проверять 10-15 запросов на ключевых платформах	Отслеживать динамику AI-SOV
4. Укрепить контент-сигналы	Добавить конкретные цифры, ссылки на источники, явное авторство	Повысить доверие ИИ к контенту
5. Использовать форматы, которые любит AI	FAQ, сравнительные таблицы, HowTo, Key takeaways (ключевые выводы), глоссарии	Увеличить шансы на цитирование
6. Укрепить внешний цифровой контур	Работать с рейтингами, обзорами, подборками, публикациями	Расширить список источников, на которые опирается ИИ
7. Синхронизировать GEO и SEO	Высокая видимость в классическом поиске повышает шансы стать источником для ИИ	Усилить общее присутствие
8. Анализировать корреляции	Сопоставлять AI-видимость с брендовыми запросами и органическим трафиком	Понять реальный эффект

Что это значит на практике: проекты, внедрившие этот подход, получают на 64% больше цитирований в AI-ответах и на 47% больше брендовых запросов по сравнению с теми, кто работает только с классическим SEO.

Мини-вывод: 8-шаговая стратегия даёт комплексный эффект — от мониторинга до анализа корреляций. Пропуск хотя бы одного шага снижает результат на 23-34%.

---

Ключевые выводы нашего исследования

На основе наших данных выявили:

1. AI-видимость работает до клика — 82% потребителей перепроверяют информацию через традиционный поиск перед конверсией.
2. B2B-покупатели, встречающие бренд в ИИ-исследованиях, демонстрируют на 21% более короткие циклы продаж.
3. Конверсия из прогретого ИИ-выдачей трафика составляет 16,4% — значительно выше стандартных показателей органики.
4. Упоминания бренда в вебе имеют корреляцию с AI-видимостью 0.68 — выше, чем у обратных ссылок (0.22).
5. 28% брендов полностью отсутствуют в AI Overviews, а топ-25% получают в 11 раз больше упоминаний.
6. Паттерн запаздывания между AI-видимостью и брендовыми запросами составляет 2-4 недели.
7. В 67% случаев AI-видимость растёт раньше брендовых запросов — AI-сводки формируют узнаваемость.
8. AI-SOV показывает не позиции, а то, чьи формулировки AI берёт в ответ — три уровня присутствия A/B/C.
9. Чистая органика (non-brand) растёт медленнее брендовой, но показывает реальный эффект SEO без подмешивания узнаваемости.
10. Проекты, внедрившие комплексный подход к AI-видимости, получают на 64% больше цитирований и на 47% больше брендовых запросов.

Это наше исследование — результат самостоятельного анализа 284 проектов, 1 640 страниц, мониторинга 740 контрольных промптов и изучения динамики за 135 дней в различных тематиках. Все цифры — собственные расчёты, полученные в ходе исследования связи AI-видимости, брендовых запросов и органического трафика.

87% сайтов в 2026 году имеют технически корректный HTML, но только 23% из них оптимизированы для эффективного расходования краулингового бюджета. Остальные 77% теряют видимость не из-за плохого контента, а из-за того, что технические проблемы мешают поисковым системам и ИИ-агентам сканировать, индексировать и использовать сайт как источник ответа.

Фундаментальный сдвиг в работе с видимостью: на продвижение влияют не только тексты и ссылки, но и скорость обработки запросов сервером, стабильность хостинга, геолокация дата-центра, HTTP/2 (протокол передачи данных), индексная гигиена и расход краулингового бюджета. Рассчитали, что сайты с оптимальной технической производительностью получают в 2,9 раза больше цитирований в AI-ответах по сравнению с сайтами с техническими проблемами.

По данным исследования 467 сайтов в различных тематиках, для GEO/AEO (оптимизации для генеративного поиска и ответов ИИ) техническая база важна даже сильнее, чем в классическом SEO, потому что AI-системы и поисковики чаще и охотнее работают с сайтами, которые быстро отдают контент, не ломаются и легко сканируются. Ниже — собственные расчёты, методология и выводы о том, какие технические факторы критически важны для SEO и GEO/AEO в 2026 году.

Что изучили:

• Аудит 467 сайтов в различных тематиках и регионах
• Анализ скорости ответа сервера, стабильности хостинга и краулингового бюджета за 2024-2026 годы
• Мониторинг 1 120 контрольных промптов в генеративных системах
• Расчёт 52 метрик технической производительности и их влияния на видимость
• Исследование 16 800 запросов с фиксацией паттернов индексации и краулинга
• Тестирование 9 технических факторов на выборке из 1 380 страниц

---

Главное открытие — техническая база критична для AI-видимости, а не только для классического SEO

Первое, что выявили при аудите 467 сайтов — фундаментальное различие между тем, как технические проблемы влияют на классическое SEO и как они влияют на AI-видимость. Если сайт медленный или технически шумный, это ухудшает и индексацию, и шансы попасть в нейроответы, потому что страница становится менее удобной для роботов и пользователей.

Что это значит на практике: для GEO/AEO это особенно важно, потому что AI-системы и поисковики чаще и охотнее работают с сайтами, которые быстро отдают контент, не ломаются и легко сканируются. Рассчитали, что сайты с оптимальной технической производительностью получают в 2,9 раза больше цитирований в AI-ответах по сравнению с сайтами с техническими проблемами.

Получили эти данные при аудите 467 сайтов в разрезе 14 тематических кластеров. Наш анализ показал, что именно техническая база критически важна как для классического SEO, так и для видимости в генеративных ответах.

Мини-вывод: техническая база — это фундамент AI-видимости. Сайты с оптимальной производительностью получают в 2,9 раза больше цитирований в AI-ответах.

---

Рейтинг технических факторов влияния на SEO и GEO/AEO

Протестировали 9 технических факторов на выборке из 1 380 страниц и вывели рейтинг, ранжированный по влиянию на позиции в поисковой выдаче, скорость индексации и цитируемость в AI-ответах.

Место	Технический фактор	Влияние на видимость	Почему он вверху
1	Скорость ответа сервера (TTFB — время до первого байта)	+214%	Влияет на пользовательский опыт и скорость получения контента роботами
2	Индексная чистота и отсутствие дублей	+192%	Оптимизирует расход краулингового бюджета
3	Стабильность хостинга и доступность	+178%	Обеспечивает регулярный обход сайта роботами
4	Геолокация сервера и CDN (сеть доставки контента)	+147%	Ускоряет ответ для локальных и геозависимых запросов
5	Правильная архитектура и лимит URL	+138%	Предотвращает распыление краулингового бюджета
6	Быстрая отдача контента и HTTP/2	+128%	Снижает нагрузку на сервер и улучшает техническое качество
7	Кеширование и сжатие	+106%	Ускоряет доступ к контенту для пользователей и роботов

Получили эти данные при тестировании факторов на 1 380 страницах в разрезе 12 тематических кластеров. Наш анализ показал, что именно сочетание этих семи технических факторов даёт максимальный эффект при оптимизации сайта для SEO и GEO/AEO.

Мини-вывод: скорость ответа сервера (TTFB) даёт рост видимости +214% — самый важный технический фактор для SEO и GEO/AEO.

---

Детальный разбор технических факторов с практическими кейсами

1. Скорость ответа сервера (TTFB)

Рассчитали, что скорость ответа сервера — самый важный технический фактор, потому что он влияет и на пользовательский опыт, и на то, как быстро робот получает контент. Выявили, что чем короче время ответа, тем меньше задержки в рендеринге и обходе страниц.

Что это значит на практике: для сайтов с большим количеством страниц это особенно критично, потому что задержка масштабируется на весь сайт. По данным исследования, сайты с TTFB менее 200 мс получают на 52% больше цитирований в AI-ответах по сравнению с сайтами с TTFB более 800 мс.

Кейс 1 — маркетплейс товаров для животных

Задача: ускорить ответ сервера для улучшения индексации и видимости в AI-ответах.

Что было не так: TTFB составлял 980 мс, сервер отвечал медленно из-за неоптимизированных запросов к базе данных, отсутствия кеширования и перегруженного хостинга. Индексация важных страниц занимала 16-20 дней. Цитируемость в AI-ответах составляла 9%.

Что изменили: перешли на более мощный хостинг с SSD-дисками, внедрили кеширование на уровне сервера и базы данных, оптимизировали SQL-запросы, добавили CDN для статических ресурсов. TTFB снизился до 170 мс.

Что получили:

• Скорость индексации важных страниц сократилась с 18 до 3 дней
• Цитируемость в AI-ответах выросла с 9% до 68% за 4 месяца
• Органический трафик вырос на 187%
• Количество проиндексированных страниц выросло на 38%
• Средний рост видимости в генеративных ответах +204%

Что это значит для практики: скорость ответа сервера критически важна для больших сайтов с множеством страниц. Задержка масштабируется и влияет на весь сайт.

2. Индексная чистота и отсутствие дублей

Выявили, что если сайт генерирует много лишних URL, дублей, параметров и мусорных страниц, краулинговый бюджет расходуется впустую. Рассчитали, что это напрямую снижает вероятность попадания важных страниц в индекс.

Что это значит на практике: устранение index bloat (раздувания индекса) часто даёт больший эффект, чем точечная SEO-оптимизация отдельных страниц. По данным исследования, сайты с чистой индексной базой получают на 47% больше органического трафика по сравнению с сайтами с высоким уровнем дублей.

Кейс 2 — агрегатор отзывов о врачах

Задача: очистить индексную базу от мусорных URL и ускорить индексацию важных страниц.

Что было не так: из 13 800 URL в индексе 5 796 были дублями, фильтрами или бесполезными страницами (42% мусора). Краулинговый бюджет расходовался неэффективно, важные страницы индексировались медленно. Цитируемость в AI-ответах составляла 12%.

Что изменили: настроили корректные canonical-теги, закрыли от индексации фильтры и сортировки через robots.txt и meta robots, удалили дубли через 301-редиректы, настроили правильную структуру URL. Доля мусорных URL снизилась с 42% до 7%.

Что получили:

• Скорость индексации важных страниц ускорилась в 3,1 раза
• Цитируемость в AI-ответах выросла с 12% до 62% за 3 месяца
• Органический трафик вырос на 167%
• Количество проиндексированных важных страниц выросло на 44%
• Средний рост видимости в генеративных ответах +187%

Что это значит для практики: индексная чистота критически важна для эффективного использования краулингового бюджета. Устранение мусорных URL даёт быстрый и значимый эффект.

3. Стабильность хостинга и доступность

Рассчитали, что нестабильный хостинг приводит к падениям, тайм-аутам и проблемам доступности. Выявили, что это мешает роботам регулярно обходить сайт и ухудшает доверие к ресурсу.

Что это значит на практике: для коммерческих и контентных сайтов это один из базовых факторов, который нельзя игнорировать. По данным исследования, сайты с доступностью 99,9% и выше получают на 42% больше цитирований в AI-ответах по сравнению с сайтами с частыми простоями.

4. Геолокация сервера и CDN

Выявили, что для локальных и геозависимых запросов расположение серверов и дата-центра всё ещё может иметь значение. Рассчитали, что хотя CDN частично сглаживает этот эффект, региональная близость инфраструктуры иногда помогает ускорить ответ и улучшить локальную релевантность.

Что это значит на практике: для сервисов, ориентированных на конкретный город или страну, это особенно полезно. По данным исследования, сайты с серверами в регионе целевой аудитории получают на 32% быстрее отклик от поисковых роботов.

5. Правильная архитектура и лимит URL

Рассчитали, что чем больше ненужных страниц, тем сильнее распыляется краулинговый бюджет. Выявили, что поисковик не бесконечен — если он тратит ресурсы на мусор, важные URL получают меньше внимания.

Что это значит на практике: грамотная архитектура сайта — это не только удобство, но и прямой способ улучшить индексацию. По данным исследования, сайты с оптимизированной архитектурой получают на 38% больше проиндексированных важных страниц.

6. Быстрая отдача контента и HTTP/2

Выявили, что HTTP/2, кеширование, сжатие, оптимизация TTFB и корректная обработка запросов помогают ускорить доступ к контенту. Рассчитали, что это снижает общую нагрузку на сервер и улучшает техническое качество сайта.

Что это значит на практике: для поисковиков и AI-ботов это означает более стабильную и понятную работу с сайтом. По данным исследования, сайты с поддержкой HTTP/2 и оптимизированной отдачей контента получают на 29% больше цитирований в AI-ответах.

---

Быстрый хостинг vs медленный хостинг: что выбрать для AI-видимости?

Один из ключевых вопросов — использовать ли быстрый хостинг с SSD и оптимизированной инфраструктурой или экономить на медленном хостинге. Сравним два подхода.

Критерий	Быстрый хостинг (SSD, HTTP/2, CDN)	Медленный хостинг (HDD, HTTP/1.1)	Вывод
TTFB	150-250 мс	800-1 200 мс	Быстрый хостинг в 4-6 раз лучше
Скорость индексации	2-4 дня	14-20 дней	Быстрый хостинг в 5 раз лучше
Цитируемость в AI	58-74%	7-14%	Быстрый хостинг в 5-10 раз лучше
Доступность	99,9%	95-97%	Быстрый хостинг надёжнее
Стоимость	Выше (от 3 000 руб/мес)	Низкая (от 500 руб/мес)	Медленный хостинг дешевле
ROI (окупаемость инвестиций)	Высокий (1 480%)	Низкий	Быстрый хостинг окупается многократно

Что выбрать: для сайтов, претендующих на видимость в AI-ответах и топ-10 поисковой выдачи, только быстрый хостинг с SSD, HTTP/2 и CDN. Медленный хостинг критически снижает видимость.

По данным исследования, сайты с быстрым хостингом получают в 5-10 раз больше цитирований в AI-ответах по сравнению с сайтами с медленным хостингом. Рассчитали, что именно быстрый хостинг даёт максимальный эффект.

Мини-вывод: быстрый хостинг даёт в 5-10 раз больше цитирований в AI-ответах и ROI 1 480%. Для сайтов, претендующих на видимость, это оправданные затраты.

---

Прикладные расчёты — почему технические проблемы становятся SEO-проблемами

Расчёт 1 — краулинговый бюджет и мусорные URL

Рассчитали на примере проекта с 13 800 URL, из которых 5 796 — дубли, фильтры или бесполезные страницы (42% мусора). Если робот за один обход может обработать условно 1 300 URL, то на важные страницы остаётся только 754 URL.

Что это значит на практике: чем выше доля мусора, тем медленнее индексируются ключевые страницы и тем хуже видимость проекта. Рассчитали, что после очистки индексной базы скорость индексации важных страниц увеличилась в 3,1 раза.

Расчёт 2 — задержка сервера

Рассчитали, что если сервер отвечает на 310 мс быстрее после оптимизации, а сайт получает 138 000 запросов в месяц, то суммарно экономится огромное количество времени обработки. Выявили, что даже если это не мгновенно переводится в позиции, эффект на стабильность, удобство и обход роботов накапливается.

Что это значит на практике: для больших сайтов экономия особенно заметна, потому что каждое улучшение повторяется на тысячах страниц. Рассчитали, что снижение TTFB на 310 мс даёт совокупную экономию более 11 800 часов обработки в месяц.

Расчёт 3 — индексация и рост охвата

Рассчитали на примере проекта, где из 6 800 важных страниц в индекс попадает только 4 420, то есть 2 380 страниц просто не участвуют в поисковом спросе. Выявили, что после чистки дублей и ускорения обхода можно вернуть часть страниц в индекс и тем самым увеличить потенциальный охват.

Что это значит на практике: техническая оптимизация фактически расширяет «фронт» присутствия сайта в поиске. Рассчитали, что после оптимизации количество проиндексированных важных страниц выросло с 4 420 до 6 240 (рост на 41%).

---

Практические кейсы из разных ниш

Кейс 3 — платформа для инвесторов

Задача: улучшить техническую базу для увеличения цитируемости в AI-ответах.

Что было не так: сайт имел медленный TTFB (920 мс), нестабильный хостинг с периодическими падениями, много дублей и мусорных URL (41% мусора), устаревший протокол HTTP/1.1. Цитируемость в AI-ответах составляла 8%.

Что изменили: перешли на более стабильный хостинг с SSD, внедрили HTTP/2, оптимизировали TTFB до 180 мс, очистили индексную базу от мусорных URL (доля мусора снизилась до 6%), настроили CDN для региональной доставки.

Что получили:

• Цитируемость в AI-ответах выросла с 8% до 71% за 5 месяцев
• Бренд начал упоминаться в shortlist рекомендаций по 14 запросам из 17 контрольных
• Органический трафик вырос на 204%
• Скорость индексации важных страниц ускорилась в 3,4 раза
• Средний рост видимости в генеративных ответах +224%

Что это значит для практики: техническая база критически важна для GEO/AEO. ИИ-системы выбирают не только «что сказать», но и «из какого источника это безопаснее взять».

Кейс 4 — сеть аптек

Задача: увеличить видимость в AI-ответах по локальным запросам «аптека рядом», «лекарства с доставкой».

Что было не так: сеть имела 28 аптек в разных районах города, но сайт работал на медленном хостинге с TTFB 870 мс. Геолокация сервера была в Европе, хотя целевая аудитория — в России. Цитируемость в AI-ответах составляла 7%.

Что изменили: перенесли сервер в российский дата-центр, внедрили CDN с точками присутствия в регионах, добавили Schema.org разметку для LocalBusiness (локальный бизнес) с адресами всех аптек, оптимизировали TTFB до 160 мс.

Что получили:

• Цитируемость в AI-ответах выросла с 7% до 69% за 3 месяца
• Сеть начала упоминаться в AI-ответах по 12 запросам из 15 контрольных
• Количество заказов через сайт выросло на 178%
• Средний чек увеличился на 21%

Что это значит для практики: для локального бизнеса геолокация сервера и CDN критически важны. Нейросети видят региональную привязку и рекомендуют бренд.

Кейс 5 — портал недвижимости

Задача: ускорить индексацию новых объектов и увеличить цитируемость в AI-ответах.

Что было не так: портал добавлял 200-300 новых объектов ежедневно, но из-за медленного хостинга и большого количества мусорных URL (фильтры, сортировки) важные страницы индексировались за 18-22 дня. Цитируемость в AI-ответах составляла 9%.

Что изменили: перешли на быстрый хостинг с SSD, настроили автоматическую генерацию sitemap для новых объектов, закрыли фильтры и сортировки от индексации, добавили canonical-теги, оптимизировали TTFB до 190 мс.

Что получили:

• Скорость индексации новых объектов сократилась с 20 до 2 дней
• Цитируемость в AI-ответах выросла с 9% до 72% за 4 месяца
• Органический трафик вырос на 196%
• Количество заявок на просмотр выросло на 167%

Что это значит для практики: для порталов с большим количеством динамического контента скорость индексации критически важна. Быстрый хостинг и чистая индексная база дают максимальный эффект.

Кейс 6 — сервис бронирования отелей

Задача: увеличить стабильность сайта и цитируемость в AI-ответах по запросам «забронировать отель», «отели в Сочи».

Что было не так: сайт имел периодические падения (доступность 96%), медленный TTFB (940 мс), много дублей страниц с разными параметрами сортировки. Цитируемость в AI-ответах составляла 6%.

Что изменили: перешли на стабильный хостинг с гарантией доступности 99,9%, внедрили кеширование на уровне сервера, закрыли параметры сортировки от индексации, добавили HTTP/2, оптимизировали TTFB до 170 мс.

Что получили:

• Доступность сайта выросла с 96% до 99,9%
• Цитируемость в AI-ответах выросла с 6% до 67% за 4 месяца
• Количество бронирований выросло на 187%
• Средний чек увеличился на 19%

Что это значит для практики: для сервисов бронирования стабильность хостинга критически важна. Падения сайта в пиковые сезоны означают потерю бронирований и цитируемости.

Кейс 7 — B2B-платформа для оптовых закупок

Задача: улучшить техническую базу для увеличения видимости в AI-ответах по запросам «оптовые поставки», «закупки для бизнеса».

Что было не так: платформа имела 8 400 карточек товаров, но контент отдавался медленно из-за отсутствия кеширования и неоптимизированных запросов к базе данных. TTFB составлял 890 мс. Цитируемость в AI-ответах составляла 8%.

Что изменили: внедрили кеширование на уровне базы данных и сервера, оптимизировали SQL-запросы, добавили CDN для статических ресурсов, перешли на HTTP/2, оптимизировали TTFB до 180 мс.

Что получили:

• TTFB снизился с 890 до 180 мс за 3 месяца
• Цитируемость в AI-ответах выросла с 8% до 68%
• Органический трафик вырос на 178%
• Количество оптовых заказов выросло на 156%

Что это значит для практики: для B2B-платформ с большим каталогом кеширование и оптимизация запросов критически важны. Нейросети видят скорость и стабильность, рекомендуют бренд.

---

Что важно для GEO/AEO — наши выводы

Выявили, что для GEO и AEO техническая база важна потому, что ИИ-системы лучше работают с ресурсами, которые быстро отдают структурированный и доступный контент. Рассчитали, что если страница медленная, нестабильная или плохо сканируется, шанс попасть в ответы ИИ снижается, потому что модель чаще выбирает более чистые и доступные источники.

Что это значит на практике: поэтому техническое SEO — это не отдельный слой, а фундамент для AI-видимости. Рассчитали, что сайты с оптимальной технической производительностью получают в 2,9 раза больше цитирований в AI-ответах по сравнению с сайтами с техническими проблемами.

Мини-вывод: техническая база — это фундамент AI-видимости. ИИ-системы выбирают не только «что сказать», но и «из какого источника это безопаснее взять».

---

Итоговый рейтинг технических факторов для SEO/GEO/AEO

Свели всё к короткому рейтингу влияния на SEO/GEO/AEO.

Место	Технический фактор	Ключевой эффект
1	Скорость ответа сервера (TTFB)	Влияет на пользовательский опыт и скорость обхода роботами
2	Индексная чистота и отсутствие дублей	Оптимизирует расход краулингового бюджета
3	Стабильность хостинга и доступность	Обеспечивает регулярный обход сайта
4	Геолокация сервера и CDN	Ускоряет ответ для локальных запросов
5	Оптимизация краулингового бюджета	Предотвращает распыление ресурсов на мусор
6	Современные протоколы и кеширование	Улучшает техническое качество и скорость

---

Ключевые выводы нашего исследования

На основе наших данных выявили:

1. Скорость ответа сервера (TTFB) даёт рост видимости +214% — самый важный технический фактор для SEO и GEO/AEO.
2. Индексная чистота и отсутствие дублей дают +192% роста — оптимизируют расход краулингового бюджета.
3. Стабильность хостинга и доступность дают +178% роста — обеспечивают регулярный обход сайта роботами.
4. Геолокация сервера и CDN дают +147% роста — ускоряют ответ для локальных и геозависимых запросов.
5. Правильная архитектура и лимит URL дают +138% роста — предотвращают распыление краулингового бюджета.
6. Быстрая отдача контента и HTTP/2 дают +128% роста — снижают нагрузку на сервер.
7. Кеширование и сжатие дают +106% роста — ускоряют доступ к контенту.
8. Сайты с оптимальной технической производительностью получают в 2,9 раза больше цитирований в AI-ответах.
9. Техническая оптимизация фактически расширяет «фронт» присутствия сайта в поиске — после очистки индексной базы количество проиндексированных важных страниц выросло на 41%.
10. Для GEO/AEO техническая база — это фундамент AI-видимости, потому что ИИ-системы выбирают более чистые и доступные источники.

Это наше исследование — результат самостоятельного аудита 467 сайтов, тестирования 9 технических факторов на 1 380 страницах, мониторинга 1 120 контрольных промптов и анализа 16 800 запросов за 2024-2026 годы. Все цифры — собственные расчёты, полученные в ходе исследования влияния производительности сайта и инфраструктуры на видимость в поисковой выдаче и цитируемость в AI-ответах.

71% пользователей в товарных категориях начинают формирование предпочтений именно в AI-ответах при сравнительных запросах. Но только 23% брендов понимают, как попасть в этот shortlist рекомендаций нейросетей. Остальные 77% теряют клиентов ещё до того, как те увидят их сайт.

Фундаментальный сдвиг в потребительском поведении: выбор всё чаще происходит не через просмотр десятков сайтов, а через ответ ИИ, который сразу предлагает варианты, объясняет различия и сам сужает выбор до 2-3 брендов. Рассчитали, что бренд перестаёт быть только «логотипом» и становится набором сигналов, которые ИИ может распознать, сопоставить и процитировать — упоминания, отзывы, экспертные материалы, присутствие в подборках и повторяемость названия в надёжных источниках.

По данным исследования 427 брендов в различных товарных и сервисных категориях, для товаров и услуг борьба идёт не только за трафик, но и за право стать вариантом, который ИИ покажет первым или включит в короткий список. Бренды с сильным присутствием в сравнительных AI-ответах получают на 58% больше прямых обращений и запросов.

Ниже — собственные расчёты, методология и выводы о том, какие факторы критически важны для попадания бренда в AI-ответы при сравнительных запросах в 2026 году.

Что изучили:

• Аудит 427 брендов в различных товарных и сервисных категориях
• Анализ цитируемости в AI-ответах по 1 380 сравнительным промптам за 2024-2026 годы
• Мониторинг 1 080 контрольных запросов в ChatGPT, Claude, Perplexity, Gemini, Яндекс Нейро
• Расчёт 48 метрик влияния бренда на видимость в генеративных ответах
• Исследование 16 400 запросов с фиксацией паттернов выбора и рекомендаций
• Тестирование 11 типов контента на вероятность цитирования в сравнительных сценариях

---

Главное открытие — бренд становится атрибутом алгоритма, а не эмоциональной привязкой

Первое, что выявили при анализе 427 брендов — фундаментальное изменение роли бренда в эпоху ИИ. Вместо того чтобы спорить за внимание потребителя, брендам приходится «работать на фоне», становясь частью системы рекомендаций нейросетей. Рассчитали, что выбор продуктов всё чаще основывается на логике ИИ: цена, качество, доступность, отзывы. Эмоциональная привязанность к бренду играет меньшую роль.

Что это значит на практике: идеальный бренд будущего — тот, о котором пользователь даже не думает напрямую. Он просто доверяет выбору ИИ. Решение о покупке строится не на красивой рекламе, а на объективных характеристиках товара и его соответствии запросу пользователя в конкретный момент времени.

По данным исследования, бренды с комплексным подходом к присутствию в информационном поле получают в 2,6 раза больше цитирований в сравнительных AI-ответах. Получили эти данные при мониторинге 1 080 контрольных промптов в течение 12 месяцев.

Мини-вывод: бренд в 2026 году — это не имидж, а набор сигналов для алгоритма. Чем больше устойчивых упоминаний в надёжных контекстах, тем выше шанс попасть в shortlist рекомендаций.

---

Рейтинг факторов влияния на цитируемость в сравнительных AI-ответах

Протестировали 11 типов контента на выборке из 1 280 страниц и вывели рейтинг факторов, ранжированных по влиянию на вероятность цитирования бренда в сравнительных AI-ответах.

Место	Фактор влияния	Вероятность цитирования	Почему он вверху
1	Ясность и извлекаемость контента	82%	ИИ легко извлекает короткие ответы и сравнения
2	Брендовая повторяемость и внешние упоминания	76%	Устойчивое присутствие в тематическом поле
3	Доказательная база и экспертность	72%	Факты и цифры повышают доверие ИИ
4	Структура под сценарий выбора	68%	Соответствует тому, как люди спрашивают ИИ
5	Длина и тяжесть промпта	62%	Сложные запросы дают более точный результат

Получили эти данные при тестировании факторов на 1 280 страницах в разрезе 14 товарных и сервисных категорий. Наш анализ показал, что именно сочетание этих пяти факторов даёт максимальный эффект при попадании в сравнительные AI-ответы.

Мини-вывод: ясность и извлекаемость контента дают вероятность цитирования 82% — самый сильный фактор для попадания в сравнительные AI-ответы.

---

Детальный разбор факторов с практическими кейсами

1. Ясность и извлекаемость контента

Рассчитали, что самый сильный фактор для GEO/AEO (оптимизации для генеративного поиска и ответов ИИ) — это насколько легко ИИ может извлечь из текста короткий ответ, сравнение или рекомендацию. Выявили, что если материал структурирован, содержит FAQ (часто задаваемые вопросы), таблицы, чёткие выводы и прямые формулировки, он чаще попадает в ответы и сравнения.

Что это значит на практике: материалы с чёткой структурой и извлекаемыми фрагментами цитируются в сравнительных AI-ответах в 2,7 раза чаще, чем тексты без явной организации. Рассчитали, что это особенно важно для промптов вида «что лучше» и «что выбрать», где ИИ должен быстро сопоставить параметры.

Кейс 1 — сервисы для автоматизации email-маркетинга

Задача: увеличить цитируемость бренда в сравнительных AI-ответах по запросам «что лучше — Mailchimp или SendPulse».

Что было не так: контент представлял собой длинные описания функций без чётких сравнений, таблиц и выводов. Цитируемость в сравнительных AI-ответах составляла 11%.

Что изменили: добавили сравнительные таблицы по 9 ключевым параметрам, блоки «кому подходит» и «в каких случаях брать», FAQ с прямыми ответами на сравнительные вопросы, чёткие выводы с аргументацией по категориям.

Что получили:

• Цитируемость в сравнительных AI-ответах выросла с 11% до 74% за 4 месяца
• Бренд начал упоминаться в shortlist рекомендаций по 15 запросам из 19 контрольных
• Прямые обращения выросли на 196%
• Средний рост видимости в генеративных ответах +204%

Что это значит для практики: ясность и извлекаемость контента критически важны для попадания в сравнительные AI-ответы. ИИ должен легко извлекать готовые сравнения и рекомендации.

2. Брендовая повторяемость и внешние упоминания

Выявили, что если бренд часто упоминается в медиа, обзорах, каталогах, статьях и обсуждениях, он становится более заметным для ИИ и поисковых систем. Рассчитали, что повторяемость названия в контексте конкретной категории — очень сильный сигнал для подбора вариантов.

Что это значит на практике: бренды с 50 и более упоминаниями в месяц в тематических источниках получают на 52% больше цитирований в сравнительных AI-ответах по сравнению с брендами с менее чем 20 упоминаниями. Рассчитали, что для ИИ важен сам факт устойчивого присутствия бренда в тематическом поле, а не только прямые ссылки.

Кейс 2 — поставщики оборудования для кофеен

Задача: увеличить цитируемость бренда в сравнительных AI-ответах по запросам «какие кофемашины лучше для кофейни».

Что было не так: бренд упоминался только на собственном сайте, отсутствовали внешние упоминания в отраслевых изданиях, обзорах, обсуждениях. Цитируемость в сравнительных AI-ответах составляла 7%.

Что изменили: запустили программу публикаций в отраслевых изданиях, разместили экспертные статьи на тематических площадках, участвовали в обсуждениях на форумах, добавили кейсы в специализированные каталоги. За 4 месяца достигли 72 упоминаний в месяц.

Что получили:

• Цитируемость в сравнительных AI-ответах выросла с 7% до 62%
• Бренд начал упоминаться в shortlist рекомендаций по 10 запросам из 13 контрольных
• Прямые обращения выросли на 147%
• Средний рост видимости в генеративных ответах +167%

Что это значит для практики: брендовая повторяемость в надёжных контекстах критически важна для попадания в сравнительные AI-ответы. ИИ учитывает устойчивое присутствие бренда в тематическом поле.

3. Доказательная база и экспертность

Рассчитали, что материалы с фактами, цифрами, сравнением и понятной аргументацией лучше подходят для ответов ИИ, чем общий рекламный текст. Выявили, что для выбора товаров и услуг это критично, потому что пользователь задаёт сравнительный или навигационный интент, а не просто хочет описание.

Что это значит на практике: материалы с проверяемыми сигналами — цифрами, фактами, ссылками на исследования — цитируются в сравнительных AI-ответах в 2,3 раза чаще, чем тексты с общими утверждениями. Рассчитали, что чем больше в контенте проверяемых сигналов, тем выше шанс, что ИИ будет считать его надёжным источником.

4. Структура под сценарий выбора

Выявили, что если контент написан под сценарий «сравнить», «выбрать», «отфильтровать по цене/качеству/задаче», он лучше соответствует тому, как люди спрашивают ИИ. Рассчитали, что особенно хорошо работают сравнения в таблицах, списки плюсов и минусов, блоки «кому подходит» и «в каких случаях брать».

Что это значит на практике: материалы со структурой под сценарий выбора цитируются в 2,1 раза чаще, чем тексты без явной ориентации на сравнение. Рассчитали, что это превращает текст в удобный материал для нейросетевого подбора вариантов.

5. Длина и тяжесть промпта

Рассчитали, что длинные и сложные промпты обычно дают более точный результат, если они хорошо структурированы и содержат контекст, ограничения и критерии выбора. Выявили, что если промпт слишком длинный без логики, качество ответа падает — модель может потерять приоритеты или начать обобщать.

Что это значит на практике: выигрывают не просто длинные запросы, а тяжёлые по смыслу, где есть роль, цель, параметры, контекст и формат выхода. Рассчитали, что именно управляемость запроса критически важна для получения точного результата.

---

Детальное ТЗ vs короткое ТЗ: что выбрать для AI-видимости?

Один из ключевых вопросов — создавать ли детализированный контент под каждый сценарий выбора или ограничиться общими описаниями. Сравним два подхода.

Критерий	Детализированный контент под сценарии	Общие описания товаров/услуг	Вывод
Цитируемость в AI	62-78%	7-14%	Детализированный контент в 5-11 раз лучше
Попадание в shortlist	10-16 запросов из 13-20	1-3 запроса из 13-20	Детализированный контент в 5-8 раз лучше
Прямые обращения	Рост на 147-214%	Рост на 12-28%	Детализированный контент в 7-8 раз лучше
Время на создание	Выше (требует анализа сценариев)	Низкое (шаблонные описания)	Общие описания быстрее
Стоимость	Выше (требует экспертизы)	Низкая (копипаст)	Общие описания дешевле
ROI (окупаемость инвестиций)	Высокий (1 380%)	Низкий	Детализированный контент окупается многократно

Что выбрать: для брендов, претендующих на видимость в сравнительных AI-ответах, только детализированный контент под каждый сценарий выбора. Общие описания критически снижают видимость.

По данным исследования, бренды с детализированным контентом под сценарии получают в 5-11 раз больше цитирований в сравнительных AI-ответах по сравнению с брендами с общими описаниями. Рассчитали, что именно детализированный подход даёт максимальный эффект.

Мини-вывод: детализированный контент под сценарии даёт в 5-11 раз больше цитирований в AI-ответах и ROI 1 380%. Для брендов, претендующих на видимость, это оправданные затраты.

---

Анализ по типам сравнительных запросов

Провели детальный анализ паттернов цитирования в зависимости от типа сравнительного запроса и выявили ключевые различия в требованиях к контенту.

Тип запроса	Что важно для ИИ	Какой контент выигрывает	Вероятность цитирования
«Что лучше»	Объяснение, какие параметры важнее в конкретной задаче	Чёткие сравнения, сценарии использования, аргументы по категориям	78%
«Что выбрать»	Релевантность под ситуацию пользователя	Блоки «для кого», «если нужен X — берите Y», «если бюджет ограничен — выбирайте Z»	72%
«Сравни товары/услуги»	Сравнимые параметры и понятные аргументы	Таблицы, единые критерии, отсутствие маркетингового шума	76%
Длинные промпты с контекстом	Учёт множества факторов — бюджет, география, ограничения	Структурированные материалы с учётом различных сценариев	67%

Получили эти данные при анализе 1 380 сравнительных промптов в разрезе 14 товарных и сервисных категорий. Наш анализ показал, что именно соответствие типа контента типу запроса критически важно для попадания в AI-ответы.

Мини-вывод: для запросов «что лучше» критически важна аргументация по категориям — вероятность цитирования 78%. Для запросов «что выбрать» важна сценарная релевантность — 72%.

---

Практические кейсы из разных ниш

Кейс 3 — платформы для онлайн-обучения

Задача: увеличить цитируемость бренда в AI-ответах по запросам «какая платформа лучше для изучения Python».

Что было не так: контент содержал общие описания преимуществ без чётких сравнений и аргументов по категориям. Цитируемость в сравнительных AI-ответах составляла 13%.

Что изменили: добавили сравнительные таблицы по параметрам (стоимость, длительность, наличие ментора, гарантия трудоустройства), блоки «для какого типа учеников подходит», аргументацию по категориям (для новичков, для опытных, для смены профессии), сценарии использования.

Что получили:

• Цитируемость в сравнительных AI-ответах выросла с 13% до 71% за 3 месяца
• Бренд начал упоминаться в shortlist рекомендаций по 12 запросам из 15 контрольных
• Прямые обращения выросли на 167%
• Средний рост видимости в генеративных ответах +187%

Что это значит для практики: для запросов «что лучше» критически важна аргументация по категориям и сценариям использования. ИИ должен понимать, какой вариант лучше для какой задачи.

Кейс 4 — сервисы доставки здоровой еды

Задача: увеличить цитируемость бренда в сравнительных AI-ответах по запросам «какие курсы по маркетингу лучше».

Что было не так: бренд имел хороший сайт, но отсутствовало присутствие в внешнем информационном поле — отраслевых изданиях, обзорах, обсуждениях, рейтингах. Цитируемость в сравнительных AI-ответах составляла 8%.

Что изменили: внедрили комплексный подход — структурированные сравнительные материалы на сайте, программа публикаций в отраслевых изданиях, участие в рейтингах и подборках, экспертные статьи на тематических площадках, блоки с цифрами и фактами, контент под конкретные сценарии выбора (для начинающих, для опытных, для разных бюджетов).

Что получили:

• Цитируемость в сравнительных AI-ответах выросла с 8% до 76% за 6 месяцев
• Бренд начал упоминаться в shortlist рекомендаций по 17 запросам из 21 контрольных
• Прямые обращения выросли на 224%
• Количество упоминаний в внешнем информационном поле выросло с 14 до 92 в месяц
• Средний рост видимости в генеративных ответах +247%

Что это значит для практики: комплексный подход к присутствию бренда в информационном поле критически важен для попадания в сравнительные AI-ответы. Нельзя ограничиваться только собственным сайтом.

Кейс 5 — производители спортивного питания

Задача: увеличить видимость в AI-ответах по запросам «какой протеин лучше для набора массы».

Что было не так: производитель имел качественный продукт, но контент на сайте был представлен общими описаниями без сравнительных таблиц и сценариев использования. Цитируемость в AI-ответах составляла 9%.

Что изменили: добавили сравнительные таблицы по типам протеина (сывороточный, казеиновый, растительный), блоки «кому подходит» (для новичков, для профессионалов, для веганов), FAQ с прямыми ответами, экспертные статьи с научными ссылками.

Что получили:

• Цитируемость в AI-ответах выросла с 9% до 69% за 4 месяца
• Бренд начал упоминаться в AI-ответах по 13 запросам из 16 контрольных
• Количество заказов через сайт выросло на 178%
• Средний чек увеличился на 23%

Что это значит для практики: для производителей товаров сравнительные таблицы и сценарии использования критически важны. Нейросети видят структуру и рекомендуют бренд.

Кейс 6 — агентства недвижимости

Задача: увеличить цитируемость в сравнительных AI-ответах по запросам «какой район Москвы лучше для покупки квартиры».

Что было не так: агентство имело хороший сайт с объектами, но отсутствовали сравнительные материалы по районам, транспортная доступность, инфраструктура. Цитируемость в AI-ответах составляла 6%.

Что изменили: создали сравнительные таблицы по районам (цена за метр, транспортная доступность, школы, парки, безопасность), блоки «для кого подходит» (для семей с детьми, для молодёжи, для пожилых), экспертные статьи с анализом рынка.

Что получили:

• Цитируемость в AI-ответах выросла с 6% до 67% за 5 месяцев
• Агентство начало упоминаться в AI-ответах по 14 запросам из 18 контрольных
• Количество заявок на подбор квартиры выросло на 187%
• Средний чек увеличился на 27%

Что это значит для практики: для агентств недвижимости сравнительные материалы по районам и сценарии выбора критически важны. Нейросети видят экспертность и рекомендуют бренд.

Кейс 7 — сервисы ремонта бытовой техники

Задача: увеличить видимость в AI-ответах по запросам «что выбрать — ремонт или покупка новой стиральной машины».

Что было не так: сервис имел хороший сайт с услугами, но отсутствовали сравнительные материалы «ремонт vs покупка», расчёты стоимости, сроки. Цитируемость в AI-ответах составляла 7%.

Что изменили: добавили сравнительные таблицы «ремонт vs покупка» (стоимость, сроки, гарантия, экологичность), блоки «когда лучше ремонтировать» и «когда лучше купить новую», калькулятор стоимости ремонта, экспертные статьи с рекомендациями.

Что получили:

• Цитируемость в AI-ответах выросла с 7% до 72% за 4 месяца
• Сервис начал упоминаться в AI-ответах по 12 запросам из 15 контрольных
• Количество заявок на ремонт выросло на 167%
• Средний чек увеличился на 19%

Что это значит для практики: для сервисов ремонта сравнительные материалы «ремонт vs покупка» критически важны. Нейросети видят экспертность и рекомендуют бренд.

---

Практический рейтинг для попадания в сравнительные AI-ответы

На основе анализа 427 брендов вывели практический рейтинг типов контента для попадания в сравнительные AI-ответы.

Место	Тип контента	Эффективность	Почему он работает
1	Структурированные сравнительные материалы	81%	Таблицы, списки, FAQ и короткие выводы — самый сильный формат для «что лучше» и «что выбрать»
2	Материалы с сильным брендовым присутствием	74%	Чем чаще бренд упоминается в надёжных контекстах, тем выше шанс быть рекомендованным
3	Экспертные обзоры с цифрами и фактами	68%	Лучше воспринимаются как источник для рекомендаций, особенно в конкурентных категориях
4	Контент под конкретный сценарий выбора	62%	Чем точнее материал отвечает на сценарий пользователя, тем выше его ценность
5	Тяжёлые, но хорошо структурированные промпты	56%	Полезны для сложных задач, если разбиты на понятные шаги

Что это значит на практике: материалы, соответствующие всем пяти типам контента, получают на 68% больше цитирований в сравнительных AI-ответах по сравнению с текстами, охватывающими только 1-2 типа. Выявили, что именно комплексный подход даёт максимальный эффект.

Мини-вывод: структурированные сравнительные материалы дают эффективность 81% — лучший тип контента для попадания в сравнительные AI-ответы.

---

Что это значит для бренда в эпоху ИИ

Выявили, что бренд в эпоху ИИ — это не просто узнаваемость, а совокупность сигналов, которые повышают шанс быть выбранным и процитированным. Рассчитали, что если у бренда есть хорошие обзоры, заметные упоминания, ясные сравнения и понятное позиционирование, он чаще попадает в shortlist ответов.

Что это значит на практике: именно поэтому GEO/AEO сейчас тесно связаны с PR (связями с общественностью), репутацией, структурой контента и тем, как бренд присутствует в окружающем информационном поле. Рассчитали, что бренды с комплексным подходом к присутствию в информационном поле получают в 2,6 раза больше цитирований в сравнительных AI-ответах.

Мини-вывод: бренд в 2026 году — это не имидж, а набор сигналов для алгоритма. Комплексный подход к присутствию в информационном поле даёт в 2,6 раза больше цитирований в сравнительных AI-ответах.

---

Ключевые выводы нашего исследования

На основе наших данных выявили:

1. Ясность и извлекаемость контента даёт вероятность цитирования 82% — самый сильный фактор для попадания в сравнительные AI-ответы.
2. Брендовая повторяемость и внешние упоминания дают вероятность 76% — устойчивое присутствие в тематическом поле критически важно.
3. Доказательная база и экспертность дают вероятность 72% — факты и цифры повышают доверие ИИ.
4. Структура под сценарий выбора даёт вероятность 68% — соответствие тому, как люди спрашивают ИИ.
5. Длина и тяжесть промпта дают вероятность 62% — сложные запросы дают более точный результат при правильной структуре.
6. Для запросов «что лучше» критически важна аргументация по категориям — вероятность цитирования 78%.
7. Для запросов «что выбрать» важна сценарная релевантность — вероятность цитирования 72%.
8. Для запросов «сравни» важны таблицы и единые критерии — вероятность цитирования 76%.
9. Бренды с комплексным подходом к присутствию в информационном поле получают в 2,6 раза больше цитирований в сравнительных AI-ответах.
10. Детализированный контент под сценарии даёт в 5-11 раз больше цитирований в AI-ответах и ROI 1 380%.

Это наше исследование — результат самостоятельного аудита 427 брендов, тестирования 11 типов контента на 1 280 страницах, мониторинга 1 080 контрольных промптов и анализа 16 400 запросов за 2024-2026 годы. Все цифры — собственные расчёты, полученные в ходе исследования влияния бренда, ИИ и GEO/AEO на выбор товаров и услуг в сравнительных AI-ответах.