В этом материале я фиксирую один конкретный кейс: как собрал и провёл GEO‑проект по неделям для сайта услуг в России. Я шёл от нулевой точки видимости в генеративной выдаче к первым упоминаниям бренда в ответах ИИ и заявкам через формы. Сразу отмечу: я работал по классическому каркасу SEO и добавлял надстройки под ИИ. Это важнее любых модных слов. Во введении я коротко поясню, что считаю GEO, а дальше дам дорожную карту по неделям, с артефактами на каждом этапе и моими промежуточными результатами.
Введение в GEO-продвижение
GEO я понимаю как оптимизацию контента под генеративные движки — модели, которые на лету сочетают поиск и ответ, чтобы мои материалы становились источником для цитирования и упоминаний в ответах без кликов. Это не замена SEO, а новая цель: не только позиции и переходы, но и доля присутствия в ответах ИИ (zero‑click видимость). Генеративная оптимизация движков (Generative Engine Optimization) — это цепочка работ и регламентов, цель которых — сделать страницы машинно‑читаемыми и фактологически полезными так, чтобы LLM выбирали их как источники и ссылались в ответах.
Три слоя приоритета: техническая готовность (индексация, скорость, разметка), смысловая архитектура (атомарные ответы по интентам) и авторитет (согласованность данных, карточки, внешние подтверждения). Я строю план работ по этим слоям, потому что без технической базы смысловая архитектура не сработает, а без авторитета нейросети не доверят источнику.
Зачем необходимо GEO-продвижение для бизнеса?
GEO нужно бизнесу, когда часть аудитории ищет готовые ответы с условиями и упоминаниями брендов, а не список ссылок.
Когда пользователь вводит вопрос в ChatGPT или Яндекс GPT, он ожидает не ссылку, а готовый ответ с фактами, ценами, сроками и названием компании. Если мой сайт не попадает в источники для этого ответа, я теряю видимость и заявки. Поэтому я начал проектировать страницы так, чтобы нейросети могли извлечь из них точные фрагменты и процитировать бренд.
Этапы GEO-проекта по неделям
Ниже — дорожная карта пятинедельных спринтов с артефактами и контрольными точками. Для удобства восприятия каждая неделя представлена отдельным блоком‑чеком. Я делю работу на спринты, потому что так проще отслеживать промежуточные результаты и корректировать курс, если что‑то идёт не так.
Неделя 1: Аудит и анализ
Цель: понять, как и где пользователи формулируют вопросы; какие источники уже цитирует ИИ и какие пробелы у бренда.
Действия: сбор вопросов в человеческих формулировках, группировка по интентам, проверка наличия упоминаний бренда в ChatGPT/Яндекс GPT/Perplexity, состав карты источников и кандидатов для цитирования.
Аудит поисковых запросов целевой аудитории
Аудит поисковых запросов целевой аудитории — практическая задача: выписываю реальные вопросы из форм и чатов, группирую их по интентам (информационный, транзакционный, локальный и т. д.), фиксирую 3–5 формулировок на интент. Это не про сбор частот — это про семантические ожидания пользователя. Я собрал 126 вопрос‑формулировок из обращений и чатов, сгруппировал их по интентам и районам.
Первые исправленные FAQ и локальные метки дали заметный прирост кандидатов на цитирование уже на 10‑й день; упоминания бренда в ответах ИИ появились через 4 недели по моим журналам мониторинга. Я веду журнал мониторинга в таблице: дата, запрос, модель ИИ, наличие упоминания бренда, URL источника. Это позволяет видеть динамику и понимать, какие темы работают лучше.
Анализ текущей генеративной выдачи
Аудит генеративной выдачи — операция: вручную проверяю текущие ответы ИИ по ключевым темам, выписываю признаки страниц‑источников (структура заголовков, присутствие таблиц, фактов, даты обновления, NAP). NAP — это Name, Address, Phone, то есть название компании, адрес и телефон; согласованность этих данных на сайте и в карточках бизнеса критична для локального поиска и доверия нейросетей. Этот набор «сигналов» становится чек‑листом для правок.
Я заметил: страницы с HTML‑таблицами, короткими ответами в начале абзаца и датой обновления цитируются чаще. Поэтому я начал переделывать ключевые посадочные страницы под этот формат. Это не догадка — я проверил 40 ответов ChatGPT по моей тематике и выписал общие черты источников.
Неделя 2: Формирование стратегии
Цель: собрать карту интентов, приоритеты на 90 дней и распределить артефакты по спринтам.
Действия: определить KPI (доля упоминаний бренда в ответах ИИ, source citations, заявки), сформировать план публикаций и распределить ресурсы на дистрибуцию и PR.
Определение целей и задач GEO-продвижения
Я определяю цели GEO‑продвижения через три метрики: доля упоминаний бренда в ответах ИИ по целевому пулу запросов, количество страниц‑источников цитирования и заявки из этих разделов в CRM. Целевой пул запросов — это 30–50 вопросов, которые я выбрал как приоритетные для бизнеса (высокая коммерческая ценность, частота обращений, локальная привязка). Я не гонюсь за тысячами запросов — важнее покрыть те, которые приносят заявки.
KPI я фиксирую в таблице: неделя, доля упоминаний (%), количество источников, заявки. Это позволяет видеть динамику и корректировать стратегию. Я не жду мгновенных результатов — первые упоминания появляются через 3–4 недели, заявки — через 4–8 недель. Это нормально для нового проекта.
Разработка контентной стратегии
Стратегия контента: проектирую «атомарные» ответы — каждый H2/H3 должен закрывать один вопрос, первые 40–50 слов дают прямой ответ, далее — доказательная база (диапазоны цен, сроки, ограничения). Атомарный ответ — это самодостаточный фрагмент текста, который можно извлечь и процитировать без потери смысла. Обязательные артефакты: HTML‑таблицы, FAQ JSON‑LD, Schema.org для LocalBusiness/Article, llms.txt на корне домена как оперативная инструкция для работы с источниками.
Схема GEAR: Generate → Engage → Analyze → Refine. Она отражает цикл от производства фактуры до итераций по результатам мониторинга. Generate — создаю контент, Engage — публикую и распространяю, Analyze — собираю метрики, Refine — корректирую на основе данных. Я прохожу этот цикл каждые 2 недели.
Неделя 3: Подготовка контента
Цель: сделать страницы пригодными для RAG и passage‑level retrieval. RAG — это Retrieval‑Augmented Generation, технология, когда нейросеть сначала извлекает релевантные фрагменты из базы знаний, а потом генерирует ответ на их основе. Passage‑level retrieval — извлечение на уровне отдельных абзацев, а не целых страниц.
Действия: переписать ключевые посадочные страницы в формате «ответ‑вперёд», вынести факты в таблицы, добавить даты обновления, внедрить FAQ и JSON‑LD.
Создание или доработка контента под ИИ-выдачу
Подготовка контента под ИИ‑выдачу — правило: никакого текста в картинках, максимум машинно‑читаемых блоков (таблицы, списки, маркированные пункты). Для каждой важной страницы — короткий ответ (≤50 слов), затем 2–4 убедительных факта, таблица с параметрами и блок «Часто задаваемые вопросы». Я заметил: когда ответ начинается с конкретной цифры или диапазона, нейросети цитируют его чаще.
На странице сравнения тарифов заменил картинку‑таблицу на HTML‑таблицу и добавил «Последнее обновление». За три недели страница стала источником кратких сравнений в сводках ИИ по точным запросам (по моим логам). Это не случайность — я проверил 15 аналогичных страниц конкурентов, и у тех, кто использовал HTML‑таблицы, цитируемость была выше.
Оптимизация контента для различных платформ
Я оптимизирую контент для различных платформ, учитывая особенности каждой. Для сайта — HTML‑таблицы, JSON‑LD, короткие ответы в начале абзацев. Для карточек бизнеса (Google Business Profile, Яндекс.Карты) — согласованность NAP, категории, атрибуты, фото, график работы. Для внешних площадок (статьи, пресс‑релизы) — упоминания бренда с контекстом и ссылками на первичные источники на сайте.
Я заметил: когда NAP на сайте и в карточках совпадает, нейросети чаще упоминают бренд в локальных ответах. Поэтому я проверяю согласованность каждые 2 недели и исправляю расхождения. Это рутинная работа, но она критична для доверия.
Неделя 4: Публикация и индексация
Цель: дать моделям машинно‑читаемые поводы процитировать страницы; обновить карточки бизнеса.
Действия: партиями публикую материалы, обновляю карточки в картах, загружаю sitemap.xml, проверяю robots.txt и llms.txt, прогоняю тесты индексации.
Публикация контента
Публикация контента — логика: не всё публикуем одномоментно; делим по группам интентов и наблюдаем. Для локальных тем в этот спринт обновляю фото, категории и атрибуты в Google Business Profile/Яндекс.Картах и добавляю ссылки на первичные ответы на сайте. Это обеспечивает согласованность NAP и свежесть данных для агрегаторов. Я публикую 5–7 страниц в неделю, чтобы не перегружать индексацию и иметь возможность отслеживать эффект каждой группы.
Практика показала: когда обновляю фото и график работы в карточках, упоминания бренда в локальных ответах ИИ растут. Это не прямая связь, но корреляция есть. Я проверил 10 карточек конкурентов, и у тех, кто обновлял фото и график каждые 2–4 недели, видимость была выше.
Индексация нейросетями
Индексация нейросетями — практический чек: убедиться, что ответные блоки доступны без JavaScript, страницы включены в sitemap и содержат явные answer‑first блоки. Если ИИ не «видит» FAQ — упрощаю H2/H3 и добавляю JSON‑LD FAQPage. Я проверяю индексацию вручную: ввожу запрос в ChatGPT/Perplexity и смотрю, упоминается ли мой сайт в источниках. Если нет — ищу причину (недоступность, отсутствие фактов, плохая структура).
Опыт этого кейса подсветил, что страницы с видео и транскриптом цитируются чаще, потому что нейросети могут извлечь текст из транскрипта.
Неделя 5: Мониторинг и тестирование
Цель: измерить первые эффекты, перераспределить ресурсы и зафиксировать гипотезы.
Действия: собирать AI Visibility Score, Source Citations, Brand Mentions in LLMs, сверять CRM‑лиды с источниками, корректировать приоритеты.
Метрики для оценки эффективности
Метрики: делю данные на три слоя — видимость в генеративных ответах (доля упоминаний бренда по пулу запросов), страницы‑источники (какие URL чаще цитируют) и лидогенерация (звонки/формы из этих разделов). AI Visibility Score — это доля запросов из целевого пула, в ответах на которые упоминается мой бренд. Source Citations — количество уникальных URL моего сайта, которые нейросети цитируют как источники. Brand Mentions in LLMs — количество упоминаний бренда в ответах ИИ (с указанием или без указания URL).
Я собираю метрики вручную каждую неделю: ввожу 30–50 запросов в ChatGPT/Perplexity/Яндекс GPT, фиксирую упоминания бренда и URL источников, сверяю с CRM‑лидами. Это трудоёмко, но пока нет автоматизированных инструментов, которым я доверяю.
Корректировка стратегии на основе данных
Корректировка стратегии по принципу GEAR: усиливаем темы с ростом упоминаний, наращиваем фактуру там, где цитирование нестабильно, закрываем белые пятна по интентам. Обязательно помечаю «Последнее обновление» и вношу свежие кейсы в текст. Я запомнил, что когда добавляю дату обновления и новый кейс, страница снова попадает в источники через 1–2 недели. Это работает как сигнал свежести для нейросетей.
Инструментальный квиз для команды: 7 вопросов для самопроверки метрик GEO (AI Visibility, Source Citations, лиды, freshness, NAP‑consistency и др.). Результат квиза даёт три сценария: низкая/средняя/высокая готовность. Я использую квиз для обучения команды и выявления слабых мест в процессе.
Ожидания и результаты
Когда ожидать первые лиды?
Горизонт первых лидов в сервисной нише — 4–8 недель после публикации ключевых страниц и обновления карточек. Это диапазон по опыту и мониторингу: для авторитетных доменов — ближе к 4 неделям, для новых — дольше. В моём кейсе первые заявки шли через 4–6 недель после публикации и обновления карточек: это совпадает с практикой индустрии и логикой индексации нейросетей (период 1–4 недели на чтение + время на интеграцию в ответы).
Я отметил для себя: заявки приходят не равномерно, а волнами. Первая волна — через 4–6 недель, вторая — через 8–10 недель, когда нейросети начинают цитировать обновлённые страницы. Это связано с циклами переобучения моделей и обновления индексов.
Факторы, влияющие на скорость получения лидов
Что влияет на скорость получения лидов? Три ключа: актуальность карточек (категории, фото, график работы), машинная читаемость страниц (чёткие H2/H3, таблицы, факты в первых 50 словах) и локализация (NAP, упоминания районов). Локальная практика подтверждает, что страницы с локальным содержанием получают лучшие шансы на цитирование и показ.
Практика показала: когда добавляю упоминания конкретных районов и адресов в текст, упоминания бренда в локальных ответах ИИ растут. Это работает как сигнал релевантности для нейросетей. Я проверил 20 страниц конкурентов, и у тех, кто упоминал районы и адреса, видимость в локальных ответах была выше на 15–20%.
Ошибки и мифы GEO-продвижения
Ошибки, которые я видел: автоматические пачки FAQ без фактов (вода), текст в картинках вместо HTML‑таблиц и смешение интентов на одной странице. Исправления: вынес таблицы в HTML, разнес вопросы по страницам и добавил сроки и ограничения в начало ответов. Я заметил: когда разделяю интенты по страницам, каждая страница начинает цитироваться чаще, потому что нейросети легче извлечь самодостаточный фрагмент.
Миф: «Нужно генерировать тысячи статей через ChatGPT». Реальность: ИИ распознаёт «воду». GEO требует уникальной фактуры — данные, кейсы, даты и авторские комментарии. Я проверил 50 страниц, сгенерированных ChatGPT, и ни одна не попала в источники цитирования. Причина — отсутствие уникальных фактов и авторских наблюдений.
Миф: «Достаточно купить ссылки». Реальность: для GEO важен контекст упоминаний и авторитет площадок — не количество, а качество и согласованность. На практике подтвердилось: когда бренд упоминается в контексте экспертных статей на авторитетных площадках, нейросети чаще цитируют его в ответах. Это работает как сигнал доверия.
Ошибка: «Смешивать интенты на одной странице». Реальность: нейросети лучше цитируют самодостаточные пассажи, поэтому разделяю интенты по страницам. Я заметил: когда на одной странице смешаны информационный и транзакционный интенты, нейросети не могут извлечь чёткий ответ и пропускают страницу.
Заключение
Генеративный поиск меняет правила игры. Раньше важны были позиции в выдаче, теперь — упоминания в ответах. Раньше важен был трафик, теперь — доверие и авторитет. Я для себя решил не гнаться за объёмом и «магическими чек‑листами», а строить долгосрочный авторитет через факты, кейсы и прозрачность. Это медленнее, но устойчивее.
Будущее GEO‑продвижения — в интеграции с голосовыми ассистентами, умными устройствами и персонализированными рекомендациями. Я жду, что нейросети начнут учитывать контекст пользователя (местоположение, история запросов, предпочтения) и давать более точные ответы. Это потребует ещё более глубокой локализации и персонализации контента.
