GEO и AEO: как оставаться заметным в эпоху ИИ-поиска

Задайте сегодня вопрос — и велика вероятность, что вы вообще не увидите привычную страницу с результатами поиска. Вы спрашиваете ChatGPT, Perplexity, Gemini или AI Overviews от Google — и получаете один, уже готовый ответ: написанный, снабжённый источниками и заранее решающий, какие компании будут упомянуты, а какие нет. Если в этом ответе цитируют не ваш контент, вы практически невидимы — даже если на старой странице результатов всё ещё занимаете первое место. Выросли две дисциплины, которые отвечают именно на этот сдвиг: Answer Engine Optimization (AEO) и Generative Engine Optimization (GEO).

Что такое AEO и GEO

AEO — Answer Engine Optimization — это быть ответом, а не ссылкой на него. Оно выросло из featured snippets, голосовых ассистентов и «нулевой позиции», а сегодня охватывает и ИИ-движки ответов. Его фундамент — структурированные данные и прямой, самодостаточный контент в формате «вопрос–ответ», который машина может забрать дословно.

GEO — Generative Engine Optimization — новее и уже: это практика быть процитированным, упомянутым или представленным внутри ответа, который генерирует ИИ, — в абзаце, который пишет ChatGPT, в сводке, которую собирает Perplexity, в блоке, который Google AI Overviews показывает над результатами. Там, где AEO спрашивает «сможет ли машина извлечь мой ответ?», GEO спрашивает «когда модель составляет свежий ответ из многих источников, попадёт ли туда мой и будет ли он атрибутирован?».

Ни одно из них не заменяет классическое SEO — они надстраиваются над ним. Модель всё ещё должна просканировать, проиндексировать и понять вашу страницу, прежде чем процитировать, поэтому фундамент — индексируемость, чистая структура, реальный авторитет — по-прежнему важен. AEO и GEO лишь добавляют новую цель поверх ранжирования: быть источником, который машина выбирает, чтобы говорить его голосом.

flowchart TB
  subgraph SEOflow["Классический поиск · SEO"]
    direction LR
    Q1["Запрос"] --> L["Список ссылок"]
    L --> CL["Клик по ссылке"]
    CL --> P["Ваш сайт"]
  end
  subgraph AIflow["Ответ ИИ · AEO / GEO"]
    direction LR
    Q2["Запрос"] --> ENG["Движок читает<br/>много источников"]
    ENG --> ANS["Один готовый ответ<br/>со ссылками на источники"]
    ANS --> CIT{"Ваш контент<br/>процитирован?"}
    CIT -->|да| VIS["Вы в ответе"]
    CIT -->|нет| INV["Вас не видно"]
  end

Как и почему это возникло

Ещё несколько лет назад ни одна из этих дисциплин не имела названия. Сдвиг укладывается в короткую, плотную хронологию. Публичный запуск ChatGPT в ноябре 2022 года почти в одночасье сделал разговорные, синтезированные ответы повседневной привычкой. Google ответил своим Search Generative Experience, дозревшим до AI Overviews, которые сегодня показываются над обычными результатами для значительной доли запросов. Perplexity построил всю свою идентичность вокруг слова «answer engine», возвращая написанный ответ со встроенными ссылками вместо страницы ссылок. Общий знаменатель — рост zero-click-поиска: ответ собирается прямо на странице результатов, а пользователь так и не заходит на источник, из которого он взят.

flowchart LR
  A["Ноябрь 2022<br/>Запуск ChatGPT"] --> B["2023<br/>Google SGE —<br/>генеративный поиск"]
  B --> C["Ноябрь 2023<br/>Научная работа<br/>«GEO»"]
  C --> D["2024<br/>Google AI Overviews<br/>над результатами"]
  D --> E["Сейчас<br/>Perplexity и другие<br/>«движки ответов»"]

Сам термин GEO пришёл из исследований. Академическая работа 2023 года под названием GEO: Generative Engine Optimization — авторства исследователей, связанных с Принстоном, Georgia Tech, Allen Institute for AI и IIT Delhi, позже представленная на конференции KDD 2024, — первой формализовала проблему и измерила, какие изменения в контенте действительно повышают то, как часто источник цитируют внутри генерируемого ответа. Детали стоит прочитать, но главное — сам сдвиг перспективы: цель сместилась с ранжирования страницы, чтобы человек по ней кликнул, на цитирование в сгенерированном ответе, по которому человек может не кликнуть никогда.

Чем GEO и AEO отличаются от классического SEO

Классическое SEO оптимизирует страницу под ранжирование — чтобы она оказалась высоко в списке и человек по ней кликнул. AEO и GEO оптимизируют под то, чтобы быть извлечённым или процитированным ответом — текстом, который машина повторяет, или источником, который она атрибутирует. Раз цель другая, меняются и сигналы, которые важны.

Структура важнее ключевых слов. Страница под ранжирование может спрятать ответ на три прокрутки ниже; движку ответов нужен ответ, изложенный прямо, рано и в машиночитаемой форме.

Цитируемые факты важнее убеждения. Модели забирают ясные, самодостаточные утверждения. Предложение, которое стоит само по себе — определение, число, прямое «да» или «нет», — куда вероятнее будет процитировано, чем абзац, имеющий смысл только в контексте.

Свежесть и ясность важнее объёма. Актуальные, однозначные, хорошо подкреплённые источниками факты выигрывают цитаты; стены расплывчатой прозы — нет.

Авторитет по-прежнему решает. E-E-A-T — опыт, экспертиза, авторитетность, доверие — важен как никогда, потому что модель, как внимательный редактор, предпочитает цитировать источник, которому есть причина доверять.

Доступ краулеров — теперь вопрос первой величины. Генеративный движок процитирует лишь то, что его краулеру позволили прочитать. Если ваш robots.txt блокирует ИИ-ботов, вы сами вычеркнули себя из ответа.

Как мы применяем это в MiCode

Мы не относимся к этому как к галочке на одной странице — мы ведём это как практику по всему портфелю: этот сайт компании и наши продуктовые сайты. Паттерн настолько устойчив, что его можно описать как рецепт.

flowchart LR
  SITE["Наши сайты<br/>mi-code.pl · eksiegowyai.pl · ai-budget.pl"] --> LLMS["llms.txt<br/>+ llms-full.txt"]
  SITE --> ROB["robots.txt<br/>впускает ИИ-ботов,<br/>закрывает приватное"]
  SITE --> JLD["JSON-LD<br/>FAQPage · Organization"]
  SITE --> PRE["Трёхъязычный prerender<br/>canonical + hreflang"]
  LLMS --> CRAWL["ИИ-краулер<br/>читает сайт"]
  ROB --> CRAWL
  JLD --> CRAWL
  PRE --> CRAWL
  CRAWL --> ANS["Ответ ИИ<br/>цитирует и упоминает вас"]

На mi-code.pl мы публикуем кураторский, структурированный файл llms.txt — текстовую карту компании, продуктов, блога и FAQ, написанную так, чтобы языковые модели читали её напрямую. Наш robots.txt намеренно впускает ИИ-краулеров — GPTBot, ChatGPT-User, ClaudeBot, anthropic-ai, PerplexityBot, Google-Extended, CCBot — вместо того чтобы их блокировать, ведь краулер, которого мы закроем на замок, — это ответ, в котором мы никогда не появимся. Каждая статья отдаёт структурированные данные FAQPage (JSON-LD), запечённые по локалям в статическом пререндере, рядом со схемой Organization. Весь сайт пререндерится в три реальных, индексируемых языковых дерева — /, /en/ и /ru/ — каждое с самоссылающимся canonical и взаимным hreflang (с x-default на польский), так что движок, читающий на любом из трёх языков, попадает на чистый, индексируемый URL. Сам контент семантичен и сканируем: заголовки, врезки и FAQ с прямыми ответами, плюс sitemap.

На eksiegowyai.pl, нашем бухгалтерском продукте, тот же рецепт адаптируется к живому приложению. Структурированный llms.txt картирует продукт, руководства, статьи и компанию; robots.txt впускает ещё более широкий набор ИИ-краулеров — в том числе GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-User, anthropic-ai, PerplexityBot, Perplexity-User, Google-Extended, Applebot-Extended и CCBot — при этом явно запрещая приватную часть: маршруты API, панель администратора, dashboard, чат, KSeF, настройки, подписку и авторизацию. Публичное знание открыто машинам; данные пользователя — нет.

На ai-budget.pl, нашем приложении для бюджета, мы идём на шаг дальше и публикуем и лаконичный llms.txt, и llms-full.txt — полное зеркало контента в markdown для моделей, которым нужен весь текст, а не карта. robots.txt снова впускает широкий набор ИИ-краулеров, а всё вместе связывает sitemap.

Форма везде одна и её легко скопировать: во-первых, сделайте сайт машиночитаемым с помощью llms.txt и структурированных данных; во-вторых, осознанно впустите ИИ-краулеров, отгородив приватные маршруты; в-третьих, отвечайте прямо на реальные вопросы — с FAQ и схемой за ними.

Практический чек-лист

Если вы хотите, чтобы ваш собственный контент пережил этот сдвиг, несколько конкретных шагов покрывают большую часть поля.

Отвечайте прямо и сразу. Дайте ответ в первом абзаце — предложением, которое стоит само по себе. Всё остальное может уточнять; цитируемая строка должна идти первой.

Добавьте настоящий FAQ со схемой FAQPage. Запишите вопросы, которые ваша аудитория действительно задаёт, ответьте на каждый самодостаточным абзацем и разметьте их данными FAQPage (JSON-LD), чтобы машина разобрала их без догадок.

Держите факты цитируемыми и актуальными. Предпочитайте ясные утверждения, реальные числа и датированные источники расплывчатой прозе. Обновляйте их, когда меняется реальность; устаревший факт — это потерянная цитата.

Опубликуйте структурированный llms.txt. Дайте моделям чистую текстовую карту того, что вы предлагаете и где это лежит. Это стоит почти ничего, но делает сайт понятным для систем, которые теперь отвечают.

Впустите ИИ-краулеров — осознанно. Разрешите основным ИИ-ботам в robots.txt, запретив приватные, приложенческие и авторизационные маршруты. Нельзя быть процитированным движком, который вы заблокировали.

Используйте семантический HTML и JSON-LD. Настоящие заголовки, списки и структурированные данные (Organization, FAQPage) дают машинам каркас, чтобы правильно понять и переиспользовать ваш контент.

Стройте реальный авторитет. E-E-A-T — не трюк; публикуйте с реальной экспертизой, ссылайтесь на реальные источники и заслужите доверие, при котором модель охотно вас цитирует.

Задумываетесь, как ваш продукт или контент выглядит, когда ИИ отвечает от вашего имени? Мы строим сайты и продукты, понятные и людям, и машинам — структурированные данные, llms.txt, разумная политика краулеров и контент, написанный так, чтобы его можно было цитировать. Напишите нам на [email protected], и мы поможем вам быть найденным в ответе, а не только на странице результатов.