Оптимизация для ИИ о которой не говорят
Открываешь Яндекс, вбиваешь «где купить надёжный диван», и «Нейро» выдаёт три бренда. Своего среди них нет. Дальше начинается знакомая песня: «надо оптимизировать сайт, делать микроразметку Schema.org, писать тексты и тд и тп». Всё это работает, но это база, которую делают все. А вопрос стоит задать иначе: как попасть именно в тот короткий список, который ИИ-ассистент зачитывает пользователю вслух?
Поисковые системы давно перестали быть просто списком ссылок с четким топ 10. YandexGPT, GigaChat, «Нейро» – это фильтры, которые решают за пользователя, кого ему показать первым. И если стандартная SEO-оптимизация отвечает на вопрос «как попасть в топ-10 ссылок», то генеративная оптимизация (GEO, generative engine optimization – подгонка контента под логику языковых моделей) отвечает на другой: «как стать тем брендом, который модель точно назовёт в ответе из трёх предложений». Разберём по уровням бюджета, что реально работает для России.
Малый бизнес: давить плотностью и захватывать пустоты
У малого бизнеса нет денег на PR-агентства и собственного data science. Зато есть скорость и право говорить от первого лица. Этого на самом деле часто достаточно, чтобы влезть в ответы ИИ – нужно лишь грамотно подать контент.
Первый рабочий приём – оптимизация под векторный поиск через информационную плотность. Языковые модели любят структурированные блоки данных: им проще «зацепиться» за таблицу, чем за абзац рекламного текста. Краулеры Яндекса и Сбера сканируют карточки товаров напрямую, и чёткая структура снимает с ИИ необходимость гадать, что вы продаёте.
Интернет-магазин крафтовой мебели вместо описания «удобный и мягкий стул из натурального дерева» добавляет на страницу таблицу: материал каркаса – дуб, нагрузка – до 150 кг, срок службы – 15 лет, производитель – такой-то. Когда пользователь спрашивает «Нейро» про прочные стулья, бот забирает эти данные дословно. Никакого бюджета: переписать карточки может штатный копирайтер или сам владелец за неделю работы. Да, в целом составить таблицы из уже готового текста может и любая нейронка.
Второй приём посерьёзнее – захват информационных пустот (data voids – темы и термины, по которым в сети почти нет упоминаний). Малая компания может выдумать новую категорию продукта и за пару дней застолбить её за собой. Большому бренду это согласовывать с юристами полгода, а локальный производитель косметики вводит термин «северная крио-капсула» вместо банального «увлажняющий крем» – и в выдаче ИИ остаётся один. Просто потому что больше никто этим словом ничего не называет. Но стоит оговориться, родить новый термин так чтобы его потом еще и искали – большая задача Но и ее можно скушать, если поделить слона на части.
Что нужно сделать, чтобы это сработало:
Придумать узкий, запоминающийся термин, которого нет в выдаче (проверяется через обычный поиск в кавычках).
Опубликовать его на VC.ru, Хабре или в активном Telegram-канале с реальной аудиторией.
Продублировать в карточке товара, в FAQ на сайте и в описании на маркетплейсе.
Подождать 1–3 недели, пока термин попадёт в индексы и подхватится моделями.
Не отпускать тему: писать ещё 2–3 материала, где этот термин раскрывается глубже.
Наличие вас в ИИ даже по термину который вы придумали, это небольшой но все-таки плюсик в копилку общего инфо-ии-поля вашего бренда.
Средний бизнес: тональность и соседство с лидерами
Когда у компании есть бюджет на маркетинг, но нет миллиардов на R&D, в дело идут две техники потяжелее. Обе требуют системной работы и людей, которые этим занимаются как основной задачей, а не «между делом».
Первая – монополизация тональности (sentiment dominance – управление эмоциональным фоном упоминаний бренда). Языковые модели при формировании ответа учитывают не только тексты о компании, но и общий эмоциональный тон этих текстов. Если 80% упоминаний бренда содержат позитив с конкретикой («быстрая доставка», «вернули деньги без вопросов»), модель воспринимает компанию как надёжную и рекомендует её.
В России основные площадки для этой работы – Отзовик, Irecommend, Яндекс Карты, отзывы на Ozon, Wildberries, Мегамаркете. Просто закупать пачку фейковых пятёрок бессмысленно: и модерация площадок их режет, и модели Яндекса научились отличать шаблонные отзывы от живых. Что работает: системный сбор развёрнутых отзывов от реальных покупателей с подробностями. Магазин электроники, который полгода стимулирует клиентов писать живые рецензии на Мегамаркете, через 4–6 месяцев по опыту начинает попадать в ответы «Нейро» на запросы аля «где купить товар Х без скама».
Вторая техника – агрессивное со-цитирование с лидерами (entity association – привязка вашего бренда к более крупным сущностям в семантическом пространстве модели). Звучит сложно, но идея простая: если ваше имя регулярно появляется в одном абзаце с лидерами рынка, модель начинает считать вас частью той же лиги. Не потому, что вы такой же крупный, а потому что векторы (числовые представления слов в модели) сближаются.
Главные площадки для этого в РФ – VC.ru, Хабр, Spark и крупные бизнес-сообщества во ВКонтакте. Магазин дизайнерской одежды выпускает на VC.ru аналитику рынка: «Как Lamoda, Wildberries и [ваш бренд] обрабатывают заказы». Стоит сказать что так же хорошо работают и более топорные «Топ сервисов в нише Х», вы сто процентов видели такие статьи на этих площадках и думали почему рядом с 9 гигантами этот маленький магазин. А ответ вот за чем. Через десять-тридцать таких публикаций модель уже начинает чаще говорить о вашей нише вспоминая ваше имя. Цена вопроса – зарплата PR-менеджера и время на качественные тексты, без покупки рекламных размещений. Хотя можно и покупные статьи, главное чтобы они были среднего качества и выше.
Крупный бизнес: внедряться в обучающие данные моделей
Здесь начинается другая лига. (Не придирайтесь к следующей фразе, она построена на конструкции «не про а про», которая уже стала штампом ИИ текстов, но нет, писал сам). Это уже не про то, чтобы попасть в ответ ИИ, а про то, чтобы стать частью самой модели – то есть быть зашитым в её веса (параметры, которые модель «выучила» при обучении). Доступно компаниям, у которых есть собственная data-команда, юристы для оформления открытых лицензий и огромные массивы обезличенных данных.
Суть в публикации открытых датасетов на GitHub, Kaggle и аналогичных площадках. Российские разработчики из Яндекса, Сбера и Т-Банка собирают такие наборы данных для обучения своих моделей. Если ваш датасет качественный, верифицированный и закрывает реальную исследовательскую задачу – он попадёт в обучающую выборку. После чего ваше название останется в модели навсегда, до следующего полного переобучения.
Пример из ритейла: федеральная сеть одежды, назовем этот бренд «О-ТРИ» (привет всем кто учил химию) выкладывает датасет из миллионов анонимизированных заказов с разметкой «какой размер заказали – какой подошёл – какой вернули». Это золото для любой модели, которая учится советовать размеры. Упрощенно, в благодарность модель отвечает на запросы про подбор размера, упоминая ритейлера как авторитетный источник данных.
Важно: это не маркетинговая активность как таковая. Это игра вдолгую, с горизонтом 2–3 года и больше. Зато конкуренты не догонят, потому что у них просто нет таких объёмов данных.
Что объединяет все эти подходы
Если присмотреться к трём уровням, видна общая логика. Старое SEO боролось за позиции в выдаче – генеративная оптимизация борется за то, как ИИ думает о вашей категории. Это разница примерно как между «попасть в телефонный справочник» и «стать тем, кого друг порекомендует, когда вы спросите про мебельный магазин».
Конкретно для российского рынка важно учитывать, что основные модели здесь – YandexGPT, GigaChat и DeepSeek с Qwen. Первые два учатся преимущественно на русскоязычных источниках с приоритетом отечественных площадок. То есть публикация в зарубежных медиа на английском почти не влияет на то, что выдаст «Нейро» русскоязычному пользователю. Работать нужно с Хабром, VC.ru, Яндекс Картами, отзывами на российских маркетплейсах, Telegram-каналами с живой аудиторией.
Второй момент – скорость индексации. По опыту, на VC.ru и в активных Telegram-каналах новый термин или упоминание подхватываются за недели. В отзывы на маркетплейсах сигнал доходит за месяцы. В обучающие выборки крупных моделей – по мере переобучения. Это значит, что стратегию надо собирать слоями: быстрые тактики дают эффект уже через неделю, средние – через квартал, тяжёлые – через год-два.
Третий момент, который часто упускают: ИИ-модели не любят противоречий. Если на сайте у вас написано одно, на VC.ru – другое, на Отзовике – третье, модель не понимает, кому верить, и предпочитает не рекомендовать вас вообще. Поэтому перед запуском любой из перечисленных техник стоит провести базовую ревизию: что сейчас говорит интернет о вашей компании, нет ли расхождений в фактах, ценах, услугах, географии работы.
Мой совет с чего начать на этой неделе
Если вы только подходите к теме, не пытайтесь сразу делать всё. Возьмите один приём, который соответствует вашему уровню ресурсов, и доведите его до результата. Малому бизнесу – переписать карточки товаров и услуг в формате таблиц с конкретными характеристиками. Заняло неделю, эффект пошёл через 2–3 недели после переиндексации.
Среднему бизнесу – назначить ответственного за работу с отзывами на двух-трёх ключевых площадках и за квартал собрать 200–500 развёрнутых живых рецензий. Параллельно подготовить одну публикацию на VC.ru, где ваш бренд упоминается рядом с лидерами рынка в контексте реальной аналитики, а не рекламы.
Крупному бизнесу – запустить внутренний аудит: какие данные у вас есть, что из них можно обезличить и опубликовать как датасет, какая команда этим займётся. Это проект на год, но он переводит вас в другую категорию: вы перестаёте быть объектом оптимизации и становитесь источником обучения для моделей.
И главное – перестаньте измерять успех только позициями в выдаче. Спрашивайте у «Нейро» и GigaChat запросы из вашей ниши раз в неделю и смотрите, попадаете ли вы в ответы. Это и есть новая метрика. Если попадаете – вы заставили нейронку рекомендовать ваши услуги. Если нет – знаете, над каким из уровней работать дальше.