Как я мешал нейросетям цитировать свой сайт: история моих ошибок в GEO

В начале 2026 года я осознал, что мой привычный подход к работе с контентом перестал приносить результат. Я по инерции продолжал бороться за «синие ссылки» в поисковой выдаче, в то время как всё больше людей вокруг меня начали получать ответы на свои вопросы прямо внутри чат-ботов и умных поисковиков. Я понял: стандартное SEO продвижение, которое служит надежным фундаментом, теперь требует надстройки в виде GEO (Generative Engine Optimization).
Мои первые попытки «подружиться» с нейросетями были хаотичными. Я думал, что достаточно просто переписать тексты более «человечным» языком. Но на практике я столкнулся с тем, что ИИ-ассистенты игнорировали мои страницы, предпочитая цитировать другие источники.

Мой эксперимент с «немыми» ключами

Первое, что я зафиксировал в своих логах — полная бесполезность коротких коммерческих фраз. Раньше я делал ставку на запросы вроде «курьерская доставка москва» или «доставка день в день». Но когда я сам начал спрашивать у ChatGPT или Яндекс Нейро о сроках доставки, я увидел, что системы ищут не ключевые слова, а конкретные параметры.

Я решил провести эксперимент на своем проекте курьерской службы в Москве. Я полностью отказался от «голых» ключей в заголовках и перешел к формату, который я назвал для себя «проектированием фактов».

Вот что я изменил на одной из ключевых страниц:

• Я убрал заголовок «Быстрая доставка по городу».
• Вместо него я написал: «Сроки и стоимость доставки курьером по районам Москвы в вечернее время».
• Я полностью переделал первый экран, добавив туда не рекламные лозунги, а сухую таблицу с дедлайнами.

Как я искал «сигналы локальности»

Я столкнулся с тем, что нейросеть часто выдавала пользователям общую информацию, игнорируя мои уникальные условия. Я понял, что ИИ-ассистенту просто не за что было «зацепиться». Чтобы это исправить, я внедрил на страницу блок, который я для себя обозначил как «локальный контекст».

В первых 100 словах текста я перестал лить воду о «высоком качестве». Вместо этого я перечислил конкретные зоны обслуживания и точное время, до которого нужно оставить заявку, чтобы курьер успел приехать сегодня.

Для меня стало открытием: через 10 дней после того, как я обновил эти данные, ЯндексGPT начал использовать мою таблицу для ответа на вопрос: «Успеет ли курьер привезти документы в ЦАО сегодня вечером?».

Я зафиксировал, что количество обращений по таким точечным запросам у меня выросло на 22% за месяц. Я для себя сделал вывод: нейросети 2026 года — это не про «красивые тексты», а про инженерную четкость данных. Если я не даю ИИ конкретный факт, он его не выдумает.

Атомизация смыслов: как я перестал писать лонгриды

В ходе своих экспериментов в начале 2026 года я обнаружил одну странную вещь: даже если я подбирал идеальные фразы, нейросети всё равно «спотыкались» о мои тексты. Раньше я гордился своими лонгридами — подробными статьями на 10–15 тысяч знаков с плавными переходами. Но для ИИ-ассистентов такой формат оказался препятствием.

Я зафиксировал типичный сценарий: если бот заходит на страницу и видит три экрана сплошного текста без четких логических отсечек, он просто игнорирует этот источник. Я понял, что для нейропоиска страница должна быть набором автономных смысловых единиц. Я назвал этот подход для себя «атомизацией».

Я полностью пересмотрел иерархию своих заголовков. Раньше я использовал их для красоты, теперь — как «якоря» для ИИ. И я ввел для себя жесткое правило «ответ-вперед»:

1. Каждый блок под заголовком H2 я теперь начинаю с 2–3 предложений, которые содержат максимально сжатый и самодостаточный ответ.
2. Только после этого я привожу контекст, таблицы и подробности.

Когда я переделал так несколько страниц, я увидел, что точность цитирования выросла. ИИ перестал перефразировать мой текст «отсебятиной» и начал использовать мои прямые фразы.

Как я «кодировал» свою авторитетность

Я убедился, что в 2026 году авторитетность (то, что раньше называли E-E-A-T) — это для нейросетей не «хорошие отзывы», а измеримый массив данных в коде. Я заметил прямую корреляцию: если я не подтвердил программно, кто я такой и почему мне можно верить, вероятность моего появления в ответах по сложным темам стремилась к нулю.

Я перестал ограничиваться простым блоком «Об авторе» в конце статьи. Я потратил неделю на то, чтобы связать все сущности своего проекта через модель @graph в JSON-LD. Для меня это стало стандартом. Теперь в коде страницы я явно объясняю нейросети: «Эта статья написана этим человеком, который работает в этой организации, и это касается вот этой конкретной темы».

Что это дало мне на практике:

Я внедрил подробный профиль автора с линками на свои подтвержденные аккаунты в отраслевых справочниках прямо в микроразметку. После этого я зафиксировал, что мои страницы начали получать на 30–35% больше цитирований по запросам, где требовалось экспертное мнение, а не просто справка.

Мой ежедневный ритуал: как я проверяю «мнение» ИИ

Самый сложный вопрос, на который я долго не мог найти ответ: «А как понять, что мои правки вообще сработали?». Обычные сервисы мониторинга позиций здесь оказались бесполезны.

Я разработал для себя простую систему. Каждую неделю я беру 15–20 вопросов, на которые должен отвечать мой сайт, и вручную прогоняю их через ChatGPT, Perplexity и Яндекс. Я завел для этого простой журнал мониторинга.

Если я вижу, что по важному вопросу нейросеть меня не цитирует, я возвращаюсь к тексту. Часто мне было достаточно просто перефразировать первый абзац под заголовком H2, чтобы через неделю ИИ начал его «видеть».

Мой личный итог

Я для себя понял: в 2026 году бессмысленно пытаться «понравиться» искусственному интеллекту, если на сайте нет инженерной чистоты. В моем случае последовательность «техника → структура → факты» стала единственным рабочим ориентиром.

Я убедился: если на моей странице нет конкретики (цифр, точного времени, условий), никакая разметка меня не спасет. Но если данные есть и они связаны в логический граф, точечные правки текста дают колоссальный эффект. Я перестал гнаться за объемом трафика и сфокусировался на том, чтобы быть максимально точным источником правды для алгоритмов.