GEO (оптимизация под генеративный поиск)

Происхождение и история термина

Поисковые системы долго отвечали списком ссылок. Генеративные системы (в работе — «generative engines») устроены иначе: они забирают найденные источники, а языковая модель формирует из них один ответ. Авторы GEO отмечают, что такой ответ избавляет пользователя от перехода на сайты и потому может сократить органический трафик ^[1].

Термин «Generative Engine Optimization» ввели Пранджал Аггарвал (Pranjal Aggarwal), Вишвак Мурахари, Танмай Раджпурохит, Ашвин Калян, Картик Нарасимхан и Амит Дешпанде (Ameet Deshpande). Препринт arXiv:2311.09735 опубликован 16.11.2023 (третья версия — 28.06.2024) ^[1]. Работа вышла в материалах 30-й конференции ACM SIGKDD (KDD '24, Барселона), страницы 5–16, DOI 10.1145/3637528.3671900; по данным Crossref, онлайн-публикация датирована 24.08.2024 ^[2]. Конференция проходила 25–29 августа 2024 года ^[10].

Авторы позиционируют GEO как «первую новую парадигму» для создателей контента (в тексте: «the first novel paradigm to aid content creators») и описывают её как гибкую оптимизацию «чёрного ящика»: исходный текст W заменяется изменённым W′, при этом внутреннее устройство системы не известно ^[1].

Как термин расширился. Последующие исследователи используют «GEO» шире — как стратегию для нескольких ИИ-поисковиков сразу (ChatGPT, Perplexity, Gemini), включая работу со сторонними публикациями о бренде ^[12]. В отраслевых текстах значение ещё шире: например, в блоге агентства Terakeet (2025) GEO названа «всем спектром» оптимизации под ИИ, а о терминах AEO, AIO и GEO сказано, что разницы между ними пока немного (пример словоупотребления, по данным агентства) ^[13]. Единой классификации этих терминов в первичных источниках нет; в этой энциклопедии «GEO» в строгом смысле — оптимизация под генеративные ответы, а различие с AEO (оптимизация под ответы) описано ниже.

Суть и механизм

Генеративная поисковая система выполняет три шага: находит источники, формирует по ним ответ и указывает цитаты. Подробнее о связке поиска и генерации — в статьях RAG (поиск с генерацией) и Большая языковая модель (LLM).

Как это сделано у платформ.

• Google. Для AI Overviews и AI Mode документация описывает приём «query fan-out»: система запускает множество связанных поисков по подтемам и источникам данных и показывает более широкий набор ссылок, чем классический поиск. AI Overviews показываются, только когда система считает их дополнением к обычной выдаче ^[3].
• Яндекс. Алиса AI анализирует запрос и задаёт уточняющие подвопросы, отправляет их в Поиск и по результатам формирует ответ, разделённый на смысловые блоки. Опора делается на источники, которые высоко ранжируются в поиске; при отборе первостепенны экспертность, полезность, оригинальность и содержательность. Ссылки в ответе не ранжируются, а расположены по логике ответа; ссылка на одну страницу может повторяться ^[4].

Как устроен эксперимент GEO. Авторы собрали бенчмарк GEO-bench из 10 000 запросов: 8 000 для обучения, по 1 000 для валидации и теста. Запросы взяты из девяти наборов данных, среди них MS MARCO, ORCAS-1, Natural Questions, ELI-5, Perplexity.ai Discover и запросы, сгенерированные GPT-4. Они охватывают 25 предметных областей. Около 80% запросов информационные, по 10% — транзакционные и навигационные. Каждый запрос языковая модель GPT-4 разметила по семи группам признаков: сложность, тип запроса, жанр, тема, чувствительность, намерение пользователя, тип ответа ^[1]. Генеративную систему авторы смоделировали сами: для каждого запроса брались пять первых результатов Google, а ответ с цитатами в тексте писала модель gpt-3.5-turbo ^[1].

Что такое «видимость» в исследовании GEO. Авторы оценивают, насколько заметно источник представлен в ответе, двумя метриками ^[1]:

1. Position-Adjusted Word Count (PAWC) — доля слов ответа в предложениях, которые ссылаются на источник; вес предложения убывает экспоненциально по мере его удаления от начала ответа. Если предложение цитирует несколько источников, его слова делятся между ними.
2. Subjective Impression — оценка языковой модели (GPT-3.5, по методике G-Eval) по семи критериям: релевантность цитируемого предложения запросу, влияние цитаты на ответ, уникальность материала, субъективная позиция, субъективный объём, вероятность клика по цитате и разнообразие материала. Значения затем нормируют под среднее и разброс PAWC.

Обе метрики придуманы авторами для эксперимента; это не отраслевой стандарт и не метрика, которую показывают поисковые системы.

Виды и классификации

Методы GEO по Aggarwal et al.

Авторы проверили девять приёмов преобразования текста. Это классификация авторов исследования, а не отраслевой стандарт. В таблице — значения из таблицы 1 работы (GEO-bench, средние по всем запросам); без оптимизации PAWC равен 19,3, субъективная оценка — 19,3. Относительный прирост рассчитан по этим значениям ^[1].

В подписи к таблице авторы пишут, что лучшие методы превосходят исходный уровень на 41% по PAWC и на 28% по субъективной оценке; в аннотации говорится о росте видимости «до 40%». По тексту работы, лучшие методы дали относительный рост на 30–40% по PAWC и на 15–30% по субъективной оценке ^[1].

Зависимость от предметной области

Один из главных выводов работы — эффективность методов различается по областям («the efficacy of these strategies varies across domains») ^[1]. По таблице 3 работы ^[1]:

• Authoritative — в запросах-дебатах, исторической и научной тематике;
• Statistics Addition — в категориях «право и государство», «дебаты», «мнение»;
• Quotation Addition — в «людях и обществе», объяснениях и истории;
• Cite Sources — в запросах-утверждениях и фактических запросах (категории разметки Statement и Facts), а также в «праве и государстве»;
• Fluency Optimization — в бизнесе, науке и здоровье.

Авторы также проверили пары из четырёх лучших методов на подвыборке из 200 запросов: лучшая пара — Fluency Optimization со Statistics Addition, она превзошла любой одиночный метод более чем на 5,5% ^[1].

GEO, AEO и SEO

Различие между AEO и GEO в этой энциклопедии подаётся как различие словоупотребления: AEO по происхождению шире и включает избранные сниппеты и быстрые ответы, GEO в строгом смысле относится к генеративным ответам (см. AEO (оптимизация под ответы)). В отраслевых текстах термины нередко сближают или смешивают ^[13].

Как применяется на практике

Основа — обычное SEO. Google формулирует условие так: страница должна быть проиндексирована и иметь право на показ со сниппетом; дополнительных требований и «особых оптимизаций» для AI Overviews и AI Mode нет, новые машиночитаемые файлы, ИИ-текстовые файлы и особая разметка schema.org не нужны ^[3]. В числе общих рекомендаций Google — разрешить сканирование в robots.txt (в том числе на уровне CDN и хостинга), делать материалы доступными через внутренние ссылки, обеспечивать хороший пользовательский опыт на странице, размещать важное содержание в текстовом виде и следить, чтобы структурированные данные соответствовали видимому тексту ^[3]. Подробности — в статьях SEO (поисковая оптимизация), Генератор и проверка robots.txt, Индексация, Schema.org и llms.txt: документация Google не требует специальных ИИ-файлов ^[3]; польза файла llms.txt первичными источниками не подтверждена.

Яндекс. Для Алисы AI справка называет те же ориентиры, что и для поиска: экспертность, полезность, оригинальность, содержательность. Ответы не исправляются вручную; об ошибке можно сообщить дизлайком под ответом ^[4].

Приёмы из исследования. Цитаты с атрибуцией, проверяемые данные и ссылки на источники на бенчмарке GEO давали рост видимости, причём по-разному в разных областях ^[1]. Это результат условий эксперимента, а не рецепт: фраза «добавьте цитаты и статистику — и вас процитируют» ни из исследования, ни из документации Google или Яндекса не следует. Условный пример (не результат измерения): абзац «Сервис стал заметно быстрее» заменяется на абзац, где указаны измеренное время загрузки, период и источник замера; такой текст полезнее читателю независимо от того, цитирует ли его ИИ.

Управление доступом. В Google за доступ классического поиска и AI-функций отвечают директивы robots.txt для Googlebot; для ограничения показа информации служат nosnippet, data-nosnippet, max-snippet и noindex; Google-Extended относится к обучению и «grounding» в некоторых других системах Google ^[3]. В Яндексе ограничить показ контента в ответах Алисы AI можно запретом в robots.txt для робота YandexAdditional или YandexAdditionalBot; изменение учитывается по мере обновления поисковых данных, в течение 2–14 дней ^[5].

Как измерить или проверить

• Яндекс Вебмастер. В разделе «Эффективность» с 07.04.2026 есть отчёт «Видимость сайта в Алисе AI» ^[6][7]. Он показывает долю упоминаний сайта среди источников, которые Алиса AI использует для формирования ответов, динамику, примеры запросов и сайты той же тематики. По блогу Яндекса, инструмент не влияет на ранжирование, порядок показа в поиске и трафик; нужно подтвердить права на сайт; данные обновляются еженедельно и основаны на запросах, по которым сайт показывается в выдаче ^[6]. Выгрузка данных в блоге не описана.
• Google Search Console. Данные о показах в AI-функциях включаются в отчёт «Эффективность», тип поиска «Веб» ^[3]. Отдельного отчёта по AI Overviews в документации не описано.
• Ручная проверка. Можно периодически проверять собственные ключевые запросы в нужных системах. Результат зависит от времени и персонализации: Яндекс указывает, что ответ на один запрос может отличаться в разные дни или даже часы ^[4].

Стандартной метрики GEO нет; метрики PAWC и Subjective Impression применимы к экспериментам, а не к отчётности ^[1]. Обзор исследований GEO отмечает низкое совпадение источников и разброс результатов между повторными прогонами в аудитах коммерческих ИИ-систем ^[11].

Ошибки, ограничения и спорные вопросы

Границы исследования. Авторы GEO называют ограничения: проверены две генеративные системы, одна из которых публичная; методы придётся адаптировать по мере развития систем; распределение запросов меняется, и бенчмарк нужно обновлять; влияние методов на ранжирование в поиске не измерялось; теги запросов размечала GPT-4, и они могут быть неточными ^[1]. Оценку Subjective Impression выставляет языковая модель. Воспроизводимость на реальных выдачах Google и Яндекса и на русском языке в работе не показана.

Неоднородность эффекта. Метод Cite Sources дал сайту на пятой позиции выдачи рост видимости на 115,1%, а сайту на первой позиции — снижение в среднем на 30,3%; авторы делают вывод, что GEO особенно помогает ниже ранжированным сайтам ^[1]. В эксперименте на Perplexity.ai (200 запросов из тестовой выборки; тексты источников загружались в систему файлами, а не находились ею самостоятельно) авторы сообщают о росте PAWC у Quotation Addition примерно на 22% (29,1 против 24,1), о росте субъективной оценки у Statistics Addition до 37% (33,9 против 24,7) и о том, что Keyword Stuffing по PAWC оказался примерно на 10% хуже исходного уровня ^[1]. Эти цифры относятся к условиям эксперимента.

Что показали последующие работы. Критический обзор О. Мартинеса (препринт arXiv, июль 2026; 45 исследований за 16.11.2023–14.07.2026) приходит к выводу, что коммерческие заявления о GEO опережают доказательства («Commercial claims about GEO, however, have advanced faster than the evidence»), а заявления об окупаемости «явно превосходят» академические данные ^[11]. По оценке обзора, эффект методов зависит от предметной области и исходной позиции источника, а общие эвристики плохо переносятся между системами ^[11]. Вывод обзора состоит из двух частей ^[11]:

• подтверждено: если текст уже найден системой и попал в её контекст, его правка может причинно изменить то, как его цитируют и используют в ответе («already-retrieved content can causally alter its citation or use»);
• не подтверждено: ни одна из рассмотренных техник не показала устойчивого долговременного причинного эффекта на органическую обнаруживаемость сайта или на последующее поведение пользователей на разных платформах («no reviewed technique shows a stable, longitudinal, cross-platform causal effect on organic discoverability or downstream behavior»).

Обзор отдельно напоминает, что цифра «до 40%» из работы Aggarwal et al. — относительный прирост в симуляторе, где пять документов уже находятся в контексте модели, а не обещание попасть в ответы ChatGPT ^[11]. Обзор — препринт одного автора, не прошедший рецензирование, поэтому его выводы — экспертная оценка, а не окончательный результат.

Рыночные советы и документация. Google пишет, что специальная разметка, ИИ-файлы и особые оптимизации для AI-функций не нужны ^[3]. Значительная часть публикаций о GEO — материалы агентств и разработчиков инструментов (пример — ^[13]); такие тексты иллюстрируют практику, но не доказывают эффективность приёмов — это согласуется с ^[11].

Значение для трафика: что известно. Pew Research Center проанализировал данные 900 взрослых американцев из панели KnowledgePanel Digital, которые установили приложение для отслеживания просмотра: за март 2025 года — 68 879 уникальных поисков в Google, из них 12 593 (около 18%) показали ИИ-сводку. Пользователи переходили по обычной ссылке в 8% визитов со сводкой и в 15% визитов без неё; по ссылке внутри сводки — в 1% визитов ^[8]. Pew оговаривает, что анализ охватывает только Google, что сводка на один и тот же запрос может меняться со временем (результаты поиска собраны 7–17 апреля 2025 года), и отмечает, что сводки чаще появляются на длинные запросы, полные предложения и вопросы ^[8]. Само исследование причину различий не устанавливает; поскольку сводки чаще выпадают на запросы другого типа, разница в кликах, вероятно, может отчасти объясняться и типом запроса.

Опрос Reuters Institute (YouGov, шесть стран — Аргентина, Дания, Франция, Япония, Великобритания, США; 5 июня — 15 июля 2025 года; около 2000 человек в стране, невероятностная онлайн-выборка): за неделю использовали генеративный ИИ для получения информации 24% опрошенных (11% в 2024 году), для новостей — 6% (3%); ИИ-ответ в поиске за неделю видели 54% ^[9]. Из тех, кто видел такие ответы, 33% «всегда или часто» переходят по ссылкам, 37% — иногда, около 28% — редко или никогда; доверяют ИИ-ответам около половины из видевших их ^[9]. Это самооценки респондентов. Данные нельзя переносить на российских пользователей; первичных российских измерений масштаба эффекта в этом запуске найдено не было.

Частые вопросы

Связанные термины

• AEO (оптимизация под ответы)
• Нейропоиск
• Google AI Overviews
• Яндекс Нейро
• Большая языковая модель (LLM)
• RAG (поиск с генерацией)
• Цитируемость в ответах ИИ
• Поиск без кликов
• ИИ-видимость бренда
• SEO (поисковая оптимизация)