GEO: как ИИ выбирает источники и что доказали исследования

Еще пять лет назад путь пользователя выглядел просто: запрос → список ссылок → переход на сайт. Сейчас между запросом и сайтом встроился слой генерации: Алиса, ChatGPT или Google AI Overviews сразу собирают ответ из нескольких источников, и значительная часть пользователей закрывает вопрос, не переходя никуда. Сайт в этой схеме работает не как место, куда приходят, а как источник, который либо процитировали, либо нет.

В этой статье, первой из серии про GEO, разберем, что в этой механике подтверждено исследованиями, а что пересказанный маркетинг: как именно ИИ-системы выбирают источники для ответа и что показали два ключевых эксперимента на эту тему.

Коротко: что нужно знать

Задача сместилась с «занять топ-10» на «стать тем абзацем, который система процитирует». Единственная тактика с воспроизводимым и измеренным эффектом в независимых исследованиях - это реальные ссылки на источники, реальная статистика с атрибуцией и структура, которую легко вырезать фрагментом (прямой ответ в начале раздела, короткие смысловые блоки).

Переспам ключевыми словами не работает и по некоторым замерам даже снижает шанс цитирования. У микроразметки Schema.org и файла llms.txt репутация выше, чем реальный измеренный эффект - это гигиена, а не рычаг роста.

Разные рынки: ChatGPT, Perplexity, Claude и Google AI Overviews живут по одним правилам, Яндекс Нейро/Алиса и GigaChat - по другим, и один комплект тактик не покрывает оба мира.

Как нейросети выбирают источники

Механика в общих чертах одна и та же почти у всех систем: сначала поиск (retrieval) находит кандидатов, потом языковая модель генерирует ответ, опираясь на них и расставляя ссылки. Но то, кого именно выбирают кандидатами, различается принципиально и не в пользу тех источников, на которые полагается классическое SEO.

Крупное сравнительное исследование Университета Торонто (Chen, Wang, Chen, Koudas, 2025) прогнало тысячи идентичных запросов через Google и через ИИ-поиск (веб-версии ChatGPT, Perplexity, Gemini, Claude) и классифицировало источники на три типа:

• Brand (сайт компании);
• Social (форумы, соцсети, UGC);
• Earned (независимые СМИ, обзоры, экспертные площадки).

Главный системный вывод: генеративный поиск почти во всех исследованных случаях резко смещен в сторону Earned-контента - отзывов, независимых публикаций и сторонних упоминаний. У Google распределение источников значительно более сбалансированное.

Например, в категории «Автомобили» в США Google использовал:

• 39,5% Brand - собственные ресурсы бренда;
• 15,4% Social - Reddit, форумы, UGC и другие социальные источники;
• 45,1% Earned - независимые публикации и упоминания.

У ИИ-поиска картина принципиально иная:

• 81,9% источников - независимые публикации и сторонние упоминания;
• 18,1% - сайты самих компаний.

При этом социальные сети, форумы и пользовательский контент вообще не использовались.

В категории «Электроника» в США разрыв еще заметнее: у Google 32,9% источников приходится на сайты самих брендов, при этом заметную долю составляют социальные сети и пользовательский контент. В ИИ-поиске же 92,1% источников - независимые публикации и сторонние упоминания.

Что это означает для брендов: собственного сайта уже недостаточно, чтобы формировать представление о компании в генеративном поиске. ИИ гораздо сильнее опирается на то, что о бренде говорят независимые источники.

Но универсального правила нет.

При этом универсального правила для соцсетей, форумов и UGC (Social-контент) нет. Каждая нейросеть работает с ними по-своему.

В том же исследовании для известных брендов:

• ChatGPT практически полностью исключил Social-источники - 0%;
• Claude использовал их лишь в 5,9% случаев;
• Perplexity, напротив, включил Social в 23,8% ответов.

Это не противоречие, а отражение разного устройства и принципов работы систем. Perplexity ближе к «живому» интернету и активнее обращается к сообществам, тогда как ChatGPT и Claude в большей степени ориентируются на редакционные, справочные и другие структурированные источники.

Поэтому стратегия GEO должна учитывать не только то, где присутствует бренд, но и то, какая именно ИИ-система формирует ответ.

Чем менее известен бренд, тем важнее GEO

Есть и еще одно важное наблюдение. Для хорошо известных брендов разные ИИ-системы чаще приходят к схожим ответам: согласие между парами моделей составляет 76–81%.

Для нишевых и менее известных брендов этот показатель снижается до 71–76%.

Иными словами, чем меньше известность бренда, тем сильнее различаются ответы разных ИИ-систем, в том числе в вопросе о том, какие источники и упоминания они считают наиболее релевантными.

Отсюда важный практический вывод: GEO особенно значима не только для крупных федеральных брендов, но и для небольших, нишевых и региональных игроков. Чем меньше бренд известен, тем больше возможностей повлиять на то, какие независимые источники увидит и учтет ИИ.

Что доказало основное исследование по GEO

Работа Aggarwal et al. (KDD 2024) - эксперимент с открытым кодом и бенчмарком GEO-bench: 10 000 запросов из девяти разных источников. Авторы протестировали 9 способов модификации текста источника - от переспама ключевыми словами до добавления цитат и замерили, насколько чаще генеративная система после этого ссылалась на источник.

Три подхода стабильно давали лучший результат: добавление ссылок на источники, цитат и статистики с указанием источника. В совокупности они увеличивали видимость источника в ответах ИИ на 30–40% по основной метрике исследования. Эта метрика учитывает не только объем текста, который ИИ отводит источнику, но и то, насколько рано он появляется в ответе.

Лучшая комбинация методов дала 41% прироста. Результат подтвердился и на реальной системе Perplexity: добавление статистики увеличило видимость до 37%, а цитат - на 22%.

Переспам ключевыми словами, наоборот, не помог. В части тестов эффект был практически нулевым, а в эксперименте с Perplexity результат оказался на 10% хуже базового уровня. Не сработали и стилистические приемы, например, попытка сделать текст более уверенным и авторитетным. Похоже, ИИ больше реагирует на содержание и факты, чем на убедительность формулировок.

Есть еще один важный вывод: эффективность GEO сильно зависит от исходной позиции сайта. Для сайта, который уже занимал первое место в обычной выдаче, добавление ссылок на источники, наоборот, снизило видимость в среднем на 30,3% - ИИ и без того часто ссылался на него, поэтому дополнительный эффект был минимальным.

А вот для сайта на пятом месте та же тактика дала прирост видимости на 115,1%.

Это позволяет предположить, что GEO работает не столько как усилитель для лидеров, сколько как способ сократить разрыв с ними. Особенно это важно для регионального и нишевого бизнеса, который обычно уступает крупным брендам по ссылочной массе и авторитету домена.

Есть важная методологическая оговорка: в эксперименте авторы иногда использовали заведомо вымышленные цитаты и источники. Они прямо указывают на это в методологии: задача эксперимента была проверить влияние самой формы подачи информации, наличия цитаты, цифры или ссылки, а не ее достоверность.

Это не означает, что в реальной работе стоит придумывать цитаты. Наоборот, практический вывод здесь другой: ИИ реагирует на структурные сигналы доверия, поэтому статистика, цитаты и ссылки действительно могут усиливать видимость контента. Но использовать их нужно только с реальными и проверяемыми источниками. Это не только вопрос этики: вымышленные ссылки легко обнаружить при проверке, а ИИ-системы постепенно становятся лучше в проверке фактов.

Вместо заключения

В генеративном поиске выигрывает не тот, кто больше пишет о себе, а тот, о ком больше пишут другие. ИИ-системы опираются на независимые упоминания и реагируют на структурные сигналы доверия, реальные цифры, цитаты, ссылки, а не на убедительность формулировок. И чем менее известен бренд, тем больше у него возможностей повлиять на то, какие источники увидит ИИ.

Это меняет саму логику продвижения с «оптимизации сайта» на «формирование репутации в независимых источниках». Как конкретно на это работать в следующей статье: разберем тактики контента и технической доступности, которые подтверждены данными.

Источники

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. «GEO: Generative Engine Optimization». KDD 2024. arXiv:2311.09735
2. Chen, M., Wang, X., Chen, K., Koudas, N. (University of Toronto). «Generative Engine Optimization: How to Dominate AI Search» (2025). arXiv:2509.08919
3. Organic Labs. «Optimizing for AI Search Engines: A Meta-Analysis of 19 Research Studies» (сентябрь 2025). organiclabs.ai
4. Discovered Labs. «ChatGPT, Claude, Perplexity, and Google AI Overviews: How Each Platform Cites Sources Differently» (обновлено август 2026). discoveredlabs.com
5. GeoCopy. «Generative Engine Optimization (GEO): The Complete 2026 Guide» (обновлено май 2026). geocopy.io
6. 4U Digital. «What GEO is and why you should do it now» (июнь 2026). 4youdigital.net
7. Habr. «AI-краулеры в 2026: кого пускать в robots.txt, чтобы попадать в ответы ИИ» (2026). habr.com
8. Limy. «LLMs.txt in 2026: The Full Guide» (май 2026). limy.ai
9. Derivatex. «LLMs.txt Guide: What It Does and Doesn't Do» (2026). derivatex.agency
10. GeoScout. «Как отслеживать видимость бренда в GigaChat» (июнь 2026). geoscout.pro
11. Likeni. «Какие нейросети учитывать в GEO-оптимизации в 2026 г.» (май 2026). likeni.ru