Generative Engine Optimization

Материал из Википедии — свободной энциклопедии
Данная страница не проверялась участниками с соответствующими правами.
Перейти к навигации Перейти к поиску

Generative Engine Optimization (GEO, рус. оптимизация под генеративные системы) — направление цифрового маркетинга и поисковой оптимизации, сфокусированное на повышении видимости контента в ответах, генерируемых системами искусственного интеллекта, такими как ChatGPT, Perplexity AI, Google AI Overviews, Claude и другими большими языковыми моделями.

В отличие от традиционной поисковой оптимизации (SEO), которая фокусируется на улучшении позиций веб-сайта в списке результатов поисковых систем, GEO направлена на оптимизацию контента таким образом, чтобы генеративные AI-системы выбирали его в качестве источника при синтезе ответов на запросы пользователей.

История возникновения

[править | править код]

Предпосылки появления

[править | править код]

Концепция GEO возникла в 2023 году на фоне массового внедрения генеративных AI-систем в поисковые технологии. В мае 2024 года Google официально запустил функцию AI Overviews (ранее известную как Search Generative Experience), которая генерирует развёрнутые ответы непосредственно в поисковой выдаче[1]. Параллельно OpenAI интегрировала поисковые возможности в ChatGPT (ChatGPT Search), а Perplexity AI позиционировала себя как «answer engine» вместо традиционной поисковой системы.

Согласно исследованию компании seoClarity, к марту 2025 года AI Overviews появляются в 10,4 % всех десктопных поисковых запросов в США — это исторический максимум с момента запуска функции[2]. Независимый анализ Ahrefs показал, что позиция номер один в органической выдаче теряет 34,5 % кликов при наличии AI Overview над ней[3].

Академическое обоснование

[править | править код]

В ноябре 2023 года исследователи из Princeton University, Georgia Tech, Allen Institute for AI и IIT Delhi опубликовали фундаментальную научную работу «GEO: Generative Engine Optimization»[4]. Исследование впервые формализовало понятие GEO как отдельной дисциплины и эмпирически доказало её эффективность.

Для проведения исследования учёные создали бенчмарк GEO-bench, включающий 10 000 поисковых запросов из различных доменов. Результаты показали, что правильная GEO-оптимизация способна увеличить видимость контента в AI-генерируемых ответах до 40 % по метрике Position-Adjusted Word Count.

Принципиальные отличия от SEO

[править | править код]
Параметр Традиционное SEO GEO
Целевая система Алгоритмы ранжирования поисковых систем Большие языковые модели (LLM)
Формат результата Список из 10+ ранжированных ссылок Синтезированный текстовый ответ с 3-5 цитированиями источников
Критерий успеха Высокая позиция в SERP, CTR Включение в список цитируемых источников AI-ответа
Роль пользователя Самостоятельно выбирает результат из списка Получает готовый ответ, решение принимает AI
Ключевые факторы Обратные ссылки, ключевые слова, техническая оптимизация Структурированные данные, E-E-A-T сигналы, скорость извлечения информации
Временной горизонт Развивается с середины 1990-х годов Формируется с 2023 года

Фундаментальное различие заключается в том, что традиционные поисковые системы ранжируют существующие веб-страницы и предоставляют пользователю упорядоченный список для самостоятельного выбора, в то время как генеративные системы автономно выбирают несколько источников, извлекают из них информацию и синтезируют единый связный ответ, который может полностью удовлетворить информационную потребность пользователя без перехода на внешние сайты.

Технические принципы работы

[править | править код]

В рамках GEO принято разделять два основных типа генеративных систем, так как механика их работы, контекст использования и, соответственно, цели оптимизации для них различаются[5]:

  1. LLM-интерфейсы (диалоговые системы). К этому типу относятся платформы, такие как ChatGPT, Claude, Perplexity AI и др. Пользователь взаимодействует с системой в режиме диалога, задавая последовательность уточняющих вопросов.
  2. Интегрированный AI-поиск (ответы в поисковой выдаче). К этому типу относятся Google AI Overviews, Яндекс Нейро, Bing Copilot. Генеративный ответ является надстройкой над традиционной поисковой выдачей и конкурирует за внимание пользователя со списком ссылок.

Механизм отбора источников LLM

[править | править код]

Большие языковые модели работают в режиме реального времени с жёсткими ограничениями на вычислительные ресурсы. При генерации ответа система:

1. Получает поисковый запрос пользователя 2. Обращается к специализированным поисковым API для получения списка релевантных веб-страниц 3. Анализирует каждую страницу за доли секунды (миллисекунды) 4. Отбирает 3-7 наиболее авторитетных и информативных источников 5. Извлекает ключевую информацию из выбранных источников 6. Синтезирует связный текстовый ответ с указанием источников

Критически важным фактором является скорость извлечения информации. Контент, структурированный с использованием Schema.org, обрабатывается в 3-5 раз быстрее неструктурированного текста, что существенно повышает вероятность его включения в финальный ответ.

Роль структурированных данных

[править | править код]

Fabrice Canel, Principal Product Manager в Microsoft Bing, на конференции SMX в Мюнхене (март 2025) заявил: «Schema Markup помогает Large Language Models Microsoft понимать и интерпретировать контент веб-страниц»[6]. Google также подтверждает в официальной документации, что структурированные данные предоставляют системам «явные и недвусмысленные подсказки о значении и структуре страницы».

Исследование компании Data World показало, что LLM на основе knowledge graphs с правильно структурированными данными достигают уровня точности ответов на 300 % выше по сравнению с моделями, работающими исключительно с неструктурированным текстом[7].

По данным Schema.org, по состоянию на 2024 год более 45 миллионов доменов используют структурированную разметку, что составляет лишь 12,4 % от общего числа зарегистрированных доменов (362,3 млн по данным ICANN)[8].

Ключевые факторы GEO-оптимизации

[править | править код]

Согласно исследованию Princeton University, эффективность различных методов GEO существенно варьируется в зависимости от домена и типа контента[9].

Структурированные данные Schema.org

[править | править код]

Типы разметки по назначению:

  • Product Schema — для товаров в интернет-магазинах (цена, наличие, рейтинг, отзывы)
  • Service Schema — для описания услуг B2B и B2C компаний
  • Article Schema — для контентных материалов, статей, руководств
  • FAQ Schema — для структурирования вопросов и ответов
  • Person Schema — для указания авторства и экспертности
  • Organization Schema — для информации о компании
  • HowTo Schema — для пошаговых инструкций
  • Review Schema — для отзывов и рейтингов

Рекомендуемый формат внедрения — JSON-LD, который является официально предпочтительным для Google и не влияет на HTML-вёрстку страницы.

E-E-A-T сигналы

[править | править код]

Концепция E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) была формализована Google в декабре 2022 года и активно используется генеративными AI-системами для оценки авторитетности источников:

  • Experience (Опыт) — демонстрация практического опыта автора в теме
  • Expertise (Экспертность) — профессиональная квалификация и образование
  • Authoritativeness (Авторитетность) — признание в профессиональном сообществе
  • Trustworthiness (Достоверность) — надёжность и проверяемость информации

Контент с чётко указанными авторами, их биографиями, квалификацией и контактными данными компании имеет значительно более высокую вероятность цитирования AI-системами.

Эффективность методов оптимизации

[править | править код]

Исследование Princeton выявило следующие показатели эффективности различных методов:

Метод Увеличение видимости (%) Применимость
Цитирование авторитетных источников (Cite Sources) +115,1 % Для позиций 4-6 в SERP
Добавление статистики (Statistics Addition) +40-85 % Информационный контент
Структура вопрос-ответ (Question Addition) +35-70 % FAQ, руководства, обучающий контент
Добавление цитат экспертов (Quotation Addition) +25-60 % Аналитические материалы, новости
Упрощение языка (Fluency Optimization) +10-30 % Технический контент для широкой аудитории

Влияние на веб-трафик

[править | править код]

Снижение органического трафика

[править | править код]

Исследование Pew Research Center, отслеживавшее 68 000 реальных поисковых запросов, показало, что пользователи кликают на результаты только в 8 % случаев при наличии AI Overview, по сравнению с 15 % без него — падение CTR на 46,7 % в относительном выражении[10].

Данные Similarweb фиксируют рост так называемых zero-click поисков (запросов, не приводящих к переходу на сайты) с 56 % до 69 % между маем 2024 и маем 2025 года[11].

Концентрация видимости

[править | править код]

Согласно анализу Search Engine Land, абсолютное большинство сайтов с отличными позициями в традиционной органической выдаче не попадают в AI Overviews и рекомендации чат-ботов[12]. Генеративные системы обычно цитируют от 3 до 7 источников на один запрос, что создаёт эффект концентрации видимости.

Кейсы внедрения

[править | править код]

Практическая эффективность GEO-оптимизации подтверждается рядом задокументированных случаев внедрения в различных отраслях[9].

Rotten Tomatoes

[править | править код]

Агрегатор кинорецензий Rotten Tomatoes внедрил структурированные данные на 100 000 страниц и зафиксировал прирост click-through rate на 25 % на страницах с правильной разметкой по сравнению со страницами без структурированных данных[13].

Food Network

[править | править код]

Кулинарный сайт Food Network внедрил Recipe Schema на 80 % страниц с рецептами и зафиксировал рост общей посещаемости сайта на 35 % за счёт улучшенной видимости в поисковой выдаче и появления rich snippets[14].

BARS Agency

[править | править код]

Внедрение GEO-стратегий для 32 B2B/SaaS компаний показало, что трафик из AI-ответов конвертируется в квалифицированные лиды (SQL) на 25-29% эффективнее, а среднее время сеанса таких пользователей на 30% выше по сравнению с традиционными каналами органического продвижения.[5]

Критика и ограничения

[править | править код]

Риск санкций

[править | править код]

Google чётко указывает в руководствах для вебмастеров: любое несоответствие между данными в структурированной разметке Schema и фактическим видимым контентом расценивается как попытка манипуляции и может повлечь ручные санкции (Manual Action) с понижением сайта в выдаче или исключением из индекса.

Отсутствие гарантий

[править | править код]

GEO-оптимизация не гарантирует попадания в AI-ответы. Авторитетность домена, количество обратных ссылок, репутация авторов, актуальность информации и глубина раскрытия темы также влияют на решение AI-систем о включении источника в цитирование.

Проблема атрибуции трафика

[править | править код]

Исследование Pew Research показало, что только 1 % пользователей реально кликают на ссылки, размещённые внутри AI Overview как источники информации. Большинство пользователей удовлетворяют информационную потребность синтезированным AI-ответом без перехода на цитируемые сайты.

Инструменты и проверка

[править | править код]

Инструменты валидации разметки

[править | править код]
  • Google Rich Results Test — проверка корректности разметки и возможности генерации rich results
  • Schema Markup Validator от Schema.org — валидация JSON-LD по официальному стандарту
  • Google Search Console — мониторинг индексации структурированных данных

Платформы мониторинга

[править | править код]
  • seoClarity — отслеживание присутствия в AI Overviews
  • Semrush — анализ видимости в генеративных системах
  • BrightEdge — мониторинг цитирований в AI-ответах
  • Geometrika.dev — российская платформа для мониторинга и анализа генеративных систем и ИИ-поиска, а также, GEO-оптимизации[15]

Перспективы развития

[править | править код]

Согласно данным агентства Xponent21, AI Overviews от Google появляются более чем в 50 % всех поисковых запросов по состоянию на 2025 год — это в два раза больше, чем в августе 2024 года[16]. Эксперты прогнозируют дальнейший рост доли AI-генерируемых ответов в поисковых системах по мере совершенствования технологий и увеличения инвестиций крупных технологических компаний.

См. также

[править | править код]

Примечания

[править | править код]
  1. ↑ An update on AI Overviews. Google Blog (14 мая 2024). Дата обращения: 15 мая 2024.
  2. ↑ AI Overviews Impact on Search: March 2025 Data. seoClarity (15 марта 2025). Дата обращения: 20 марта 2025.
  3. ↑ How Google AI Overviews Impact Click-Through Rates. Search Engine Land (12 сентября 2024). Дата обращения: 15 сентября 2024.
  4. ↑ Pranjal Aggarwal; Avanika Narayan; Vishwas Mruthyunjaya; Kshitij Gupta; Shagun Uppal; Aditya Kusupati; Sham M. Kakade (16 ноября 2023). GEO: Generative Engine Optimization. arXiv:2311.09735.{{cite arXiv}}: Википедия:Обслуживание CS1 (пропущен class) (ссылка)
  5. ↑ 1 2 Аналитический центр BARS Agency. Как генеративные ИИ меняют цифровую видимость бренда | Индустриальный обзор (15 августа 2025).
  6. ↑ The Semantic Value of Schema Markup in 2025. Schema App (10 марта 2025). Дата обращения: 15 марта 2025.
  7. ↑ Knowledge Graphs and LLM Accuracy Study. Data World (20 ноября 2024). Дата обращения: 25 ноября 2024.
  8. ↑ FAQ Schema Statistics 2025. Epic Notion (15 января 2025). Дата обращения: 20 января 2025.
  9. ↑ 1 2 Как попасть в ответы ChatGPT, Perplexity и Google AI: практическое руководство по GEO. Habr (2025). Дата обращения: 9 октября 2025.
  10. ↑ Impact of AI Overviews: How Publishers Need to Adapt. Search Engine Journal (22 августа 2024). Дата обращения: 25 августа 2024.
  11. ↑ Zero-Click Searches Rise to 69%. Similarweb via Search Engine Journal (10 мая 2025). Дата обращения: 12 мая 2025.
  12. ↑ What is Generative Engine Optimization (GEO)? Search Engine Land (15 июня 2024). Дата обращения: 18 июня 2024.
  13. ↑ How Schema Markup Impacts SEO: Case Studies. SpecBee (10 июля 2024). Дата обращения: 15 июля 2024.
  14. ↑ Food Network Schema Implementation Results. SpecBee (10 июля 2024). Дата обращения: 15 июля 2024.
  15. ↑ Компьютерра. В России появился первый инструмент для GEO-оптимизации контента в ИИ-поиске. Компьютерра (10 октября 2025). Дата обращения: 11 ноября 2025.
  16. ↑ Google's AI Overviews Surpass 50% of Queries. Xponent21 (20 февраля 2025). Дата обращения: 22 февраля 2025.

Литература

[править | править код]

Ссылки

[править | править код]
Источник — https://ru.wikipedia.org/w/index.php?title=Generative_Engine_Optimization&oldid=149708649