Связка 04 · Контент и органика · обновлено 2026-08-20
GEO-статья: цитируют Алиса и ChatGPT
GEO-статья приводит человека прямо из ответа нейросети, и такой трафик даёт 10–15% конверсии в заявку против 4–7% у обычного SEO. Человек спросил Алису или ChatGPT, ваш материал попал в ответ со ссылкой, и на сайт пришёл уже прогретый читатель: в российском кейсе девелопера видимость бренда в ответах ИИ выросла с 9% до 56% за три месяца. Окно пока открыто: по данным аудита 1 000+ доменов, ChatGPT формально цитирует только 12% брендов по их же целевым запросам, а 65% не видит вовсе.
В SEO есть позиция: пятое место или пятнадцатое. В GEO позиции нет. Нейросеть либо назвала вас, либо промолчала. Это меняет и то, как писать, и то, как мерить.
- Что это
- Страница, устроенная так, чтобы модель могла вытащить из неё готовый абзац ответа: прямой ответ сверху, факты с числами, короткие секции, вопросы в подзаголовках.
- Для кого
- B2B, услуги, сложные продукты. Ниши, где человек сначала спрашивает нейросеть «а как вообще выбирают» и только потом идёт смотреть сайты.
- Что на выходе
- Канал, где вы стоите в ответе как рекомендация, а не как рекламная строка. Возражения сняты до перехода на сайт.
- Когда не подходит
- Если ждёте быстрый и точный отчёт. Нейросеть не передаёт исходный запрос, брендовые упоминания без ссылки в аналитику не попадают, а результат виден месяцами.
- видимость бренда в ответах ИИ
- 9% → 56%
- конверсия GEO-трафика в заявку
- 10–15%
- брендов формально цитирует ChatGPT
- 12%
- цитат — из доменов вне топ-100
- 73,5%
видимость бренда в ответах ИИ
конверсия GEO-трафика в заявку
брендов формально цитирует ChatGPT
цитат — из доменов вне топ-100
Схема целиком
Как устроен путь клиента
Сплошные стрелки — путь клиента, пунктирные — куда уходят те, кто не дошёл. Ниже каждый блок разобран по порядку.
Разбор по шагам
Что происходит в каждом блоке
Механика, взгляд клиента, типовая ошибка и готовый текст для каждого узла.
Разбор ниже занимает минут десять. Если проще делегировать — соберу эту связку под ключ.
Вопрос, заданный нейросети
Человек формулирует не ключевое слово, а задачу: «сравни доходные апарт-отели Санкт-Петербурга», «какую CRM брать команде из десяти человек». Нейросеть разбивает вопрос на несколько параллельных поисков и собирает ответ из источников, которые прошли проверку.
Глазами клиента
«Не хочу листать десять вкладок с рекламой. Спрошу и получу нормальный сравнительный ответ.»
«Она назвала три компании и объяснила, чем они отличаются. Перехожу по ссылке на ту, что подходит.»
Что делаете вы
Начинаете с пула промптов, а не с ключей. В кейсе девелопера собрали 97 реальных формулировок вокруг шести кластеров спроса и прогоняли их по шести моделям, фиксируя, называют ли бренд и кто стоит рядом.
Где ломается
Ставка только на ChatGPT. В российском B2B-кейсе за 18 месяцев из 845 переходов из нейросетей 629 дала Алиса, это 74%. Perplexity дал 129, ChatGPT всего 42. Клиент живёт внутри экосистемы Яндекса, и оптимизация под западную модель не приносит переходов вообще.
Метрика: Доля ответов с упоминанием бренда · доля ответов со ссылкой на сайт
Как это выглядит в разных нишах
- SaaS для складского учёта«Чем заменить 1С для склада на 3 000 SKU»: 40 формулировок вокруг замены и миграции
- Бюро по интеллектуальной собственности«Как зарегистрировать товарный знак самому и когда это плохая идея»
- Стоматология премиум-сегмента«Импланты какой системы ставят в Москве и чем отличаются по цене»
Промпт для замера
Посоветуй сервис складского учёта для компании с 3 000 SKU и двумя складами. Сравни варианты по цене, срокам внедрения и интеграции с маркетплейсами.
Формулировка повторяет то, как спрашивает реальный клиент: с условиями и критериями сравнения. По ней видно, называют ли вас и в каком контексте.
Задача → условия → критерии сравнения — Промпт без условий («лучший сервис складского учёта») даёт общий ответ, по которому нельзя понять свою позицию. Условия сужают выборку до вашего реального сегмента.
Статья-ответ
Страницу пишете так, чтобы из неё можно было вырезать готовый абзац. Прямой ответ в первых двух предложениях, дальше короткие самодостаточные секции. Подзаголовки ставьте вопросами: такие страницы цитируются примерно в 1,8 раза чаще, чем страницы с утвердительными заголовками.
Глазами клиента
«Открыл ссылку из ответа. На странице ровно то, что мне процитировали, только подробнее.»
«Не пришлось искать нужный кусок: он в первом же абзаце раздела.»
Что делаете вы
Микроразметка Schema.org: Article, FAQPage, HowTo. FAQ рендерится открытым текстом, а не в свёрнутом блоке. Свежесть важна: 67% датируемых источников в ответах это контент 2025–2026 годов. Дату обновления держите настоящей.
Где ломается
Страница без текста в ответ не попадает. В B2B-кейсе на странице тарифов стояли только калькулятор и таблица, и Алиса продукт не выводила вообще. Под таблицей появилось нормальное текстовое описание с формулировками из запросов аудитории, и страница пошла в ответы. А страницы-инструкции стали главными точками входа.
Метрика: Доля страниц, попавших в ответы · переходы с реферера нейросети
Как это выглядит в разных нишах
- SaaS для складского учётаСтраница «Миграция с 1С: 7 шагов и что ломается»: секции по 150 слов, каждая с числом
- Бюро по интеллектуальной собственностиСтраница «Сроки и пошлины регистрации товарного знака в 2026»: таблица и FAQ открытым текстом
- Стоматология премиум-сегментаСтраница «Импланты: сравнение пяти систем по цене, гарантии и срокам приживления»
Первый абзац GEO-статьи
Мигрировать со складского модуля 1С на отдельный сервис занимает от двух до шести недель и стоит 80 000–250 000 ₽ в зависимости от числа складов. Дольше всего переносятся остатки по партиям и настройки маркировки — на них уходит до 60% времени проекта. Ниже — семь шагов и три места, где проект обычно встаёт.
Ответ дан числами в первых двух предложениях, и его можно процитировать целиком, не открывая остальную страницу. Именно такие абзацы модели вытаскивают в ответ.
BLUF: bottom line up front — Вывод и цифры в начало, обоснование ниже. Абзац должен читаться без предыдущего текста: модель вырежет именно его.
Внешние упоминания и со-цитирование
Модель проверяет утверждение по нескольким источникам. Подтверждённое на сторонних площадках проходит фильтр. Одинокая цифра на вашем сайте не проходит. Поэтому GEO наполовину состоит из работы вне сайта.
Глазами клиента
«Нейросеть назвала их и сослалась на подборку на VC, а не на их собственный сайт. Значит, это не они сами про себя написали.»
«Проверил отзывы на картах: там живые люди, а не три штуки от одного числа.»
Что делаете вы
Карту источников снимаете замером: смотрите, откуда модели берут ответы по вашим типам запросов. Для B2B это подборки и экспертные материалы, для локальных услуг карты, каталоги и агрегаторы. Тексты на площадках не дублируйте: свой заголовок и своя структура на каждой.
Где ломается
Одинаковый текст, разложенный по десяти площадкам, работает как один источник. В кейсе автоподбора публиковали около 30 материалов в месяц, но каждый со своим текстом, заголовком и разным числом позиций в рейтинге.
Метрика: Число площадок-источников · доля ответов, где рядом с брендом нет конкурентов
Как это выглядит в разных нишах
- SaaS для складского учётаПодборки «сервисы складского учёта 2026» на профильных площадках + карточки на каталогах ПО
- Бюро по интеллектуальной собственностиЭкспертные комментарии в материалах о судебной практике + профиль на юридических агрегаторах
- Стоматология премиум-сегментаЯндекс Карты с живыми отзывами и подборки клиник в городских медиа
Абзац во внешней подборке
Из российских решений для складов на 3 000+ SKU чаще других называют три сервиса. У первого — самая быстрая миграция с 1С (от двух недель), у второго — готовая интеграция с четырьмя маркетплейсами, у третьего — самый дешёвый входной тариф, но нет партионного учёта.
Текст сравнивает, а не хвалит. Модель охотнее берёт источник, где названы несколько игроков с разными характеристиками. Это выглядит как обзор, а не как реклама.
Сравнение → различие → ограничение — Каждый участник получает своё отличие и своё ограничение. Подборка, где один игрок хорош во всём, читается моделью как рекламный текст и цитируется хуже.
Авторитетность и повторное цитирование
Позиция в ответах накапливается. Собственные числа (опрос, статистика вашего сервиса, замер) превращают вас в первоисточник. Цифру начинают перепечатывать другие, и эти материалы тоже попадают в ответы.
Глазами клиента
«Эту цифру я уже видел в двух разных статьях. Похоже, она настоящая.»
«Автор указан, у него есть биография и другие материалы. Не анонимный текст.»
Что делаете вы
Публикуете собственные данные, подписываете материалы реальными авторами с профилями, держите индексацию под контролем в Вебмастере. Прогон промптов повторяете раз в период — иначе не увидите движения.
Где ломается
Один прогон промпта ничего не доказывает: ответы меняются от сессии к сессии. Чтобы отличить долю 30% от 10%, нужно 50+ прогонов одного запроса. Иначе вы принимаете решения по шуму.
Метрика: Динамика доли упоминаний по неделям · тональность упоминаний
Как это выглядит в разных нишах
- SaaS для складского учётаЕжеквартальный отчёт «сколько на самом деле длится миграция» по 200 своим внедрениям
- Бюро по интеллектуальной собственностиРазбор 500 отказов Роспатента за год с причинами и долями
- Стоматология премиум-сегментаСтатистика приживаемости имплантов по своей базе за пять лет с разбивкой по системам
Анонс собственных данных
Мы посчитали 200 миграций со складского модуля 1С за 2025–2026 годы: медианный срок — 24 дня, а в 31% проектов задержку дал перенос партионного учёта. Полная таблица по типам складов — в отчёте.
Число принадлежит вам, его больше негде взять. Такие цифры расходятся по чужим материалам вместе с вашим именем.
Свои данные → метод → доступ — Сначала цифра, потом на чём она посчитана, потом где взять целиком. Без описания метода число не проходит проверку и не цитируется.
Заявка с прогретого перехода
Человек приходит после того, как нейросеть уже сравнила варианты и сняла часть возражений. Страница не убеждает заново. Она подтверждает сказанное в ответе и даёт следующий шаг.
Глазами клиента
«Мне уже объяснили разницу. Хочу увидеть цену и сроки, а не читать про миссию компании.»
«Всё сходится с тем, что сказала нейросеть. Оставляю заявку.»
Что делаете вы
На посадочной повторяются те же формулировки и цифры, что в статье-ответе. Форма короткая: человек пришёл с готовым намерением, длинный квиз здесь только мешает.
Где ломается
Расхождение между тем, что сказала модель, и тем, что на сайте. Если в ответе прозвучала цена, которой на странице нет, доверие обнуляется прямо на первом экране.
Метрика: Конверсия перехода из нейросети в заявку
Как это выглядит в разных нишах
- SaaS для складского учёта«Демо на ваших остатках за 3 дня — покажем, что перенесётся, а что придётся заводить руками»
- Бюро по интеллектуальной собственности«Проверка знака по базе Роспатента за 2 дня — 8 000 ₽, с письменным заключением»
- Стоматология премиум-сегмента«Консультация с КТ и планом лечения — 4 000 ₽, засчитываем в стоимость работ»
Первый экран посадочной
Переносим складской учёт с 1С за 2–6 недель. Медианный срок по 200 проектам — 24 дня. Покажем на ваших остатках, что перенесётся автоматически, а что придётся заводить руками. → Запросить демо
Первый экран повторяет числа из статьи-ответа. Человек видит подтверждение того, что ему сказала нейросеть, и не начинает выбор заново.
BLUF + подтверждение цитаты — Главное в первой строке, следом та же цифра, что прозвучала в ответе модели. Совпадение формулировок работает как доказательство: источник настоящий.
Упомянули без ссылки
Часть упоминаний перехода не даёт. Модель называет бренд без ссылки или ставит ссылку, не называя имя. Человек уходит гуглить название, и этот путь виден только в брендовом трафике.
Глазами клиента
«Название запомнил, ссылки не было. Наберу в поиске сам.»
«Перешёл по ссылке, а чей это сайт, из ответа было непонятно.»
Что делаете вы
Смотрите не только переходы, но и динамику брендовых запросов: в кейсе автоподбора она выросла с 22 до 59 в месяц, +168%, параллельно с ростом доли упоминаний.
Где ломается
Считать канал по одному отчёту рефереров. Видимые переходы из нейросетей это всегда нижняя оценка. Брендовые упоминания без ссылки в аналитику не попадают, часть кликов теряется внутри мобильных приложений моделей.
Метрика: Брендовые запросы в Вордстате · прямые заходы
Как это выглядит в разных нишах
- SaaS для складского учётаДинамика запроса с названием сервиса в Вордстате помесячно
- Бюро по интеллектуальной собственностиРост прямых заходов после выхода подборок на внешних площадках
- Стоматология премиум-сегмента«Название клиники отзывы» как отдельный отслеживаемый запрос
Формулировка бренда в тексте
Сервис «Складовик» (skladovik.ru) переносит партионный учёт автоматически — это единственное решение в подборке, которое делает это без ручной сверки.
Имя и домен стоят рядом с уникальным отличием. Так модель с большей вероятностью назовёт бренд, а не просто сошлётся на страницу безымянно.
Имя → домен → уникальное отличие — Три элемента в одном предложении. Если имя оторвано от отличия, модель процитирует характеристику, но не назовёт, чья она.
Формулы, по которым собраны эти тексты
- AIDA
- Внимание → интерес → желание → действие. Классика для длинного текста: лендинга, поста, письма.
- PAS
- Проблема → усиление → решение. Лучше всего работает в прогреве, где надо сначала назвать боль словами клиента.
- 4U
- Полезно, срочно, уникально, ультра-конкретно. Формула оффера и заголовка объявления.
- BLUF
- Главное в первой строке. Обязательна для страниц, которые должны цитироваться нейросетями, и для объявлений.
- Хук → польза → CTA
- Структура короткого видео и первого сообщения бота: захват за три секунды, ценность, одно действие.
Соберём за вас
Разработаю связку «GEO-статья: цитируют Алиса и ChatGPT» под ключ
Бот, квиз, лендинг, аналитика и тексты — соберу целиком и передам работающей, с замерами по каждому шагу.
Кейсы
Как это сработало у других
Чужие запуски из открытых публикаций: выжимка и цифры, полный разбор — по ссылке у автора.
845 переходов из нейросетей, три четверти которых дала Алиса
B2B-сервис со сложным продуктом и аудиторией из сферы госзаказа. Стандартный ход в GEO — начать с ChatGPT и Perplexity — здесь промахивался. Руководители и бухгалтеры компаний с контрактами живут внутри экосистемы Яндекса и первым делом видят ответ Алисы над поисковой выдачей.
- переходов из нейросетей за 18 мес
- 845
- доля Алисы в канале
- 74%
- перехода дал ChatGPT
- 42
- доля канала в реферальном трафике
- 4,5%
переходов из нейросетей за 18 мес
доля Алисы в канале
перехода дал ChatGPT
доля канала в реферальном трафике
+Как они это делали
Замер собрали из трёх сигналов: отчёт по внешним реферерам в Метрике (там видны alice.yandex.ru, perplexity.ai, chatgpt.com и другие), ручной прогон целевых запросов по шести моделям раз в период и контроль индексации в Вебмастере. Дальше чинили текстовые описания на сайте. На странице тарифов стояли только калькулятор и таблица, и Алиса продукт в ответ не выводила. Под таблицей появилось описание услуги формулировками из запросов аудитории, и страница начала попадать в ответы. Сильнее всего тот же приём сработал на страницах-инструкциях: именно они стали основными точками входа.
За 18 месяцев канал вырос практически с нуля до 845 переходов, это около 4,5% всего реферального потока сайта. Распределение перевернуло привычную картину: Алиса 629 переходов (74%), Perplexity 129 (15%), ChatGPT 42 (5%), DeepSeek 24, Qwen 17, Gemini 4. Линия росла все 18 месяцев и на плато не вышла.
Пересказ по публикации: GEO без ставки на ChatGPT: три четверти трафика дала Алиса (Хабр) — цифры и подробности проверяйте у автора.
Видимость бренда в ответах нейросетей выросла с 9% до 56%
Апарт-отель Vertical Invest в Петербурге. На старте видимость бренда в ответах нейросетей по целевым запросам была 9%, видимость сайта как источника данных 8%. В большинстве ответов модели рекомендовали конкурентов или ссылались на агрегаторы.
- видимость бренда в ответах ИИ
- 9% → 56%
- видимость сайта как источника
- 8% → 15%
- материал на внешних площадках
- 31
- конверсия GEO-трафика в заявку
- 10–15%
видимость бренда в ответах ИИ
видимость сайта как источника
материал на внешних площадках
конверсия GEO-трафика в заявку
+Как они это делали
За три месяца агентство расширило пул промптов с 58 до 97 вокруг шести кластеров спроса: доходность, инвестиции, рейтинги, рассрочка, пассивный доход, управляющие компании. Работали сразу по всем каналам: Яндекс с Алисой, Google AI Overview, DeepSeek, GigaChat, ChatGPT и Perplexity. На сайте внедрили Schema.org и прокачали E-E-A-T. Снаружи посеяли 31 материал на VC, Sostav, TenChat, Дзене и других площадках.
Видимость бренда выросла с 9% до 56%, видимость сайта как источника ответа с 8% до 15%. Положительная тональность упоминаний поднялась с 82,35% до 99,21%. По наблюдениям агентства, GEO-трафик в этой нише конвертируется в заявку на 10–15% против 4–7% у классического SEO и 1–3% у Яндекс Директа. Причина простая: человек приходит после того, как модель сравнила варианты за него.
Пересказ по публикации: GEO-кейс: видимость девелопера в ответах нейросетей с 9% до 56% — цифры и подробности проверяйте у автора.
Первое место по упоминаниям в нише и рост заявок с 4 до 13 в месяц
У сервиса автоподбора AUTOPRO уже была база: многие коммерческие запросы в топ-10 Яндекса и Google, рабочий сайт, поток отзывов. Стартовый замер по контрольному пулу промптов дал 258 ответов нейросетей за десять дней: больше всего упоминаний давали Google AI Overview и Perplexity (по 11), Алиса дала 5, ChatGPT 3. На тот момент бренд получал 22 перехода по брендовым запросам и 4 заявки в месяц.
- доля ответов с брендом (у конкурентов 8–10%)
- 17%
- доля ответов со ссылкой на сайт
- 9% → 12%
- брендовых переходов в месяц
- 22 → 59
- заявок в месяц
- 4 → 13
доля ответов с брендом (у конкурентов 8–10%)
доля ответов со ссылкой на сайт
брендовых переходов в месяц
заявок в месяц
+Как они это делали
Главное открытие оказалось не про сайт. Работали в основном снаружи: статьи-рейтинги с упоминанием бренда на трастовых площадках вроде DTF и VC, около 30 материалов в месяц. Тексты не дублировали. На каждой площадке свой текст, свои заголовки и разное число позиций в рейтинге. Отдельно проработали отзывы на Яндекс Картах: эту площадку модели реально цитировали. На сайте добавили страницы под привоз машин из Китая и Кореи, Schema.org, карточки услуг и llms.txt.
Второй замер прошёл на расширенном пуле: 1 094 ответа против 258 в старте, поэтому сравнивали доли, а не абсолютные числа. По доле упоминаний AUTOPRO обошёл всех в нише: 17% ответов с брендом против 8–10% у ближайших конкурентов, 191 упоминание против 102 у второго места. Доля ответов со ссылкой на сайт выросла с 9% до 12%. Переходы по брендовым запросам поднялись с 22 до 59 в месяц (+168%), заявки с 4 до 13.
Пересказ по публикации: Продвижение в нейросетях: два кейса GEO-оптимизации (Хабр) — цифры и подробности проверяйте у автора.
Сборка
Собрать своими руками
Минимальный путь до первых цифр.
- 012–3 дня
Собрать пул из 40–100 промптов и снять стартовый замер
Формулировки клиента с условиями, а не ключи. Прогон по шести моделям, включая Алису и GigaChat.
ручной прогон / ГЕОранк
- 021 день
Разобрать, откуда модели берут ответы по вашим запросам
Для B2B это подборки и экспертные материалы, для локальных услуг карты, каталоги, отзовики. Карта источников определяет, куда вкладываться.
выгрузка ответов + таблица
- 031–2 недели
Переписать ключевые страницы под извлекаемость
Прямой ответ с числами в первых двух предложениях, секции по 120–180 слов, вопросы в H2, текст под каждой таблицей и калькулятором.
CMS сайта
- 04полдня
Разложить микроразметку и llms.txt
Article, FAQPage, HowTo на ключевых страницах; FAQ открытым текстом. Индексацию контролировать в Вебмастере.
Schema.org · Яндекс Вебмастер
- 051–3 месяца, потоком
Посеять внешние материалы с уникальными текстами
Подборки и сравнения на VC, Дзене, Хабре, профильных каталогах. Каждой площадке свой текст и свой заголовок, не копии.
площадки + PR
- 061 день в месяц
Настроить замер и повторять прогон раз в месяц
Отчёт по внешним реферерам в Метрике плюс ручной прогон. Минимум несколько десятков прогонов на запрос: ответы вариативны.
Яндекс Метрика + таблица
Промпт для агента
Собери трекер видимости бренда в ответах нейросетей и генератор GEO-страниц. Стек: Python 3.12 + FastAPI, планировщик на APScheduler, Postgres, фронт — простая таблица на HTMX. Обращения к моделям через их публичные API и через headless-браузер для тех, где API нет. Логика: 1. Таблица prompts: формулировка, кластер спроса, модель-мишень, флаг активности. Пул от 40 промптов. 2. Планировщик раз в сутки прогоняет каждый активный промпт по списку движков не менее 20 раз (ответы вариативны, одиночный прогон нерепрезентативен) и сохраняет сырой текст ответа и список источников. 3. Парсер размечает по каждому ответу три флага: бренд упомянут, домен процитирован как источник, конкурент упомянут. Плюс тональность упоминания — тремя классами. 4. Метрики на дашборде: доля ответов с брендом, доля ответов со ссылкой на сайт, доля ответов, где есть конкурент и нет вас, разбивка по движкам и кластерам, динамика по неделям с доверительным интервалом. 5. Отдельный сборщик читает Яндекс Метрику по внешним реферерам (alice.yandex.ru, perplexity.ai, chatgpt.com, chat.deepseek.com, chat.qwen.ai) и складывает переходы в ту же базу. 6. Линтер страниц: по URL проверяет, что первый абзац содержит число и укладывается в два предложения, что H2 сформулированы вопросами, что секции короче 200 слов, что есть JSON-LD Article и FAQPage и что FAQ отрендерен в HTML, а не подгружается скриптом. 7. Отчёт: список страниц, которые чаще всего попали в источники, и список страниц, где линтер нашёл проблемы. Ограничения: не делать выводов по выборке меньше 20 прогонов на промпт; при смене размера пула промптов сравнивать доли, а не абсолютные числа упоминаний; считать переходы из нейросетей нижней оценкой — упоминания без ссылки в Метрику не попадают.
Вставьте в Claude Code или Cursor — получите рабочий каркас связки, дальше правьте под свой продукт.
Не уверены, что подойдёт
Подберу связку под ваш проект
Разберём нишу, продукт и ресурсы — скажу, какие две-три связки из базы дадут результат быстрее всего именно вам.
Вопросы
Частые вопросы
Под какую нейросеть оптимизироваться в России?
Зависит от ниши, и проверять надо замером. В B2B-кейсе для аудитории госзаказа Алиса дала 74% всех переходов из нейросетей (629 из 845), а ChatGPT только 42. В нише автоподбора картина была другой: больше всего упоминаний давали Google AI Overview и Perplexity.
Насколько велика конкуренция в GEO?
Пока низкая. По аудиту 1 000+ доменов ChatGPT формально цитирует только 12% брендов по их же целевым запросам, 23% упоминает без ссылки, а 65% не видит вообще. При этом 73,5% всех цитат приходится на домены вне топ-100: размер сайта здесь решает меньше, чем структура текста.
Как писать статью, чтобы её процитировали?
Прямой ответ с числами в первых двух предложениях, секции по 120–180 слов, подзаголовки вопросами. Такие страницы цитируются примерно в 1,8 раза чаще, чем страницы с утвердительными заголовками. Абзац должен быть понятен без остального текста: модель вырежет именно его.
Достаточно ли работать только со своим сайтом?
Нет. В кейсе автоподбора основной вклад дали внешние публикации (около 30 материалов в месяц на VC и DTF с уникальными текстами) и отзывы на Яндекс Картах. Модель проверяет утверждение по нескольким источникам, и одинокая цифра на вашем сайте этот фильтр не проходит.
Как измерить результат, если позиций в GEO нет?
Тремя сигналами: отчёт по внешним реферерам в Яндекс Метрике (там видны alice.yandex.ru, chatgpt.com, perplexity.ai), ручной прогон пула промптов раз в период и динамика брендовых запросов. Видимые переходы это всегда нижняя оценка: упоминания без ссылки в аналитику не попадают.
Как быстро появляется результат?
Первые сдвиги по доле упоминаний видны за месяц-два: в кейсе девелопера видимость выросла с 9% до 56% за три месяца, в кейсе автоподбора заявки поднялись с 4 до 13 в месяц. Трафик копится дольше: в B2B-кейсе канал рос все 18 месяцев и на плато не вышел.