Как попасть в AI-быстрые ответы Яндекс и Google в России: пошаговая инструкция на основе экспериментов
дата: сентябрь 2026
Как попасть в AI-быстрые ответы Яндекс и Google в России: пошаговая инструкция на основе экспериментов
Чтобы попасть в AI-быстрые ответы Яндекса и Google в России, нужно сделать три вещи в строгом порядке: вывести страницу в топ-10 обычной выдачи, переписать её так, чтобы прямой ответ стоял в первых 2–3 предложениях, и обеспечить упоминания бренда на внешних площадках, которым доверяет поисковик. Это не теория, а вывод из экспериментов, которые за 2025–2026 годы провели «Ашманов и партнёры», Ahrefs, Moz, Muck Rack, Пиксель Тулс и практикующие агентства. Самый жёсткий факт: по данным отчёта «Ашманов и партнёры», доля сайтов вне топ-10 Яндекса в ответах Алисы за полгода упала с 40% до 10%. То есть без классического SEO разговор об AI-видимости в России сегодня просто не начинается.
Дальше — от простого к сложному. Сначала объясню, что вообще происходит в выдаче, потом разберу 20 экспериментов с конкретными цифрами, а в конце соберу из них пошаговый план на 90 дней.
Что такое AI-быстрый ответ и чем Яндекс отличается от Google
AI-быстрый ответ — это блок с готовым текстом, который поисковик показывает над списком ссылок. У Яндекса он называется «Поиск с Алисой» и «Нейро», у Google — AI Overviews (по-русски «ИИ-обзоры») и отдельный режим AI Mode. Ответ пишет языковая модель, но факты она берёт из проиндексированных страниц и обычно подписывает их ссылками на источники.
Механика внутри одинаковая у всех: сложный вопрос разбивается на подзапросы, по каждому подзапросу находится 5–10 релевантных страниц, из них извлекаются факты, потом факты сверяются между собой и собираются в единый текст. Это называется RAG — генерация с опорой на поиск. Практический вывод простой: если вашей страницы нет в индексе или она не попала в первую десятку по подзапросу, модель её просто не увидит. Никакая «оптимизация под нейросети» это не компенсирует.
Для России критично, что Яндекс и Google ведут себя по-разному. Яндекс жёстко привязан к собственному топу и к своей экосистеме: Дзен, Яндекс Бизнес, Яндекс Карты. Google опирается на Knowledge Graph и сущности, поэтому там больше шансов у брендов с широким следом в интернете, даже если сайт не в первой десятке. По данным обзора нейропоиска на vc.ru, у Яндекса дополнительный вес имеют ИКС и регистрация компании в России, у Google — свои сигналы траста, а часть инструментов Google в РФ доступна с ограничениями. Работать приходится с двумя разными системами одновременно.
Эксперимент 1. Топ-10 или ничего: как Яндекс за полгода закрыл дверь малым сайтам
Самый важный эксперимент для российского рынка провели «Ашманов и партнёры». Они вручную собирали ответы Алисы по нескольким выборкам запросов — информационных и коммерческих — и автоматически снимали позиции тех же сайтов в органике Яндекса. Сравнивали две выкачки: конец июля 2025 года и конец января 2026 года.
Результат: доля источников, не входящих в топ-10 Яндекса, упала с 40% до 10%, то есть в четыре раза. В середине 2025 года в ответ Алисы могли попасть сайты даже за пределами топ-30 — и это давало шанс небольшим компаниям, которые никогда не пробьются в первую десятку. К 2026 году окно закрылось. Как пишет Sostav со ссылкой на исследование, вероятность попадания в ответ начинает падать примерно с 5-й позиции и почти обнуляется к 10–12-й.
Авторы объясняют логику так: у Яндекса было два пути повысить качество нейроответов — строить отдельное ранжирование для Алисы или сильнее опереться на поиск как на фильтр. Выбрали второе. Качество коммерческих ответов выросло, но выборка кандидатов резко сузилась.
Что с этим делать практику. Перед любыми разговорами про GEO снимите позиции по 50–100 целевым вопросам. Если страница ниже 10-й позиции, бюджет надо тратить на SEO, а не на «оптимизацию под ИИ». Представители Яндекса, к слову, утверждают, что алгоритм ориентируется на экспертность и содержательность контента, а не на место в выдаче. Данные исследования говорят иначе — и в спорной ситуации я бы ориентировался на замеры, а не на заявления.
Эксперимент 2. Статья на внешней площадке попала в ответ Алисы через 15 минут
Агентство Head Promo проверяло, за какое время новый материал становится источником для нейроответа. В гайде по GEO/AEO на Хабре Владимир Назаров описывает результат: публикации на Habr и VC.ru попадают в нейроответы за 1–3 дня вместо недель, а в одном из замеров статья с VC.ru оказалась в ответе Алисы через 15 минут после публикации.
Объяснение простое и техническое. У крупных UGC-площадок высокая частота обхода роботами и накопленный траст домена. Новая страница на таком домене индексируется почти мгновенно и сразу получает право участвовать в отборе источников. Молодой корпоративный сайт проходит тот же путь неделями или месяцами.
Отсюда практический приём, который часто экономит месяцы: если вам нужна видимость по теме быстро, первую версию материала публикуйте не только у себя, но и на площадке-доноре. Habr, VC.ru, Дзен, TenChat, Pikabu, Sostav — все они регулярно всплывают в источниках Алисы. Бесплатно там можно публиковаться, если материал не рекламный; корпоративные блоги платные, и цены сильно разнятся.
Важная оговорка. Скорость индексации не равна устойчивости. Материал на внешней площадке попадает в ответ быстро, но и вытесняется быстро, когда появляется более свежий. Долгосрочная видимость всё равно строится на собственном домене. Правильная схема — параллельно: внешние публикации дают быстрый вход, свой сайт накапливает позиции.
Эксперимент 3. Ahrefs изучил 75 000 брендов: упоминания важнее ссылок в три раза
Самое масштабное открытое исследование факторов AI-видимости провёл Ahrefs. Методика: отобрали домены с Domain Rating выше 40, взяли для каждого самый частотный ключ с объёмом от 800 запросов в месяц, затем прогнали миллионы AI-ответов через Brand Radar и посчитали ранговые корреляции Спирмена между метриками бренда и частотой упоминаний.
Итоговый порядок опубликован в блоге Ahrefs и переворачивает привычную SEO-иерархию: упоминания бренда в вебе — 0,664, брендовые анкоры — 0,527, брендовый поисковый спрос — 0,392, Domain Rating — 0,326, количество ссылающихся доменов — 0,295, количество обратных ссылок — всего 0,218. В расширенной версии на 75 000 брендов на первое место вышли упоминания на YouTube — 0,737.
Три верхние позиции — внешние по отношению к сайту факторы. Бренды из верхнего квартиля по упоминаниям получают до 10 раз больше упоминаний в AI Overviews, чем следующий квартиль. При этом 26% брендов из выборки не упоминаются в AI Overviews вообще ни разу.
Сами авторы честно подчёркивают: корреляция не равна причинности. Открытие YouTube-канала само по себе не заставит ИИ вас цитировать — просто известные бренды одновременно и упоминаются везде, и попадают в ответы. Но направление работы это задаёт чётко: бюджет, который раньше уходил на закупку ссылок, эффективнее вкладывать в публикации, комментарии экспертов и присутствие в отраслевых обзорах.
Эксперимент 4. Moz прогнал 40 000 запросов через AI Mode: 88% цитат — не из топ-10
Пока Яндекс сужал выборку до топ-10, Google двигался в противоположную сторону. Moz прогнал 40 000 запросов через Google AI Mode и обнаружил, что 88% цитат приходятся на страницы за пределами органического топ-10. Данные приводит разбор AuthorityTech.
Цифра по AI Overviews мягче, но идёт в ту же сторону: по данным Ahrefs за январь 2026 года, только 37,9% ссылок в ответах Google приходят из первой десятки. Около 38% цитирований — из топ-10, остальные 62% приходят откуда угодно: из глубины индекса, с форумов, из YouTube, из отраслевых справочников.
Для практика это означает, что единой стратегии на два поисковика не существует. В Яндексе выигрывает тот, кто сначала поднял позиции: это классическая SEO-задача с понятными рычагами. В Google выигрывает тот, у кого шире след бренда: упоминания, сущности, связи с известными экспертами и событиями.
Если вы работаете на российскую аудиторию, приоритет очевиден. По исследованию Пиксель Тулс, в 91% случаев российский пользователь получает нейроответ именно в Яндексе. Google-стратегия имеет смысл как второй контур — для B2B, для экспортных ниш, для тематик, где ваша аудитория сидит в Google принципиально. Начинать с неё в России — ошибка распределения бюджета.
Эксперимент 5. Muck Rack: 85% цитирований ИИ берёт из медиа
Muck Rack отследил более миллиона промптов на основных AI-платформах и посчитал, откуда берутся цитаты. Результат: 85% цитирований приходится на earned media — новостные публикации, редакционные материалы, независимые обзоры. Собственный домен бренда в цитатах появляется редко. Смежные замеры дают вилку 82–89% по разным исследованиям.
Это самая неудобная цифра для тех, кто привык управлять только своим сайтом. Она означает, что основная часть работы по AI-видимости лежит вне зоны прямого контроля: в редакциях, у отраслевых аналитиков, в независимых рейтингах и обзорах.
Механизм называется эффектом консенсуса. Модель сверяет факты из нескольких источников. Если утверждение «компания X — один из лидеров в сегменте Y» встречается только на сайте компании X, это рекламное заявление. Если то же самое написано в отраслевом издании, в независимом рейтинге и в экспертном комментарии на профильной площадке — это факт, который можно включить в ответ.
Отсюда прямое следствие для практики: независимые отраслевые рейтинги и исследования становятся точкой входа в AI-цитирования. Аналитические порталы вроде hr-ratings.com в своих нишах работают именно как такой подтверждающий источник: модель видит структурированные данные о компании на домене, который не принадлежит самой компании.
Что важно понимать честно: накрутить это нельзя. Как отмечают в AuthorityTech, искусственно созданные упоминания лишены редакционного контекста, и модели постепенно учатся отличать реальное освещение от размещения.
Эксперимент 6. Правило Answer-First: 44,2% цитат приходится на начало текста
Замер, опубликованный Grows Memo в феврале 2026 года и приведённый в гайде Head Promo, показывает: 44,2% всех цитат языковых моделей приходится на первые 30% текста.
Причина в архитектуре. Модуль суммаризации не читает статью целиком с одинаковым вниманием — он ищет фрагмент, который отвечает на подзапрос, и первые абзацы имеют преимущество просто потому, что обрабатываются первыми и обычно содержат определение темы.
Практический приём называется Answer-First: прямой ответ в первых двух-пяти предложениях каждого раздела, до всякой подводки. Тексты, которые начинаются с «в современном мире роль логистики сложно переоценить», систематически отбраковываются: в первых предложениях нет ни одного извлекаемого факта.
Как это выглядит на практике. Вопрос «сколько стоит внедрение HRM-системы» — первое предложение раздела должно содержать вилку цен, а не рассуждение о важности автоматизации. Вопрос «чем отличается оценка 360 от 180» — первое предложение содержит само отличие.
Тот же принцип относится к структуре абзацев. Оптимальный размер смыслового блока — 40–60 слов: это примерно объём, который модель забирает в ответ целиком. Каждый абзац должен быть понятен без чтения предыдущих — модель вырывает его из контекста, и если в нём стоит «как мы писали выше» или «этот показатель», фрагмент становится непригодным для цитирования.
Проверка занимает минуту: возьмите любой раздел своей статьи, прочитайте только первое предложение и спросите себя, отвечает ли оно на заголовок. Если нет — раздел в ответ не попадёт.
Эксперимент 7. Лонгриды свыше 20 000 знаков получают в 4,3 раза больше цитат
Замер, приведённый в том же гайде Head Promo, показывает: страницы объёмом более 20 000 знаков получают в 4,3 раза больше цитирований, чем короткие материалы.
Логика здесь не в объёме как таковом. Длинный материал покрывает больше подзапросов. Помните механику: сложный вопрос разбивается на цепочку простых. Запрос «какую систему оценки персонала выбрать для производственной компании» превращается в поиск по типам систем, сравнение функционала, цены, кейсы внедрения, требования к интеграции. Статья на 4 000 знаков закрывает один подзапрос из пяти. Лонгрид на 25 000 знаков закрывает все пять — и попадает в ответ по каждому.
Но объём сам по себе ничего не даёт. Разведённый водой текст на 30 000 знаков проигрывает плотному на 15 000. Работает связка: объём плюс плотность фактов плюс структура заголовков, по которым модель находит нужный кусок.
Из этого следует неочевидный вывод по редакционной стратегии. Лучше выпускать один сильный материал в месяц и регулярно его обновлять, чем пять слабых. Пять статей по 5 000 знаков конкурируют между собой за одни и те же подзапросы и не набирают критической массы ни по одному. Один материал на 25 000 знаков становится узловой точкой темы.
Практический ориентир для B2B-ниши: 20 000–35 000 знаков на ключевую тему, 8–12 разделов с вопросами в заголовках, в каждом разделе минимум одна проверяемая цифра с источником.
Эксперимент 8. Структура решает: 68,7% цитируемых страниц размечены заголовками
Замер по цитируемым страницам даёт 68,7% — такая доля материалов, попавших в AI-ответы, имеет выраженную структуру с заголовками. Оставшаяся треть — это преимущественно короткие новостные заметки и справочные страницы, где структура не нужна по природе жанра.
Механика извлечения объясняет цифру. Модель работает с фрагментами. Заголовок H2 задаёт границу фрагмента и подсказывает, о чём он. Сплошное полотно текста без заголовков модель вынуждена резать произвольно — и вероятность, что нарезка совпадёт со смысловыми границами, невелика.
Практические правила, которые из этого следуют. Заголовок формулируется как вопрос пользователя или как прямое утверждение, а не как метафора: «Сколько стоит внедрение» вместо «Цена вопроса». Между заголовком и первым фактом не должно быть подводки. Списки — там, где перечисление действительно есть, а не для красоты. FAQ-блок в конце материала: он даёт модели готовые пары «вопрос — короткий ответ».
Отдельно про микроразметку Schema.org. Разметка Article, FAQPage, Organization, Product, Review не гарантирует попадания в ответ, но снижает риск того, что модель переврёт характеристики бренда: она получает однозначно определённые сущности вместо необходимости угадывать их из текста. В техническом гайде на Хабре FAQ Schema указана как базовый элемент answer-first блоков.
И совет из практики: не размечайте больше пяти вопросов в FAQPage. Больше — обычно не даёт эффекта и усложняет валидацию.
Эксперимент 9. Обновление контента даёт множитель 3,2× за 30 дней
Замер Head Promo фиксирует множитель 3,2 для материалов, обновлённых за последние 30 дней, по сравнению с теми же материалами без обновления.
Свежесть — один из немногих факторов, которым можно управлять напрямую и быстро. Особенно чувствителен к ней Яндекс: Алиса сильно завязана на актуальность данных внутри своей экосистемы. Для тем, где цифры устаревают за квартал — зарплаты, цены, доли рынка, законодательство — разница между обновлённым и необновлённым материалом видна в замерах уже через пару недель.
Что считается обновлением. Не косметическая правка даты в подвале. Модель сравнивает содержимое: новые цифры с новым периодом, добавленный раздел, актуализированные примеры, свежие источники. Формально обновлённая дата при неизменном тексте эффекта не даёт, зато создаёт риск потери доверия, если модель обнаружит расхождение между заявленной датой и содержимым.
Техническая часть тоже важна: поля datePublished и dateModified в разметке, видимая дата обновления в тексте страницы, указание автора. Это те самые сигналы проверяемости, на которые опираются модели при выборе между двумя похожими источниками.
Рабочий режим для редакции: квартальный цикл обновления ключевых материалов. Раз в три месяца пересматриваются все статьи из ядра — обновляются цифры, добавляется один новый раздел, актуализируются ссылки. Это дешевле производства новых материалов и даёт более предсказуемый эффект.
Эксперимент 10. Академический эксперимент GEO: +30–40% видимости от структуры текста
Первое строгое научное исследование в этой области провели команды Принстона, Техниона и Georgia Tech. Они тестировали разные способы переписывания текста и измеряли, как меняется вероятность попадания фрагмента в генеративный ответ. Результат: оптимизация структуры текста повышает видимость в ответах ИИ на 30–40%.
Какие приёмы дали прирост. Добавление цитат авторитетных источников, включение статистики с конкретными числами, ссылки на первоисточники, ясный и терминологически точный язык. Какие не дали почти ничего: наращивание плотности ключевых слов — то есть основной приём классического SEO десятилетней давности.
Отдельно ценно, что эксперимент был контролируемым: те же самые тексты, изменённые разными способами, прогонялись через одни и те же генеративные системы. Это отличает его от корреляционных исследований вроде Ahrefs, где всегда остаётся вопрос причинности.
Смежный замер, который подтверждает тот же вывод: добавление в текст статистики и фактов даёт около +40% к вероятности цитирования. Модель ищет проверяемые утверждения. Фраза «внедрение системы значительно сокращает время подбора» не годится для ответа — её нельзя проверить и нечем подкрепить. Фраза «внедрение сократило средний срок закрытия вакансии с 34 до 21 дня по выборке из 40 компаний» годится: в ней есть число, единица измерения и объём выборки.
Это единственный приём в списке, который работает одинаково во всех системах — и в Яндексе, и в Google, и в отдельных чат-ботах.
Эксперимент 11. Отраслевые источники в Алисе: топ-10 даёт 50–60% вероятности
GEO Scout проанализировал сотни ответов Алисы по коммерческим запросам и оценил вероятность попадания в источники в зависимости от позиции. Вывод: если сайт в топ-10 Яндекса по релевантному запросу, вероятность попасть в источники Алисы составляет примерно 50–60%.
Половина. Это важная деталь, которую часто упускают: топ-10 — необходимое, но не достаточное условие. Из десяти сайтов первой страницы в ответ попадают три-пять. Оставшийся отбор идёт уже по содержанию: насколько легко из страницы извлечь прямой ответ.
Вторым уровнем рычагов в исследовании названы приоритетные доноры — площадки, которым Яндекс доверяет системно. Для локального бизнеса это Яндекс Карты и Яндекс Бизнес: без карточки в них по локальным запросам в Алису практически не попасть. Для брендов с историей — русская Википедия. Для B2B и SaaS — публикации на Хабре и VC.ru.
Практический вывод для распределения усилий. Сначала считаем, сколько ваших страниц в топ-10 по целевым вопросам. Если мало — это SEO-задача. Если много, а в ответах Алисы вас нет — это задача переписывания: ответ не стоит в начале, нет цифр, нет структуры. Диагностика занимает полдня и экономит месяцы работы не в ту сторону.
Эксперимент 12. Проверка llms.txt: 84 обращения из 62 100 за 90 дней
Otterly провёл замер, который стоит знать всем, кто собирается внедрять модный файл llms.txt. За 90 дней наблюдений к файлу /llms.txt обратились 84 раза из более чем 62 100 визитов AI-ботов — то есть примерно 0,1% трафика AI-краулеров.
Практический вывод: llms.txt на сегодня не является рабочим инструментом попадания в AI-ответы. Это предложенный стандарт, который поддерживают отдельные сервисы, но основные поисковые системы его не используют как источник. Он не заменяет robots.txt и не влияет на отбор источников.
Я специально ставлю этот эксперимент в середину списка, потому что он иллюстрирует общую проблему рынка. Вокруг GEO выросло много уверенных рекомендаций, которые никто не проверял на данных. «Внедрите llms.txt», «добавьте специальные мета-теги для ИИ», «пропишите инструкции для нейросетей в комментариях HTML» — всё это звучит технологично и не даёт измеримого эффекта.
Что действительно работает на технической стороне и подтверждено: открытость сайта для краулеров в robots.txt, серверный рендеринг для сайтов на React и Vue, актуальный sitemap.xml, корректные canonical, отсутствие дублей с противоречивыми данными, скорость и стабильность ответа сервера. Скучный список, но именно он определяет, увидит ли модель вашу страницу вообще.
Проверяйте любую новую рекомендацию вопросом: какой замер за ней стоит и на какой выборке. Если ответа нет — это гипотеза, а не инструкция.
Эксперимент 13. Голосовые запросы: 35–45% аудитории Алисы не видит ссылок
По оценкам Яндекса, доля голосовых запросов в Алисе составляет 35–45%. Цифру приводит разбор GEO Scout, и она меняет постановку задачи: почти половина AI-аудитории Яндекса ссылок не видит в принципе — она слышит ответ.
Для этой половины «попасть в источники» бессмысленно. Значение имеет только одно: прозвучит ли название вашего бренда в самом тексте ответа. Ссылка под ответом для голосового пользователя не существует.
Отсюда практический сдвиг в метриках. Помимо доли цитирований домена нужно считать долю упоминаний бренда в тексте ответа — Mention Rate. Это разные вещи: ваш сайт может быть в источниках, но название компании в тексте не прозвучит.
Как повышать именно упоминание бренда. Название компании должно стоять рядом с фактом, а не в подписи: не «по данным исследования, рынок вырос на 12%», а «по данным исследования компании N, рынок вырос на 12%». Модель забирает фрагмент целиком — и если имя внутри фрагмента, оно попадёт в озвученный ответ.
Второе следствие: Алиса предпочитает лаконичные формулировки, которые удобно произнести. Длинные сложноподчинённые конструкции с тремя придаточными в голосовой ответ не проходят. Ориентир — предложение, которое человек может произнести на одном дыхании.
Эксперимент 14. Пиксель Тулс: 69% пользователей входят через нейроответ, 91% из них — в Яндексе
Пиксель Тулс провёл исследование изменившегося пути пользователя. Ключевые цифры: главная точка входа — не ChatGPT, а нейроответ внутри поисковика, его называют 69% опрошенных, и в 91% случаев это «Поиск с Алисой» в Яндексе. Отдельными приложениями с ИИ пользуются только 26%.
Это лучший аргумент против двух распространённых крайностей. Первая: «пользователи ушли из поиска в ИИ, SEO умерло». Нет — они ушли не из поиска, а внутрь него. Вторая: «надо срочно оптимизироваться под ChatGPT». Для российского массового рынка ChatGPT — далеко не главный канал; приоритет у Алисы с большим отрывом.
По тому же исследованию, совет ИИ входит в тройку значимых факторов при выборе, но не вытесняет остальные. Пользователь по-прежнему смотрит отзывы, сравнивает цены и заходит на сайт перед покупкой — просто теперь короткий список кандидатов формирует ему нейросеть. Меняется не финальное решение, а этап формирования шорт-листа.
Практический вывод для маркетинга: бороться надо за попадание в шорт-лист. Если ваш бренд не назван в ответе на вопрос «какие HRM-системы подходят производственной компании», вы выбываете до того, как начнётся сравнение по функционалу и цене. Это перенос конкуренции на более раннюю стадию воронки — и именно поэтому доля упоминаний по сравнительным запросам стала важнее позиции по одному ключу.
Эксперимент 15. Замеры zero-click: падение кликов на 38–61%
Несколько независимых замеров дают согласованную картину потерь трафика. Pew Research Center: при наличии AI-ответа переходы по ссылкам сокращаются примерно вдвое относительно выдачи без него. Совместное исследование Индийской школы бизнеса и Университета Карнеги — Меллона весной 2026 года зафиксировало сокращение исходящих органических кликов на 38% при наличии AI Overviews. Seer Interactive по информационным запросам получил падение органического CTR на 61%.
По России картина такая же. По данным LiveInternet, российские сайты СМИ с января по июль потеряли около 12% просмотров и 13% посетителей в Яндексе, в Google падение составило примерно 14% и 15% соответственно.
Но есть вторая половина картины, о которой говорят реже. Тот же Seer Interactive показал: бренды, процитированные в AI Overviews, получают на 35% более высокий органический CTR и на 91% более высокий CTR по платным объявлениям на тех же запросах по сравнению с непроцитированными. Ahrefs зафиксировал, что AI-трафик конвертируется в разы лучше обычного органического: 0,5% визитов дали 12,1% регистраций.
Экономический смысл: трафика становится меньше, но он становится дороже. Пользователь, пришедший после рекомендации ИИ, уже прогрет — он получил подтверждение от источника, которому доверяет. Поэтому измерять эффект GEO только по числу визитов неправильно: нужно смотреть на конверсию и на долю брендовых запросов.
Эксперимент 16. Кейс Central Trans: с 1% до 49% видимости в B2B-логистике
Кейс GEO-продвижения логистической компании Central Trans занял первое место на Workspace Digital Awards 2026 и ценен тем, что показывает механику в B2B с длинным циклом сделки.
Механика по описанию Head Promo: выбрали шесть направлений — ВЭД, карго, негабаритные перевозки, доставка из Китая, рейтинговые запросы, перегон авто. Под каждое сделали серию статей на сайте заказчика с описанием процедуры, структурой заголовков, сравнительными блоками, FAQ и доказательной базой. Параллельно вели классическое SEO, чтобы укрепить позиции в топ-10 Яндекса, Google и Bing.
Результаты: видимость бренда по списку целевых промптов выросла с 1% до 49%. Доля ответов со ссылкой на сайт выросла с 0% до 33%. Трафик из нейросетей вырос в 7,5 раза. Зафиксировано 10 B2B-заявок с высоким чеком непосредственно из отдельностоящих нейросетей.
На что обратить внимание. Во-первых, разрыв между упоминанием бренда (49%) и ссылкой на сайт (33%) — нормальная ситуация: модель чаще называет компанию, чем даёт на неё ссылку. Во-вторых, рейтинговые материалы со сравнением перевозчиков дали отдельный вклад: именно из таких страниц модель извлекает данные для сравнительных ответов. В-третьих, авторы прямо указывают на связку с SEO — без роста позиций результат был бы другим.
Срок: направление отрабатывается за несколько месяцев, первые изменения в замерах видны через 4–6 недель.
Эксперимент 17. Кейс Clatch: удвоение видимости бренда за месяц
Проект по продвижению мобильного приложения Clatch показывает, как быстро может меняться AI-видимость при работе с внешними площадками.
Исходная точка на начало декабря 2025 года: фрагментарные упоминания в сети, видимость сайта в AI-ответах 7,5%, видимость бренда 42,6% по тематическим запросам. Работа велась по трём линиям: масштабная публикация экспертного контента на VC.ru и тематических площадках, переписывание текстов по принципу Answer-First с чёткими определениями терминов в начале, акцент на темах, к которым модели проявляют интерес — безопасность данных и алгоритмы внутри продукта.
Результат к январю 2026 года: видимость сайта в AI-ответах выросла с 7,5% до 50,5%, видимость бренда — с 42,6% до 80,4%. Алиса начала рекомендовать приложение как подходящий выбор для пользователей, выросло число установок.
Что этот кейс говорит честно. Быстрый рост достигается на внешних площадках, а не на своём домене — обратите внимание на разницу между видимостью бренда и видимостью сайта. Бренд упоминается в 80% ответов, а на сайт ссылаются вдвое реже. Для приложения это нормально: конверсия идёт в сторах. Для B2B-компании, которая живёт с заявок с сайта, такая пропорция была бы проблемой.
Второй момент: месячный горизонт роста характерен для ниш с низкой конкуренцией и свежей тематикой. В банках, недвижимости или медицине те же работы дают эффект заметно медленнее.
Эксперимент 18. Кейс Пив&Ко: связка SEO и GEO на федеральной франшизе
Кейс продвижения франшизы федеральной сети Пив&Ко полезен тем, что в нём параллельно замерялись SEO- и GEO-метрики — и это позволяет увидеть связь.
Задача: попасть в ответы нейросетей по небрендовым запросам про франшизы и стать рекомендуемым источником. Работа велась одновременно по классическому SEO, микроразметке, структуре текстов, а также по отзовикам, ORM и SERM.
Результаты по SEO: видимость в Яндексе выросла с 17% до 29%, в Google — с 25% до 53%. Результаты по GEO: проработано более 100 запросов-промптов, средняя видимость достигла 80%, в отдельных нейросетях — 100%. Бренд чаще всего стал упоминаться на первом месте в списке, сайт попал в рекомендованные источники.
Главное в этих цифрах — соотношение. Рост SEO-видимости примерно в 1,7–2 раза сопровождался ростом GEO-видимости в разы. Это не совпадение: в системе, где до 90% источников Алисы приходится на топ-10, каждое улучшение позиций мультиплицируется в AI-видимости.
Второй элемент кейса — работа с отзовиками. Модели активно опираются на пользовательский контент при запросах о надёжности и репутации. При этом важен формат: скриншоты благодарственных писем бесполезны, нужен индексируемый текст на внешних площадках. Репутация должна быть оцифрована в Яндекс Картах, 2ГИС, профильных справочниках и отзовиках — иначе по запросам вида «надёжен ли N» модель соберёт ответ из того, что найдёт, а не из того, что вы хотели бы показать.
Эксперимент 19. Сравнение площадок: скорость и устойчивость по системам
Head Promo свёл наблюдения по разным системам в оценки сложности и сроков продвижения. Для Яндекса (Алиса, Нейро): сложность 3 из 10, устойчивость результата высокая, средний срок 5 дней. Для Google (Gemini, AI Overviews): сложность 6 из 10, устойчивость средняя, срок 7 дней. Для Perplexity: сложность 5 из 10, устойчивость высокая, срок 5 дней. Для ChatGPT: сложность 8 из 10, устойчивость средняя, срок 27 дней.
Российский рынок в этом смысле в выгодном положении: главный для нас канал одновременно самый доступный и самый предсказуемый. Алиса сильно завязана на экосистему Яндекса и на свежесть данных — большой вес имеют публикации в Дзене и актуальные данные в Яндекс Бизнесе.
Предпочтения по типам источников тоже различаются. ChatGPT тяготеет к энциклопедическим и научным источникам, любит формат TL;DR, FAQ и гайды с чёткой логикой, плохо реагирует на рекламный тон. Google работает через Knowledge Graph и сущности: если бренд упоминается рядом с признанными экспертами или крупными отраслевыми событиями, шансы растут. Perplexity действует как агрегатор реального времени и требует ссылок на первоисточники — лучший канал для новостных поводов.
Смежный замер: около 50% самых цитируемых нейросетями площадок в рунете относятся к UGC-категории, если отнести туда же YouTube. Это согласуется с данными Ahrefs про корреляцию 0,737 по упоминаниям на YouTube — с поправкой на то, что российские модели работают с другим набором источников.
Эксперимент 20. Экономика вопроса: сколько стоит вход и когда он окупается
Открытые данные по российскому рынку: средний чек на услугу GEO составляет около 150 000 рублей в месяц по данным сообщества GEOMI. Порог рентабельности для среднего бизнеса — от 130 000 до 180 000 рублей в месяц. Требуемый объём производства — 10–12 качественных экспертных материалов ежемесячно. Команда: GEO-специалист, контент-менеджер для внешних площадок, экспертный редактор, менеджер проекта.
По срокам ориентиры такие: 1–4 месяца до первых упоминаний в быстрых ответах российских систем, 5–8 месяцев до попадания в ChatGPT и Perplexity по нишевым запросам. По оценке GEO Scout, в первом квартале 2026 года доля AI-трафика на сайты клиентов платформы достигла 15%, а 51% россиян используют нейросети при выборе товаров и услуг.
Теперь честная часть, которую в коммерческих материалах обычно опускают. Малому бизнесу GEO чаще всего не нужно: при бюджете до 150 000 рублей в месяц есть каналы с понятной и быстрой отдачей. Сквозную аналитику до заявок построить сложно, а иногда технически невозможно — Яндекс и Google не передают данные о переходах из блока с нейроответом. Ещё один риск — волатильность: смена версии модели может за неделю изменить принципы отбора источников.
И системный риск, о котором стоит знать: эффект эхо-камеры. Если в сети накоплена старая или ошибочная информация о компании, модель может игнорировать новые данные, опираясь на исторический консенсус. Разворачивать такое приходится месяцами.
Пошаговый план: что делать с понедельника
Шаг первый, неделя первая. Составьте список из 50–100 реальных вопросов вашей аудитории — не ключевых слов, а именно вопросов в той формулировке, в какой их задают. Прогоните их через Алису, Google AI Overviews и один-два чат-бота. Зафиксируйте базовые метрики: в скольких ответах упоминается бренд (Mention Rate), в скольких есть ссылка на ваш сайт, кого называют вместо вас.
Шаг второй, недели вторая и третья. Снимите позиции своих страниц в Яндексе по тем же вопросам. Разделите вопросы на две группы: где вы в топ-10 и где нет. Для второй группы задача — обычное SEO, и до её решения GEO-работы смысла не имеют.
Шаг третий, недели с третьей по шестую. Для первой группы перепишите страницы по правилу Answer-First: прямой ответ в первых двух-пяти предложениях каждого раздела, абзацы по 40–60 слов, вопросы в заголовках H2, минимум одна проверяемая цифра с источником в каждом разделе, FAQ-блок не более чем на пять вопросов, разметка Article и FAQPage, видимая дата обновления и автор.
Шаг четвёртый, параллельно. Запустите внешнюю дистрибуцию: Дзен и Яндекс Бизнес для локальных запросов, VC.ru и Habr для B2B, профильные отраслевые площадки и независимые рейтинги, отзывы в текстовом виде на индексируемых ресурсах. Цель — упоминание бренда рядом с фактом, а не ссылка.
Шаг пятый, с восьмой недели. Замеряйте те же метрики раз в две недели и обновляйте ключевые материалы квартальным циклом.
Как отличить настоящий эксперимент от красивой цифры
Последнее, что стоит сказать. Рынок GEO молод, и качество данных в нём очень разное. Корреляционные исследования вроде Ahrefs показывают связь, но не причину: бренды с высокой AI-видимостью просто одновременно известны везде. Агентские кейсы показывают результат, но обычно без контрольной группы — вместе с GEO велось SEO, и разделить вклады невозможно. Контролируемые академические эксперименты дают чистый результат, но на выборках, далёких от русскоязычного коммерческого поиска.
Пользуйтесь простой проверкой. Спрашивайте, на какой выборке получена цифра, за какой период, сравнивалась ли она с контрольной группой и кто заинтересован в результате. Цифра без методики — это маркетинг, даже если она правильная.
И держите в голове базовый факт, который сегодня перевешивает все остальные: в России вероятность попасть в AI-быстрый ответ определяется прежде всего позицией в обычной выдаче. Всё остальное — надстройка над этим фундаментом, а не замена ему.
